B

Siguiente nivel del cultivo impulsado por datosDando el siguiente paso en análisis de datos para la

optimización de cultivo de cosecha

Documento Técnico:Siguiente nivel del cultivo impulsado por datos

1 www.letsgrow.com

2

Para un cultivador, no es impensable que su sistema de gestión de cultivo se convierta en su mejor asesor de cultivo a tiempo completo en un futuro cercano. Piense en un sistema de supervisión de cultivo que envía datos de sensores acerca del balance de agua, de energía, y de asimilados de las plantas a una plataforma central de datos.

Introducción

Basándose en todos estos datos, el sistema toma deci-siones y controla el clima del invernadero de tal forma que el crecimiento del cultivo es optimizado. Esto puede parecer ciencia fi cción, pero se está convirtiendo en una realidad. Los primeros pasos ya han sido dados y se de-scriben en el documento técnico anterior acerca del “Cul-tivo impulsado por los datos en la práctica.” La atención se centró en las siguientes preguntas: ‘¿Qué sucedió?’ y ‘¿Por qué sucedió?’. Este documento técnico describe los siguientes pasos: ‘¿Qué va a suceder?’ y ‘¿Qué es lo mejor que podría suceder?’. Conocer lo mejor que podría suce-der es el objetivo máximo para la optimización de cultivo

de cosecha. Como ya se subrayó en el primer documento técnico sobre el “Cultivo impulsado por los datos en la práctica,” la calidad de los datos es fundamental. Crear un conjunto de datos de alta calidad requieruna calibración sistemática de los sensores, registros de cultivos con-sistentes, y también limpieza de datos. Esto toma tiem-po y dedicación, pero es indispensable para un análisis correcto. Sólo con un conjunto de datos de alta calidad es posible completar los últimos pasos complicados del análisis de datos. Por lo cual los algoritmos y modelos desempeñan un papel decisivo

www.letsgrow.com

Diferentes niveles en análisis de datos.

3 www.letsgrow.com

Para describir estos sistemas complejos y dinámicos, necesitamos la ayuda de algoritmos y modelos dinámicos, basados en técnicas de IA. En general, la inteligencia artifi cial intenta imitar la inteligencia humana.

Uno de los elementos cruciales es que puede aprender del historial usando redes neuronales. Estas redes pueden ser entrenadas por grandes conjuntos de datos de entrada- y de salida registrados del cultivo bajo investigación.

Esto también se llama “aprendizaje automático,” o a veces “aprendizaje profundo.” Durante el proceso de entrenamiento, la red aprende gradualmente cómo el cultivo real se comporta, y fi nalmente, la red es capaz de simular este comportamiento cuando se alimenta con nuevos datos de entrada. Podemos también decir: la red entrenada se ha convertido en un modelo del cultivo real.

Mirando los sistemas de producción de plantas podemos pensar en modelos que describen el crecimiento y el desarrollo, modelos que predicen el rendimiento y la calidad, modelos que calculan la demanda esperada de energía y de agua, y en modelos que estiman los riesgos de plagas y enfermedades.

Diferentes modelos juntos forman un sistema de apoyo a las decisiones que es capaz de contestar las preguntas que a los cultivadores les gusta hacer, tal como: ¿Qué va a suceder si mantengo mi estrategia actual? ¿Y qué si cambio este parámetro específi co? ¿Y qué es probable que suceda esta próxima semana basado en la previsión meteorológica actual? Un modelo de predicción de rendimiento, por ejemplo, puede proporcionar información útil al cultivador sobre el número de kilos que es probable que produzca en las dos próximas semanas. Esto es muy

Algoritmos y modelos

¿Qué signifi can precisamente estas palabras clave? Todos sabemos lo que es una fórmula: calcula un valor de salida a partir de un conjunto específi co de entradas variables usando varios coefi cientes determinados que describen la relación exacta entre las entradas y la salida. Por lo tanto, esas fórmulas se pueden utilizar para procesos físicos y químicos que se comportan de forma bastante constante y donde el número de entradas es restringido.

En el caso que la descripción de nuestro proceso consiste en múltiples fórmulas, podemos hablar de un modelo.

