Listado

En mayo de 2021 inicié una travesía que fortaleció mi trayectoria académica y que cambió mi forma de pensar en lo que tiene que ver a la aplicación del “Machine Learning en el Agro” y la forma de escalar mis conocimientos en estadística a campos completamente ajenos a mi experticia.

Realicé la pasantía en los Laboratorios Territoriales (LT) del grupo GAMMA y en el Laboratorio Integrado de Nutrición Animal y de Pastos y Forrajes, desarrollando análisis estadísticos para el análisis de suelo de predios productores de cacao de los LT y otros predios de Antioquia, dedicados a la producción de cacao y otros cultivos.

Durante la pasantía realicé un estudio del pH, carbono orgánico y el cadmio del suelo por medio de información obtenida a través de imágenes hiperespectrales y por química húmeda. El pH influye en la disponibilidad, la absorción y la concentración de nutrientes para la planta; el carbono orgánico que influye en la salud y la fertilidad del suelo; y el cadmio que es un metal pesado de relevancia para el consumo de cacao y sus derivados.

Mi aporte como estudiante de Estadística fue la implementación de la metodología de Machine learning (ML) para el análisis de imágenes hiperespectrales, apoyando al grupo GAMMA en la implementación de tecnologías de agricultura de precisión al servicio de los LT, la comunidad en general y al sistema experto de información agropecuaria del centro de desarrollo CEDAIT . Las técnicas de ML se definen como un conjunto de métodos que tienen la capacidad de encontrar automáticamente patrones en los datos, brindándole a los computadores la capacidad de aprender sin ser programadas explícitamente. Estas técnicas son y serán ampliamente utilizadas en diferentes áreas de conocimiento aplicado a la agricultura, por lo que invito a los estudiantes de la FCA a relacionarse con este tipo de conceptos y aplicaciones porque son esenciales en análisis de big-data, IoT, robótica, sistemas de información geográfica, sensoramiento remoto, entre otras aplicaciones emergentes en la agricultura 4.0.

La experiencia de trabajo fue muy retadora, pues me enfrenté por primera vez a una situación de aplicación de la vida real y en donde podía usar los conocimientos obtenidos en estadística en un tema del cual no tenía algún conocimiento. Fue mucho tiempo de lecturas, exploración y contexto del tema. 

Además, fue necesario aprender (al menos de forma muy básica) los conceptos utilizados en las ciencias del agro y tener un entendimiento global de todo el proceso del experimento que iba desde la forma en la que se tomaron las muestras de suelo hasta la forma en la que se tomaban las imágenes en el laboratorio con las cámaras y su posterior procesamiento para el análisis con la ayuda de las metodologías proporcionadas por el ML.

El análisis de muestras de suelo por medio de imágenes hiperespectrales se presenta como una alternativa muy innovadora y novedosa para el análisis espectral, ya que además de ser una metodología más rápida y económica, presenta resultados confiables.

Pertenecer al grupo de investigación fue una experiencia increíble y un honor, te abre un mundo lleno de oportunidades y retos. Esta nota es una invitación a seguir nutriendo el campo de la investigación en el país con una participación activa de los grupos. 

Agradezco mucho la oportunidad que me brindó el grupo GAMMA de pertenecer al CEDAIT, fue una etapa llena de aprendizaje y crecimiento personal, académico y profesional. Mis agradecimientos se extienden a las personas que de forma directa e indirecta me apoyaron en la consolidación del proyecto.
 

Por: Vanessa Galvis Gómez