Una innovación clave del estudio es el uso del aprendizaje por transferencia de IA, que permite a los científicos reutilizar los modelos existentes en lugar de empezar desde cero en cada región. Esto permite generar información agrícola detallada en zonas donde la recopilación de grandes cantidades de datos locales resultaría costosa, lenta o poco práctica.
Para este trabajo, se adaptó a las condiciones de cultivo brasileñas el conocimiento de un modelo avanzado entrenado para predecir el rendimiento de la soja en EE. UU. Al perfeccionar el modelo estadounidense utilizando únicamente datos estatales o escasos datos municipales de Brasil, los investigadores pudieron tener en cuenta las diferencias climáticas, fenológicas de los cultivos y prácticas de gestión entre ambos países, según un comunicado de prensa.
“Este enfoque aumentó la eficacia de la predicción del rendimiento a diferentes escalas del 50 % al 78 % del límite superior teórico, que definimos como el mejor rendimiento alcanzado por los modelos entrenados con datos de rendimiento local altamente detallados”, explicó el primer autor, Jiaying Zhang. Los resultados demuestran que el aprendizaje por transferencia impulsado por IA puede superar tanto la escasez de datos como los desafíos de escalabilidad en el modelado agrícola.
Implicaciones globales, con Brasil en el centro
Los hallazgos llegan en un momento crucial para los mercados mundiales de soja, donde Brasil desempeña un papel cada vez más decisivo en el suministro mundial.
Tras superar a Estados Unidos en 2018 y convertirse en el mayor productor mundial de soja, es fundamental monitorear las tendencias de producción de Brasil, no solo para la previsión del mercado, sino también para comprender las consecuencias ambientales de la agricultura a gran escala. Una predicción de rendimiento más detallada y fiable puede fortalecer las evaluaciones de la oferta y la demanda globales, a la vez que mejora el análisis del cambio de uso del suelo, los impactos en la salud del suelo y otros indicadores de sostenibilidad a escala, lo que facilita la toma de decisiones mejor informadas por parte de productores, responsables políticos y actores del mercado. “La capacidad de monitorear y anticipar la producción agrícola a nivel regional y global con alta fidelidad es estratégicamente importante para el análisis de mercado, la previsión comercial y la evaluación de riesgos para los productores de soja estadounidenses”, afirmó Kaiyu Guan, líder del proyecto y autor principal, Profesor Titulado Levenick y Director del Centro de Sostenibilidad de Agroecosistemas en Illinois.
Más allá de la soja, el estudio señala un camino más amplio: llevar la modelización avanzada del rendimiento a regiones donde los datos detallados son limitados. Al adaptar los modelos desarrollados en entornos con abundante información a contextos con escasez de datos, este enfoque podría respaldar la planificación de la seguridad alimentaria, la gestión del riesgo climático y las políticas agrícolas basadas en la evidencia, ampliando el acceso a información agrícola rentable y a escala global.