En este sentido, este modelo todavía simula un proceso estático, enteramente predictible, y bien comprendido.

Cuando el número de entradas variables aumenta y las relaciones entre las entradas y las salidas se convierten menos estáticas y tal vez incluso dependientes del tiempo y no lineales, y que las características del sistema varían con el tiempo, las fórmulas y los modelos estáticos ya no son utilizables para simular el comportamiento de un proceso o sistema. Ahí es donde entran las técnicas de IA.

Aplicar la IA en horticultura

Datos Algoritmo Modelo

El crecimiento y desarrollo de un cultivo vivo en un invernadero es un excelente ejemplo de un sistema complejo y dinámico que requiere un enfoque diferente. El comportamiento de un cultivo no es solamente determinado por las condiciones efectivas, sino depende también de muchos otros factores resultando, entre otros, del historial del cultivo.

Las palabras “algoritmo” y “modelo” se usan a menudo en el contexto de la Inteligencia Artifi cial (IA).

4

Además, el comportamiento del cultivo real puede ir cambiando con el tiempo, mientras el modelo ha quedado estático desde el momento en que hemos dejado de entrenarlo. Afortunadamente, podemos seguir enseñando el modelo con nuevos datos cuando se hacen disponibles. Ahora bien, el conocimiento dentro del modelo es siempre basado en el historial, y por lo tanto puede fallar en predecir el futuro.

Los modelos se desarrollan para un propósito específi co dentro de un rango restringido de condiciones, por eso, un modelo debe utilizarse adecuadamente respetando sus limitaciones.

Los modelos no son nunca mejores que los datos/ informaciones que se usaron para desarrollarlos y entrenarlos. La regla general de “basura dentro = basura fuera” se aplica plenamente a todo modelo, independientemente de lo inteligente o avanzado que pueda ser. Los modelos de primera generación estaban principalmente basados en investigación experimental a pequeña escala. Durante los experimentos, los datos necesarios eran generados y recopilados bajo varias condiciones. Hoy en día, más y más datos de invernaderos comerciales están disponibles. Esto tiene pros y contras. Un pro es que los datos de diferentes fuentes se pueden combinar, lo que permite el desarrollo de modelos más genéricos. Una de las desventajas es que la calidad de los

datos puede ser cuestionable, ya que la relativa falta de calibración de los sensores y los protocolos de medición en la mayoría de los semilleros puede causar mucho “ruido” indeseado, que a su vez introduce inexactitud al modelo.

La IA y el aprendizaje automático ofrecen grandes resultados en términos de exactitud relativa, resolviendo tareas complejas, y reduciendo el tiempo necesario para desarrollar modelos. Sin embargo, esto solo funciona en combinación con gestión de datos profesional, bases de datos rápidas, y una potencia informática masiva. Mientras más grande es el conjunto de datos, más complejo es el modelo, y más experiencia y poder computacional son necesarios. Uno de los inconvenientes de los modelos IA es su característica “caja negra.” El modelo puede tomar en cuenta muchos factores diferentes, tanto actuales como históricos, para obtener un resultado específi co, que nosotros, como seres humanos, no logramos entender plenamente lo que pasa dentro.¿Por qué la previsión de rendimiento iguala 2.3 kg/m2 para la próxima semana? ¿Por qué el modelo predice un aumento de riesgo de botritis? No podemos rastrear esto exactamente. Esto está en enorme contraste con los modelos descriptivos/explicativos anticuados hechos de fórmulas, donde cada relación entre las entradas y la salida fi nal es totalmente rastreable. En consecuencia, el uso de modelos IA siempre requiere un excelente conocimiento

Consideraciones adicionales relativas a la IA y a los modelos

Inteligencia Artifi cial Toda técnica que permite a las computadoras imitar el comportamiento humano.

Aprendizaje automáticoSubconjunto de técnicas de IA que usan métodos estadísticos para capacitar las máquinas a mejorar con experiencias.

Aprendizaje profundoSubconjunto de AA que hace factible el cálculo de redes neuronales multicapa.

importante para concluir contratos provechosos con los clientes. Un modelo de demanda de energía puede ayudar a hacer una planifi cación precisa para la compra

de gas y de electricidad, también basado en la previsión meteorológica.

