En esta ocasión, el análisis del equipo de Data Science mostrará de qué manera estimamos los rendimientos en el campo y qué tan acertadas están esas estimaciones frente al rendimiento final del cultivo. Por ello, presentamos el análisis de las estimaciones realizadas en los cultivos de Maíz, Trigo y Soja.
Para estudiar las estimaciones y ver cuánto se aproximan a la realidad, usamos gráficos de dispersión. Estos gráficos, son una herramienta que nos ayuda a identificar la relación entre dos variables. En el presente trabajo nuestras variables son, la estimación de rendimiento en los distintos momentos fenológicos del cultivo y el rendimiento final cosechado.
En los gráficos se observa una línea diagonal que nos muestra cómo deberían de estar ubicados los puntos, si coincidiera el rendimiento estimado y el rendimiento final obtenido.
Estimación de rendimiento vs rendimiento final
En las gráficas lo que se muestra son las estimaciones de rendimiento que se realizaron en cada etapa fonológica del cultivo y el rendimiento final que se observó. Esta correlación nos ha permitido ver algunas tendencias que vamos analizar con más detalle.
Trigo
Maíz
Soja
En términos generales, lo que podemos ver es que frente a rindes altos, las estimaciones son altas, de la misma manera que las estimaciones bajas coinciden con rendimientos generales bajos.
Soja
Considerando las estimaciones en todas las etapas del cultivo, la correlación de los datos de estimación de rendimiento y rendimiento final del cultivo es 0,77, lo cual se podría considerar una correlación alta. Además, las variables se ajustan mejor o peor en función de los momentos fonológicos en los que se tomaron las muestras o las estimaciones.
Estimaciones en función del momento
Para tener en cuenta: el punto blanco muestra la mediana de las estimaciones, mientras que las “cajas” muestran donde se encuentra el 90% de los valores estimados. En esta gráfica podemos ver como con el correr del tiempo y cuanto más nos acercamos al final del ciclo, las estimaciones se van aproximando más al rendimiento final.
Vale aclarar que que el tamaño de las «cajas» muestra la variabilidad de los rendimientos esperado, al estar trabajando sobre rendimientos de todo Argentina, los valores pueden hacer que las cajas sean mas o menos grandes.
Si tomamos como referencia el rendimiento final del cultivo para cada año (lineas punteadas), vemos que cuanto más nos acercamos al final del ciclo, las estimaciones se acercan más al resultado final.
También se puede apreciar una tendencia a subestimar los rendimientos. Esto lo podemos ver en el siguiente gráfico donde vemos que proporción de los monitoreos se sobre estimaron y cuanto los sub estimaron, mientras en el segundo gráfico se muestra en que proporción se sub estimaron esos rendimientos, si fue por menos del 10%, entre un 10 y un 30% o mas de un 30%.
Maíz
En esta gráfica de distribución de rendimientos, podemos detectar 2 momentos donde se hacen los mayores ajustes de estimaciones.
El primer ajuste se realiza entre la emergencia y la implantación del cultivo, dando a entender que una buena implantación del cultivo es muy importante en las expectativas de los rendimientos.
El segundo momento donde se genera un segundo ajuste, es al final del cultivo, al igual que se observaba en soja.
Lo que se pudo detectar en Maíz, es que las subestimaciones que exceden el 30% en momentos finales del cultivo son muy pocas, menos del 10%.
Trigo
También en este cultivo, observamos que hay un comportamiento “lógico” a la hora de tener más precisión de las estimaciones, cuanto más cerca estamos de la cosecha menos error respecto al rendimiento final.
A diferencia de lo que se observa en el Maíz, para trigo las estimaciones se van adaptando durante todo el transcurso del cultivo y no en momentos particulares.
Lo que pareciera ser una constante es que, independientemente de los cultivos, hay una tendencia a subestimar los rendimientos.
La estimación de rendimientos es una actividad muy importante dentro del ciclo del cultivo, una certera estimación de los rendimientos nos permite tener una mejor organización logística en la cosecha o una mejor planificación comercial de nuestros cultivos.
Teniendo en cuenta esta importancia en SIMA está desarrollando una nueva actividad dentro de la app que apunta a mejorar estas estimaciones. Además, se encuentra trabajando en conjunto con la NASA y la Universidad de Maryland en un proyecto de predicción de rendimiento con Inteligencia Artificial e información satelital.
Desde Cultiva celebramos estas iniciativas porque estamos convencidos que estos son los pasos que ayudan a los usuarios a tener una agricultura más inteligente y más precisa.
