Los agricultores son los últimos beneficiarios en un mundo de análisis de datos. En los últimos años, la agricultura de precisión ha estado ayudando a los agricultores a tomar decisiones más inteligentes y a producir un mayor rendimiento. Pero la mayoría de los estudios hasta la fecha se han realizado en grandes cultivos cosechados en gran escalamáquinas, posible gracias a los datos recopilados por drones y otros medios. Sin embargo, Richard Sowers, profesor de ingeniería de sistemas industriales y empresariales y matemáticas en la Universidad de Illinois en Urbana-Champaign, y un equipo de estudiantes han desarrollado un algoritmo que prometedar información valiosa a los agricultores de cultivos recogidos a mano.
Los sembradores, junto con los estudiantes Nitin Srivastava y Peter Maneykowski, han desarrollado un algoritmo que ayudará a racionalizar la fuerza laboral de los cultivos altamente perecederos recogidos a mano. Su papel, Algorithmic Geolocation of Harvest in Hand-Picked Agriculture, que aparecerá en Modelado de recursos naturales , presenta los resultados de un estudio realizado en la cosecha de parches de fresas en Crisalida Farms en Oxnard, California. Hace menos de un año, Sowers fue coautor de un documento titulado, Cultivos especializados cosechados a mano 'maduros' para técnicas de agricultura de precisión, abordando el momento y el transporte de tales cultivos.
"Las fresas que pones en tu helado o cereal son recogidas por el momento por un equipo de aproximadamente 10 trabajadores, que en su mayoría ganan un salario por caja recolectada", señaló Sowers. "Para el consumidor, es importante que ellas fresas son de buena calidad y se ven bien "
Según Sowers, las fresas que aparecen en las conchas de almejas que se encuentran en el mercado o en la tienda de comestibles local se encuentran en gran parte en las mismas condiciones en que estaban cuando fueron recogidas del campo. Luego se cargan en una cajauna caja más grande, luego en una paleta y finalmente en un camión. El proceso se invierte en el mercado.
"Uno de los aspectos en los que estoy interesado es el hecho de que hay humanos involucrados en la recolección", dijo Sowers. "Al igual que el historial de navegación en Internet difiere de persona a persona, en líneas similares, la capacidad de los trabajadores para cosecharlas fresas son diferentes. Esto plantea la pregunta: ¿cómo piensas acerca de los datos en esa industria? Porque la variabilidad humana tiene un gran efecto.
"Descubrir lo que está sucediendo en el campo es una pregunta importante", agregó. "Identificar que ciertas partes del campo están produciendo una cosecha de mayor o menor calidad puede ser valioso en la estrategia de cosecha".
En lugar de requerir que un trabajador ingrese datos durante la cosecha, lo que ralentizaría el proceso, el equipo de Sowers pudo determinar el movimiento exacto de cada trabajador a través del rastreo por GPS en un teléfono inteligente que cada uno llevaba consigo.El equipo desarrolló un algoritmo para predecir la cantidad de cajas completadas.
Los datos prometen en última instancia conducir a técnicas más precisas para la cosecha. Por ejemplo, un conjunto de control de calidad generalmente ocurre en el borde del campo y, a menudo, hay una acumulación de trabajadores que esperan en la cola. Más datos ayudarán a planificar mejormejores momentos para proporcionar este control, así como programar montacargas para recoger paletas y colocarlas en un refrigerador. El tiempo es esencial ya que el clima cálido puede tener un efecto dramático en la calidad del producto.
"En este momento, solo estamos tratando de rastrear", señaló Sowers. "No se puede administrar lo que no se puede medir. Estamos tratando de medir lo que está sucediendo en el campo en realidad en el campo,no en el borde del campo donde se recopilan los datos actualmente. Si sabe en cada momento cuánto se está cosechando, puede programar mejor, reorganizar los equipos de cosecha o volver a realizar tareas ".
Sowers reitera aún más la importancia de esta medición para la industria porque el error de cálculo de la fuerza laboral podría eliminar por completo las ganancias.
"Si eso sucede, todos los nutrientes que ingresaron agua, fertilizantes, nitrógeno, etc. simplemente se desperdician", dijo. "Si puede asignar mejor los recursos y evitar o disminuir el tiempo que algunas de esas pilasde bayas están sentados en el campo, eso es una victoria "
El equipo probó con éxito que estos comportamientos pueden rastrearse y analizarse y planea regresar a California para refinarlo.
"Hay una apreciación cada vez mayor por los datos en esta industria", dijo Sowers. "Me gustaría volver y hacer esto a mayor escala para que podamos intentar comparar esto con algo que está en producciónPara tener un impacto real, necesitamos comprender y procesar los datos a un nivel de certeza que sea tan bueno o comparable a lo que se necesita para tomar algunas decisiones para reasignar personas y para optimizar el diseño decampos."
Fuente de la historia :
Materiales proporcionado por Facultad de Ingeniería de la Universidad de Illinois . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cite esta página :