Diferentes términos en el campo de la inteligencia artifi cial explicados.

Los modelos son una representación simplifi cada de una realidad compleja. En consecuencia, nunca pueden ser perfectos por varios motivos. Uno es que, muy probablemente, nuestros datos de entrada no son completos; puede haber más factores que infl uencian el cultivo que los que hemos medidos o incluso de los que estamos conscientes.

5 www.letsgrow.com

Ejemplos de aplicaciones IA

Los sensores de plantas y sistemas de registro de cultivos proporcionan datos sobre el desarrollo, el rendimiento, y la calidad del cultivo. Para un cultivador, se hace cada vez más complicado y lento combinar esta enorme cantidad de datos para tener información útil a la toma de decisiones y la optimización de los procesos.

Por lo tanto, se necesitan herramientas adicionales. Con la ayuda de técnicas analíticas inteligentes y avanzadas, ahora es posible hacer análisis que no pueden hacer los cerebros humanos simplemente mirando datos brutos

y gráfi cos simples. LetsGrow.com y Hoogendoorn han estado trabajando en varios proyectos tratando de sacar el máximo provecho de los datos disponibles con las herramientas/modelos adecuados para optimizar el crecimiento del cultivo y el clima del invernadero.

El objetivo principal es el de incrementar tanto la producción como la máxima efi ciencia en el uso de los recursos, y mejorar así el retorno de inversión (ROI). En el próximo capítulo, se examinan algunos proyectos exitosos.

Diferencia entre la programación tradicional de modelos y los modelos de aprendizaje automático.

Análisis de crecimiento de cultivo (Efi ciencia en el uso de la luz)

El análisis extensivo de datos de acciones y resultados de los años anteriores puede aportar respuestas y perspectivas a las preguntas mencionadas más arriba. Estas respuestas ayudarán a seguir optimizando el crecimiento del cultivo.La primera pregunta siempre es: ¿Cuál es su desempeño

relativo de cultivación? El cálculo de Efi ciencia en el uso de luz (LUE) fue desarrollado para responder a esta pregunta. La LUE muestra con qué efi ciencia la radiación disponible es convertida en productos como las frutas o las fl ores. Como es bien conocido, la fotosíntesis juega el papel clave aquí; mientras más luz pueda convertirse

En un invernadero comercial moderno, múltiples sensores pueden generar datos. Por ejemplo, cajas de aspiradores y sensores inalámbricos midiendo la temperatura, la humedad, el CO2, la luz RFA. Sensores climáticos midiendo las condiciones meteorológicas fuera. Adicionalmente, puede haber cámaras y balanzas. Además, la generación actual de computadoras climáticas ofrece grandes cantidades de datos sobre actuadores como ventanas de ventilación, pantallas, válvulas de irrigación, etcétera.

Como cultivador o inversor, usted puede observar diferencias importantes de producción entre diferentes localizaciones de invernaderos. Probablemente, quiere conocer la razón detrás de esto. O de repente una plaga o enfermedad particular aparece durante la temporada de cultivo afectando el crecimiento y la producción del cultivo. Y usted quiere saber: ¿Por qué ahora? ¿Qué ha sido diferente este año en comparación con la temporada de cultivo anterior?

del dominio de la propia aplicación. Los resultados del modelo deben ser controlados y evaluados por expertos humanos también, para detectar y fi ltrar los resultados no realísticos. Solamente cuando estas técnicas modernas

están combinadas con un conocimiento de la fi siología y la física de la planta, se pueden esperar excelentes resultados.

6

Para optimizar la fotosíntesis, múltiples factores deben estar alineados y optimizados, tanto por debajo como por encima del suelo. Por ejemplo, la perturbación del balan-ce de energía y de agua de la planta provoca el cierre de las estomas, lo que perturba la captación de CO2 y conse-cuentemente disminuye la LUE.

