Javier di Deco (Piperlab): "La IA aplicada a la recolección permitirá a cualquier agricultor maximizar la producción de aceite"

Javier di Deco es licenciado en Matemáticas, ingeniero en Informática y Máster en Ingeniería Informática y de Telecomunicaciones. Con más de 12 años de experiencia en el mundo del Data Science y Big Data, es docio co-fundador de PiperLab desde enero de 2015.

En colaboración con las empresas Iteriam, Komorebi y Sensowave, desarrolla junto al Centro Tecnológico del Olivar y del Aceite (Citoliva), el primer modelo predictivo basado en Inteligencia Artificial que permitirá a los agricultores y almazaras calcular de forma automática el momento óptimo de la recolección de la aceituna. Hablamos con él de este innovador proyecto en nuestra sección 'En nombre propio'.

1.- ¿Qué importancia tiene el momento de recolección de la aceituna para motivar el desarrollo de una AI (Inteligencia Artificial, por sus siglas en inglés) que lo calcule de manera automática?

La identificación automática y objetiva del momento óptimo de recolección del olivar va a permitir a cualquier agricultor maximizar la producción de aceite de oliva de la calidad más alta, virgen y virgen extra.

El momento óptimo de recolección de la aceituna no solo es un parámetro crítico para obtener aceites de calidad reglamentada (virgen y virgen extra), sino que además afecta también al manejo agronómico del olivar, ya que si se retrasa en exceso va a inducir vecería (producir un año un gran número de frutos y al año siguiente apenas producir cosecha).

Investigaciones ya clásicas (Di Giovachino, 1991) han cuantificado en al menos un 50% la influencia que posee el momento adecuado de la maduración en la calidad final los AOVEs. Actualmente se asume de manera unánime que para obtener un AOVE de altísima calidad es imprescindible que los frutos estén en un momento de maduración óptimo, siendo por ello imprescindible seleccionar el momento idóneo para la recolección de los frutos.

Los agricultores que dispongan de herramientas que calculen ese momento estarán en mejores condiciones para conseguir el producto final deseado: un aceite de oliva que se diferencie por sus características organolépticas y su composición físico-química, haciéndolo altamente nutricional y saludable.

2.- ¿Cómo se ha venido determinando tradicionalmente el mes de inicio de la recolección?

En nuestras latitudes mediterráneas la formación de aceite en la aceituna comienza desde la formación del fruto, pero es desde el endurecimiento del hueso hasta algún momento del mes de noviembre aproximadamente, cuando ocurre la síntesis acelerada de ácidos grasos. A partir de ese máximo el proceso se ralentiza y la aceituna comienza a perder humedad y a cambiar las características organolépticas y de composición de su aceite (acidez, color, picor, etc.). Es aquí cuando se estabiliza el crecimiento de grasa en la aceituna, y cuando se recomienda empezar a recoger la cosecha.

Para poder establecer dicho momento óptimo, en la bibliografía científica se pueden encontrar numerosas propuestas, algunas de ellas apoyadas en indicadores más o menos específicos del grado de maduración de la aceituna, basándose la mayoría de ellos en procesos bioquímicos y cambios fisiológicos de la aceituna.

El método más empleado y mundialmente admitido es el “Índice de Madurez”, desarrollado hace ya casi 50 años (Uceda y Frías, 1975), en el que se emplea la evaluación visual de la variación del color externo e interno del fruto para establecer un valor, el Índice de Madurez o IM, que se incrementa a medida que el fruto va cambiando la pigmentación de su epicarpio y mesocarpio.

Así, tradicionalmente, la identificación del momento óptimo de cosecha en el olivar se realiza calculando manualmente este IM de los frutos. Para ello, se efectúa un muestreo cogiendo frutos al azar a lo largo de la parcela, alcanzando una cantidad que sea lo suficientemente representativa.

Una vez reunidos los frutos recolectados, se mezclan y se seleccionan al azar 100 de ellos, los cuales, se van a agrupar atendiendo una escala de siete puntos que va desde “Piel verde intenso” hasta “Piel negra y pulpa morada totalmente hasta el hueso”.

Este método se puede combinar con el análisis del rendimiento graso, que normalmente es invasivo, aunque cada vez más se está implementando su análisis con tecnologías no invasivas y más rápidas como el infrarrojo cercano (NIR), pero suelen tratarse de equipos “off line”.

3.- ¿En qué consiste esta AI? ¿Qué parámetros relaciona este modelo predictivo?

El componente AI de la solución BeHTool está basado en técnicas de analítica avanzada (Data Science, Machine Learning) y se ha construido una Librería de Algoritmos Estadísticos (LAE) para el proyecto, que permite caracterizar en profundidad el cultivo, haciendo posible:

-Proponer modelos predictivos que sean capaces de predecir los comportamientos de ciertas magnitudes seleccionadas

-Preparar los datos necesarios para el modelo

-Alimentar y entrenar al modelo

-Validar los resultados del mismo

Los modelos de la LAE se focalizan lógicamente en el estudio de la maduración, una variable dependiente del tipo de variedad de aceituna, así como de factores climáticos y de manejo agronómico, y que a su vez integra diferentes fenómenos relacionados que dan lugar a una serie de cambios en los siguientes parámetros de la aceituna:

• Rendimiento graso:

La síntesis de ácidos grasos o lipogénesis en las células de la pulpa de la aceituna (mesocarpo) determina el rendimiento graso de la misma. La acumulación de lípidos se inicia durante la fase de detención del crecimiento del fruto y concluye al comienzo de la maduración, es decir, la lipogénesis tiene lugar desde el final del endurecimiento del hueso hasta el envero (periodo que transcurre desde la aparición de las manchas violáceas en la piel de la aceituna hasta que todo el fruto se colorea definitivamente).

