AgroVision

AgroVision es un proyecto autónomo que desarrollé usando inteligencia artificial para aportar un granito de arena en la lucha contra la desinformación en el sector agrícola nicaragüense. Está pensado para productores de pequeña y mediana escala, y la idea es simple: hacer que el conocimiento sobre la siembra sea más accesible usando datos reales, modelos predictivos y una interfaz conversacional.

Por debajo, un modelo de Deep Learning analiza casi una década y media de datos climáticos satelitales y aprende sus patrones para proyectar cómo se comportará el clima en los próximos años, municipio por municipio. Con eso, un motor de simulación agrícola sigue tu cultivo elegido día por día. Revisa si el clima de cada fase favorece o perjudica el desarrollo de la planta, y evalúa automáticamente si conviene mitigar cada problema con un insumo o una herramienta, comparando siempre el costo de la solución contra la pérdida que evitaría.

Toda esta información, que por sí sola sería un montón de números difíciles de interpretar, te la explica Ari, la asistente conversacional del proyecto. Le contás en tus propias palabras qué querés simular, tu cultivo, tu parcela, tu ciclo de siembra, y ella interpreta tu pregunta, ejecuta la simulación correspondiente y te entrega los resultados en un lenguaje simple y directo, con recomendaciones concretas para tu próxima siembra.

Es un sistema general, no un estudio de suelo personalizado. Tiene sus límites, y los asumimos con honestidad. Pero para identificar patrones regionales, que es lo que realmente define si un cultivo prospera o fracasa, creemos que es una herramienta que vale la pena tener a la mano.

Los datos climáticos provienen de NASA POWER, en cuadrículas de 50 km × 50 km que cubren todo el territorio de Nicaragua, con información diaria recolectada desde 2010. Es una resolución moderada, no capta el microclima exacto de tu parcela, pero es suficiente para identificar los patrones regionales que de verdad definen si un cultivo prospera o fracasa.

Con esos datos entrenamos un modelo de Deep Learning que aprende el comportamiento de trece variables climáticas clave (lluvia, temperatura, viento, humedad del suelo, radiación solar, entre otras) y proyecta cómo se comportará el clima en cada municipio hasta el año 2030. El modelo mira hasta 9 años hacia atrás para capturar indirectamente los efectos de ciclos climáticos más amplios, como El Niño y La Niña, aunque no tengamos datos explícitos de esos fenómenos.

Por ahora no trabajamos predicciones de eventos climáticos extremos, como huracanes o tormentas tropicales. Es un tipo de predicción altamente especializada que ya cubren los climatólogos con recursos dedicados y semanas de antelación sobre una zona específica, y preferimos ser honestos sobre dónde está el límite actual de nuestro modelo en vez de prometer algo que no podemos cumplir bien. Es una puerta que nos gustaría explorar más adelante, pero no es la prioridad ahora.

Lo que sí hacemos es proyectar la tendencia general del clima. Cuándo es probable que llueva, con qué intensidad, y cuándo no. Mientras más años proyecta el modelo hacia adelante, más se apoya en sus propios datos generados, así que la precisión se reduce con el tiempo. Por eso limitamos las proyecciones hasta el año 2030.

Con ese clima futuro ya proyectado, el motor de simulación agrícola hace el resto. Cruza esas condiciones con la biología de cada cultivo, fase por fase, y le da a Arila información que necesita para explicarte, en palabras simples, qué esperar de tu próxima siembra.