Por este motivo, también controlar la irrigación, la tempe-ratura del invernadero, y la humedad relativa (HR) es esen-cial para la apertura de las estomas. El arte de optimizar la fotosíntesis es, en consecuencia, detectar y mejorar el “factor limitativo,” lo que resulta bastante difícil debido a los muchos factores de infl uencia que varían continua-mente.

Ahí es donde el modelo LUE puede dar pistas calculan-do la LUE y comparando esto con los factores climáticos relacionados con el balance de asimilados como la radi-ación, la temperatura, la HR y el CO2, pero también con datos de planta como la tasa de fi jación de las frutas y la carga vegetal. Gracias a herramientas avanzadas de análisis de datos, es factible detectar los obstáculos en el proceso de cultivación y proporcionar perspectivas útiles al cultivador sobre las medidas que deben adoptarse para obtener mejores resultados.

Usando el análisis LUE, también proporcionamos más perspectivas y orientaciones al cultivador con respecto a la utilización óptima de su equipo. Por ejemplo, se pueden dar recomendaciones sobre el uso óptimo de pantalla o la posición de ventanas (ventilación). Por cierto, el clima-

te monitor (explicado en el documento técnico anterior) es una herramienta excelente para ayudar al cultivador con la implementación de estas recomendaciones. Usted puede observar diariamente (incluso en una base de 5 mi-nutos) si sus factores climáticos están en balance.

También, la gestión de cultivos puede estar involucrada. Por ejemplo, ¿cómo planear la carga vegetal relativa a la radiación anual? Quizás entresacar frutas de manera proactiva es aconsejado durante el periodo de otoño. Asimismo, ¿qué hay de la irrigación? ¿Los niveles de CE están dentro de un rango apropiado? La mayoría de las nuevas perspectivas basadas en este análisis integrado pueden implementarse directamente. El alcance de este análisis depende de las preguntas de investigación.

Actualmente, se han llevado a cabo varios estudios para los cultivadores en el mundo entero. Un análisis de datos mostró que la LUE fl uctúa demasiado durante un ciclo de cultivación. Consecuentemente, este cultivador decidió comenzar con una amplia capacitación de cultivo impul-sado por los datos y capacitación de planta, para domi-nar mejor el cultivo integrado y la gestión climática. Otro análisis de datos clarifi có las diferencias de producción entre múltiples invernaderos. Un tercer análisis reveló la causa de la ocurrencia inesperada de Fusarium. Estos son unos pocos ejemplos que muestran cómo el análisis de datos avanzado ayuda a los cultivadores a ganar nue-vas perspectivas con respecto a sus problemas especí-fi cos, y les proporciona informaciones sobre cómo opti-mizar aún más los resultados de cultivación.

Un ejemplo de efi ciencia en el uso de la luz durante una temporada de cultivo para dos emplazamientos de invernaderos.

en asimilados por la fotosíntesis, hay más asimilados disponibles para el crecimiento y la producción. La fotosíntesis es el proceso que convierte el CO2 y el agua

H2O en asimilados (azucares) con la ayuda de la energía procedente de la luz RFA que es interceptada por las hojas.

7 www.letsgrow.com

Mejorar el perfi l climático del invernadero

Típicamente, cada caja de aspirador cubre una zona bastante grande, por ejemplo, un cuarto o la mitad de una hectárea (2.500 - 5.000 m2). Se supone que la lectura de la temperatura, digamos 20.5 °C, es válida para toda esta zona. En la realidad, la temperatura de invernadero a través de esta zona puede fácilmente variar entre digamos 18°C - 24°C. Especialmente en los grandes invernaderos, la circulación de aire puede ser bastante fuerte, perturbando un clima de invernadero homogéneo. Instalar sensores inalámbricos dentro del invernadero permite una medición exacta de la distribución horizontal y vertical de temperatura del aire, humedad relativa, y concentración de CO2.