El estrés hídrico es un factor clave para esta variable ya que durante la biosíntesis lipídica provoca, junto con una anormalmente baja relación pulpa/hueso, una reducción de la capacidad de formación de aceite y por tanto, de su contenido graso.

Obviamente también el nivel nutricional del olivo es determinante para favorecer la síntesis de ácidos grasos, siendo los elementos más necesarios el potasio (interviene en el mecanismo de cierre y apertura de los estomas pero durante la fase de síntesis de ácidos grasos el fruto es el mayor sumidero de potasio y sus niveles deben ser adecuados para mejorar el rendimiento graso del fruto y el aumento de tamaño del mismo) y el fósforo (relacionado con la formación de tejido radicular y con la floración, pero su papel fisiológico principal consiste en la fosforilación de las sustancias orgánicas, reacción necesaria en muchas rutas metabólicas como la formación de lípidos).

• Cantidad de agua de la aceituna;

El agua es el otro componente mayoritario del fruto junto con el aceite y disminuye durante el proceso de maduración, mostrando grandes variaciones con las condiciones climáticas a partir de mediados de noviembre, con régimen de lluvias y heladas.

• Contenido en azucares y en otros compuestos orgánicos:

Glucosa, fructosa y pequeñas cantidades de sacarosa del fruto disminuyen conforme aumenta la lipogénesis, a la vez que se produce una acumulación de compuestos aromáticos (alcoholes de alta graduación y terpenos).

• Compacidad:

Coincidiendo con el inicio de la lipogénesis comienza al ablandamiento de la pulpa, a causa de una disminución en las protopectinas, que se hace más patente al concluir la maduración verde. En aceitunas para aceite, que permanecen más tiempo en el árbol, las variedades propensas al ablandamiento son sensibles a los daños que se producen en la recolección y en el transporte, pudiendo ser causa de una importante pérdida de la calidad.

• Color del epicarpio y del mesocarpio:

El inicio de la maduración se refiere al momento en que comienza a disminuir la clorofila en el fruto, inmediatamente antes de la acumulación de antocianina. La variación o presencia de estos pigmentos influyen en la coloración de la aceituna, que adquiere un tono verde dorado. La antocianina es responsable del color púrpura y azul y comienza a sintetizarse en el epicarpio por ambos extremos, para extenderse a su totalidad y, más adelante, al mesocarpio.

Obviamente los modelos de la LAE no van a trabajar con datos de estas variables obtenidos en laboratorio, sino que se apoyan en estimadores de los mismos generados a partir de una combinación exhaustiva de múltiples fuentes de datos, entre las que se incluyen:

-Datos procedentes de sensores de suelo, clima y planta integrados en redes IoT instaladas en explotaciones

-Datos de Teledetección procedentes de distintas constelaciones de satélites, pero fundamentalmente de Copernicus

-Datos de redes regionales y nacionales de información fenológica y fitosanitaria

-Datos de producción procedentes de almazaras y cooperativas

4.- ¿Han consultado otras investigaciones relacionadas, dirigidas a resolver problemas similares? ¿Cuáles?

En efecto, el proyecto se inicia revisando y analizando otras investigaciones relacionadas, desarrollando para ello en primer lugar una SLR (Scientific Literature Review) referida a soluciones basadas en AI para predicción de cosecha en general (Crop Yield Prediction) y en particular para la identificación del momento óptimo de la misma (Best Harvesting Time).

En paralelo, miembros del equipo de trabajo analizan las diferentes fuentes de datos disponibles en la actualidad y su adecuación a los criterios y exigencias identificados a partir de la SLR anterior, evaluando las necesidades futuras.

Se estudian también de manera más específica investigaciones centradas en la aplicación de AI en los siguientes subdominios:

• Caracterización de los contextos de cultivo

Mediante técnicas de analítica descriptiva, así como entrenamiento de modelos y análisis de las variables más relevantes que influyen en la predicción de producción o momento de cultivo de cada caso.

• Identificación y modelización de la evolución temporal de las principales variables físicas y bióticas del olivar.

Técnicas específicas de análisis de series temporales, ya sea para predicción (de variables cuantitativas) o para clasificación de series temporales.

5.- ¿Qué ventajas tiene este modelo predictivo frente a la identificación manual del momento idóneo de recolección de la aceituna?

Como se ha indicado anteriormente, la identificación del momento óptimo se ha realizado tradicionalmente calculando manualmente el índice de madurez de los frutos y rendimiento graso, realizando un muestreo aleatorio de éstos a lo largo de la parcela e intentando que sea representativo.