El uso de estos sensores inalámbricos en los invernaderos produce una gran cantidad de datos. Hagamos un cálculo simple. El uso de 100 sensores probando la temperatura del invernadero y la humedad relativa cada 5 minutos resulta en más de 50.000 muestras de datos por día. Se requiere una excelente tubería de datos para tratar este enorme fl ujo de datos. Y la recopilación de datos es sólo el principio; ¿cómo extraer información útil de este extensivo conjunto de datos?El mapa de calor es un instrumento útil para visualizar los

datos. Muestra las zonas calientes y frías en el invernadero directamente. La localización de estos puntos calientes y fríos no es fi ja y se puede desplazar en toda la superfi cie del invernadero. Mirando las imágenes del mapa de calor en la forma de un lapso de tiempo da perspectivas sobre la aparición y la desaparición de estos puntos calientes y fríos.

El mapa de calor también muestra si el clima del invernadero es homogéneo o si, por ejemplo, ocurren diferencias signifi cativas de temperaturas. Para hacer el clima del invernadero más homogéneo, es esencial encontrar la causa de las perturbaciones. En consecuencia, múltiples preguntas deben ser contestadas, tales como: ¿Cuál es el efecto de la dirección del viento sobre la distribución de temperatura? ¿Qué velocidad de viento causa las diferencias de temperaturas más signifi cativas? ¿Qué ocurre cuando las ventanas se abren y se cierran? ¿Cuál es la infl uencia de las pantallas?

Para contestar estas preguntas, se necesitan más datos de diferentes fuentes. Es por eso que los datos de los sensores inalámbricos, la computadora climática, y los sensores de condiciones exteriores se deben combinar.

Todos los invernaderos modernos cuentan con una caja aspirador o más por departamento climático que miden la temperatura, la humedad, y el CO2. Estos datos son necesarios para controlar el clima del invernadero

8

Este mapa de calor muestra que hay diferencias signifi cativas de temperaturas dentro del invernadero.

Un panel de control creado para encontrar la causa de un clima de invernadero heterogéneo.

Visualizar todos estos datos en un panel de control proporciona un sin fi n de posibilidades. Usar fi ltros específi cos permite contestar a las preguntas anteriores. Filtrar sólo los momentos en los que la dirección del viento era sur oeste, por ejemplo, clarifi ca el efecto de una dirección de viento sur oeste sobre el perfi l climático.También es posible ampliar los momentos con extremas

diferencias de temperaturas en los invernaderos y buscar el factor más dominante que provoca esta diferenciade temperatura. Al hacer las preguntas correctas, seleccionar los fi ltros adecuados, y mirar críticamente los datos, nuevas ideas surgen con respecto al perfi l del clima del invernadero.

9 www.letsgrow.com

En general, con la predicción de rendimiento, el proceso de venta puede ser optimizado. Prevenir la escasez y los excedentes del producto da mejores rendimientos de las ventas. También es posible optimizar los procesos internos en el semillero, como la planifi cación del trabajo.

Los cultivadores, tanto individuales como en asociaciones de productores, y los comerciantes ya han estado luchando con las predicciones de rendimiento durante muchos años. Algunos cultivadores simplemente caminan a través del invernadero y basado en las observaciones visuales del cultivo, se puede establecer una predicción de rendimiento para la semana siguiente. Sin embargo, dicha predicción será probablemente lejos de ser coherente y no es adecuada para ser utilizada para una planifi cación de ventas seria. Otros cultivadores utilizan datos históricos, combinado con previsiones meteorológicas. En la mayoría de los casos, sin embargo, debido a la inexactitud de la previsión, la cantidad esperada de producto disponible en el próximo periodo es todavía demasiado incierta. Típicamente, las previsiones regularmente varían de unas cuantas docenas porcentuales de la realidad, haciendo que sea imposible tomar decisiones razonadas. Entonces la pregunta es: ¿cómo podemos hacer predicciones de rendimiento lo más precisas posible?

Pueden distinguirse varios tipos de modelos de predicción del rendimiento. Un tipo es el modelo que incluye cada paso del mecanismo de producción de la radiación a la

producción. En consecuencia, estos modelos consisten en múltiples submodelos como la fotosíntesis, el coefi ciente de los sumideros y fuentes, y la intercepción de la luz. Dicho modelo puede ser altamente preciso, pero normalmente necesita muchos parámetros cuidadosamente ajustados para funcionar correctamente. Esto los hace menos adecuados para su uso en la práctica diaria. En cambio, la experiencia de investigación detrás de estos modelos puede ser benefi ciosa para desarrollar un modelo de predicción de rendimiento más sencillo y más práctico.

El primer modelo de predicción de rendimiento fue desarrollado hace casi 20 años. Este modelo basado en la fi siología de la planta hace uso de la relación bien entendida entre la temperatura media y el tiempo de maduración. Basado en datos de registro de cultivo y en la temperatura de invernadero esperada, rellenados por el cultivador, se puede hacer una estimación bastante buena del rendimiento para las próximas semanas. Aunque este modelo es utilizado por los cultivadores desde hace décadas y proporciona predicciones relativamente precisas, todavía no es lo sufi cientemente preciso. Además, se necesita dedicación para hacer todos los registros (extra) correctamente cada semana. Aplicando técnicas de IA como el aprendizaje automático, logramos desarrollar un nuevo modelo de predicción de rendimiento que funciona con excelente precisión: más del 90% en promedio.

Predicción de rendimiento usando el aprendizaje automático

Tener una predicción de rendimiento exacta es esencial en la industria hortícola. Una predicción de rendimiento precisa permite al cultivador negociar mejores condiciones y mejores precios de productos y, por lo tanto, aumentar sus benefi cios.

Predicciones de rendimiento con aprendizaje automático comparado con la producción realizada.

10

En el caso de escasez de agua las plantas cerrarán sus estomas para disminuir la pérdida de agua. Aunque esto impida que las plantas se sequen, disminuye también la fotosíntesis porque el intercambio de CO2 es obstaculizado.

Para aumentar la producción de asimilados, es fundamental crear un clima de invernadero óptimo para la fotosíntesis. En general, esto signifi ca que la temperatura del aire, el CO2, y la HR deben alinearse con la intensidad de radiación solar Los altos niveles de HR impedirán el cierre de las estomas. El módulo de conductividad estomática es un denominado sensor inteligente que consiste en la combinación de sensores reales (hardware) y un modelo de cálculo (software). Simula/calcula la conductancia estomática basado en el balance de energía y el balance de agua de las hojas de cualquier planta. Este es un proceso físico que puede ser descrito por un conjunto de fórmulas estáticas. No se requieren técnicas de IA. Desde su primera introducción en el 2007, el modelo ha demostrado su valor en múltiples proyectos de investigación y aplicaciones prácticas. Los sensores miden la temperatura y la HR del aire, la temperatura

de las hojas de la planta, y la intensidad RFA. El modelo software ahora calcula la tasa de evaporación, basado en el balance de energía del cultivo, expresado en g/m².h.

Combinado con la diferencia de presión de vapor (DPV) actual, la conductividad estomática puede ser determinada y presentada en un gráfi co. La unidad elegida es kg/ kPa.m².sec para indicar la relación entre la tasa de evaporación y la DPV.

Un valor de baja conductividad signifi ca que las estomas permanecen sólo parcialmente abiertas, mientras que un valor más alto signifi ca que las estomas están más abiertas. Con este módulo, el estado de agua, como resultado de la absorción de agua y evaporación, puede ser supervisado desde la perspectiva de la planta. Como cultivador, puede ver y aprender como las estomas reaccionan a los diversos factores climáticos.

Así, es posible aumentar la fotosíntesis y disminuir el estrés de la planta mediante la optimización del clima del invernadero. El módulo de conductividad de las estomas es disponible para diferentes tipos de cultivos.

Este nuevo enfoque está basado en el gran conjunto de datos que muchos cultivadores han estado construyendo a lo largo de los años. Este conjunto de datos suele contener registros de cultivos, datos de clima, y datos relativos a la producción y la calidad. Este es el punto de partida ideal para el aprendizaje automático, que es capaz de encontrar las relaciones correctas entre el estado del cultivo, el clima del invernadero, y la producción, dependiendo de una estrategia de cultivo específi ca y del tipo de planta. Es por ello que el modelo debe ser entrenado por el cultivador, usando sus datos privados. Consecuentemente, cada cultivador tiene su propio modelo de predicción hecho a medida que proporcione predicciones de rendimiento sorprendentemente precisas para las 1-4 próximas semanas.