Desafortunadamente este proceso de identificación manual implica diversas desventajas, entre ellas:

• Varios desplazamientos a las fincas para el muestreo “in situ”, en diferentes días, para ir viendo la evolución del fruto de cara a su maduración y/o rendimiento graso.
• Un elevado consumo de tiempo para realizar el cálculo del índice de madurez/análisis del rendimiento graso, teniendo en cuenta que debe realizarse para un elevado número de fincas y, además, en distintos días, lo que incrementa la cantidad de muestras y de cálculos.
• Imprecisión a la hora de realizar el cálculo/análisis cuando no se realiza un adecuado muestreo o la finca presenta una alta heterogeneidad. Por otro lado, no es sencillo diferenciar entre colores muy parecidos como el verde pálido y el verde amarillento, o entre el morado oscuro y el negro. Para el caso de las aceitunas procedentes de la variedad Arbequina, se dan circunstancias vinculadas en muchos casos a los marcos de plantación intensivos y superintensivos en las que el fruto no desarrolla la pigmentación característica de la maduración.
• Incertidumbre a la hora de planificar la recolección (el proceso más costoso y largo, con diferencia, de todos los que se realizan en el olivar) puesto que desde que se obtiene un índice de madurez/rendimiento graso óptimo se debe empezar a recolectar inmediatamente, y como se trata de un dato que no puede anticiparse, el productor se mantiene “a la espera” hasta que el fruto está listo para cosecharlo.

La solución TIC propuesta por el proyecto BeHTool plantea la superación de las anteriores desventajas, obteniendo una herramienta que garantice un proceso objetivo y automatizado del cálculo del momento óptimo, y que aporta al productor de aceite de oliva las siguientes ventajas:

• Minimización de desplazamientos a la finca para monitoreo del momento óptimo de recolección
• Reducción del tiempo empleado en el análisis de información por parte de técnicos y/o productores de aceite
• Precisión y objetividad a la hora de identificar el momento óptimo de recolección, teniendo en cuenta, además, variables que con los métodos tradicionales manuales no se pueden contemplar
• Mayor certidumbre y capacidad de planificación de la recolección de la cosecha, con la consiguiente optimización del proceso a nivel operativo, técnico y económico

6.- ¿Es cierto que con la aplicación de este novedoso sistema se minimizan los daños que podría sufrir el olivo en la recolección?

En efecto, soluciones de la naturaleza de BeHTool permiten minimizar los posibles daños que podría sufrir el olivo en la recolección (descortezados, caída de ramón, heridas, roturas, etc.) y que serán más probables cuanto más se adelante la cosecha ya que, entre otras variables, la resistencia al desprendimiento del fruto es más elevada al inicio.

7.- ¿Es esta nueva tecnología una posible solución a la vecería del olivo por recolección tardía?

Al seleccionar con exactitud el momento de recolección, estas soluciones hacen posible minimizar el posible perjuicio a la cosecha del año siguiente, ya que una recolección muy tardía puede inducir vecería.

8.- ¿Qué otras ventajas puede obtener el agricultor del uso de esta AI?

Es posible también minimizar el coste de recolección, evitando entre otros aspectos la operación en condiciones adversas con barro o con lluvia y optimizando en general la gestión de la recolección.

9.- ¿En qué manera puede esta AI mejorar la competitividad de la industria española del aceite?

Una de las estrategias básicas del sector agroalimentario en España es avanzar en su transformación digital, pilar clave para la mejora de los rendimientos y la sostenibilidad de los cultivos, especialmente en aquellos sectores estratégicos donde se parte de una posición de liderazgo europeo y/o mundial, como es el sector del olivar y el aceite.

España es, en efecto, el primer productor mundial de aceite de oliva con una cuota de mercado que representa aproximadamente la mitad de la producción mundial. El olivar en España ocupa una superficie de más de 2.500.000 Has, equivalente al 22.2 % de la superficie mundial dedicada a este cultivo, con más de 300 millones de olivos que se extienden, de forma desigual, por prácticamente toda la geografía española (MAPAMA, 2021). Andalucía, con una superficie de algo más de 1.600.000 Has, concentra casi el 63% del cultivo del olivo español (ESYRCE, 2021).

No obstante esta situación de liderazgo mundial, el sector del olivar español está caracterizado por la escasa rentabilidad de la producción agrícola y el alto (y creciente) costo de los insumos, por lo que resulta indispensable luchar por la diferenciación en la calidad y en los atributos positivos más valorados por el consumidor.

Para ello es preciso buscar alternativas tecnológicas que permitan conocer mejor el producto a conseguir y alcanzar los atributos deseados, todo ello con vistas a mejorar la posterior comercialización y el valor añadido del aceite de oliva finalmente elaborado.

EN NOMBRE PROPIO

• Un lugar de vacaciones: Asturias
• Una comida: la pasta
• Género de cine: thriller
• Actividad para desconectar: jugar al baloncesto
• Un sueño para el sector: una inteligencia artificial alineada con los intereses humanos
• Una fiesta en el año: la Navidad
• Un valor: la honestidad