Hay que destacar, sin embargo, que también este modelo hace uso de registros de cultivos hechos manualmente por personas humanas. Los registros inexactos afectarán directamente a la exactitud del resultado del modelo. La predicción nunca puede ser mejor que la calidad de laentrada. Por lo tanto, el futuro de la predicción de rendimiento es en el uso de nuevas técnicas para obtener información del cultivo, en lugar de un registro de cultivo manual. Piense en cámaras montadas en robots en movimiento, que pueden observar, contabilizar, y evaluar todas las frutas en el invernadero de forma mucho más precisa y con más frecuencia de lo que es factible para las personas humanas. La combinación de todos estos datos aumentará paso a paso la precisión de los modelos de predicción del rendimiento.

Módulo de conductividad de las estomas

En la práctica, muchos cultivos experimentan el estrés debido a diferentes motivos, como la escasez de agua o condiciones extremas en términos de irradiación en combinación con una alta temperatura de invernadero y/o baja HR. Como las estomas son los únicos instrumentos físicos y mecánicos de las plantas para controlar su balance hídrico, el comportamiento de las estomas revela si, y en qué medida la planta está sufriendo estrés por el agua.

11 www.letsgrow.com

Este gráfi co muestra las mediciones y cálculos derivados, entre otras cosas la tasa de evaporación y la conductancia estomática, como resultado del estado de agua de

la planta y de las condiciones climáticas.

12

Conclusión

Ejemplos son el modelo de estomas que calcula la conductividad de las estomas usando fórmulas estáticas, o la predicción de rendimiento basada en un modelo de aprendizaje automático. El objetivo es siempre de crear información a partir de los datos que se puede utilizar para optimizar el crecimiento de la planta. Todo comienza con tener todos los datos correctos disponibles en un lugar central. A continuación, la calidad de los datos debe ser de un nivel sufi ciente, debido a la regla basura

dentro = basura fuera. Esto se aplica a cualquier modelo. Por último, cualquier modelo sólo puede utilizarse si es fácilmente accesible. Esto signifi ca que el modelo debe estar disponible 24/7 para cada cliente. Por todos estos motivos, es vital utilizar una plataforma de datos central. Sólo mediante el uso de una excelente plataforma de datos de alto rendimiento, es posible implementar el próximo nivel de cultivo impulsado por los datos en la práctica completamente.

Hay varias maneras de agregar valor a los datos. El uso de modelos es una de las herramientas más importantes para hacer esto.

Epílogo

Hoogendoorn Growth Management crea soluciones de automatización sostenibles y fáciles de usar para todo tipo de negocio hortícola en todo el mundo.

LetsGrow.com ha estado en funcionamiento desde el año 2002. Junto con Wageningen University Horticultural Research, se han desarrollado modelos para predecir el rendimiento de los cultivos. Sin embargo, los servicios de LetsGrow.com abarcan la horticultura en su totalidad: todas las marcas populares de computadoras climáticas están siendo soportadas como una fuente de datos.

Los clientes tienen un acceso 24/7 a datos en tiempo real en todo el mundo. El hecho de que ya 1000 cultivadores

de invernadero tienen una suscripción a LetsGrow.com es un testimonio de esto. Esto incluye tanto empresas individuales como asociaciones mayores de cultivadores.Hoogendoorn y LetsGrow.com ofrecen la posibilidad de recopilar y analizar datos relativos a la cultivación.

Mediante una plataforma en línea, los cultivadores pueden analizar datos relativos, por ejemplo, al clima de invernadero, el cultivo, la mano de obra, y el consumo de energía. Gráfi cos y paneles de control se pueden crear fácilmente para obtener información sobre los datos de cultivación. También, los cálculos sobre datos en tiempo real se pueden realizar para entregar aún más visión. Así, los datos se transforman en información signifi cativa.

A www.letsgrow.com

Info@letsgrow.com

T +31 10 460 81 08

3131HX VlaardingenNederland

Westlandseweg 190

Info@hoogendoorn.nl

T +31 10 460 80 80

3131HX VlaardingenNederland

Westlandseweg 190