\n
![](\"https:\/\/13.com.ar\/wp-content\/uploads\/2025\/05\/En-la-fertilizacion-tambien-juega-la-inteligencia-artificial.jpg\")
<\/p>\n
\n<\/p>\n
En el Simposio FERTILIDAD 2025 que se realiza en Rosario, el panel sobre \u201cBig Data e Inteligencia Artificial para mejorar la nutrici\u00f3n\u201d reuni\u00f3 a referentes internacionales en el tema, como el argentino Ignacio Ciampitti, investigador de la Universidad de Purdue, y Esteban Tronfi, de la empresa Ravit. El espacio fue moderado por Mat\u00edas Saks, de FERTILIZAR Asociaci\u00f3n Civil.<\/p>\n<\/div>\n
Ciampitti inici\u00f3 con la premisa de que \u201cla tecnolog\u00eda avanza m\u00e1s r\u00e1pido que la ciencia\u201d<\/strong> y plante\u00f3 que adem\u00e1s de contar con datos hay que integrarlos y darles valor para la toma de decisiones. \u201cLa agricultura digital no es nueva, pero a\u00fan estamos aprendiendo a usarla bien\u201d. En este sentido record\u00f3 que hay herramientas disponibles desde hace d\u00e9cadas -como los monitores de rendimiento- pero reci\u00e9n ahora se usan de forma efectiva \u201cpor el desarrollo de plataformas que permiten procesar y transformar esos datos en prescripciones de manejo\u201d.<\/p>\n<\/div>\n El profesor universitario plante\u00f3 la necesidad de construir modelos predictivos<\/strong> a partir de m\u00faltiples fuentes de informaci\u00f3n. Puso como ejemplo a los modelos probabil\u00edsticos que permiten ajustar la densidad \u00f3ptima de plantas seg\u00fan condiciones clim\u00e1ticas, como a\u00f1os secos o h\u00famedos. Tambi\u00e9n ejemplific\u00f3 con el uso de im\u00e1genes satelitales para monitorear cultivos, predecir rendimiento y estimar estados fenol\u00f3gicos. Apunt\u00f3 que, en ensayos realizados en Estados Unidos y Brasil, el equipo de Purdue logr\u00f3 predecir rendimientos de ma\u00edz y trigo con altos niveles de precisi\u00f3n, utilizando \u00edndices espectrales de sat\u00e9lites como Sentinel. \u201cUna imagen satelital por semana es suficiente para tomar buenas decisiones\u201d.<\/p>\n<\/div>\n Ciampitti comparti\u00f3 avances en colaboraci\u00f3n con NASA, donde a partir de vuelos con sensores hiperespectrales en aviones lograron estimar concentraciones de nitr\u00f3geno en ma\u00edz y construir curvas de diluci\u00f3n de nutrientes<\/strong>. \u201cLo que buscamos es saber, en cada momento, cu\u00e1nta biomasa hay y cu\u00e1nta concentraci\u00f3n de nitr\u00f3geno, para ajustar la nutrici\u00f3n de forma din\u00e1mica\u201d, explic\u00f3.<\/p>\n<\/div>\n En una l\u00ednea m\u00e1s ambiciosa, tambi\u00e9n mostr\u00f3 avances en la predicci\u00f3n de calidad de cultivos. Con un trabajo basado en m\u00e1s de 300 lotes de productores en Estados Unidos, desarrollaron modelos que permiten mapear prote\u00edna y aceite en soja a partir de im\u00e1genes satelitales y algoritmos de inteligencia artificial. \u201cLa idea es construir una secuencia de datos que conecte sat\u00e9lites, cultivos y modelos de machine<\/strong> learning (aprendizaje autom\u00e1tico) para hacer predicciones \u00fatiles y transferibles. La imagen satelital sin interpretaci\u00f3n agron\u00f3mica no sirve\u201d, cerr\u00f3.<\/p>\n<\/div>\n Posteriormente, Tronfi, fundador de la Red Agropecuaria de Vigilancia Tecnol\u00f3gica- Ravit-, se refiri\u00f3 a la experiencia de agronom\u00eda aumentada: \u201clos gemelos digitales\u201d para aprender y decidir mejor la nutrici\u00f3n de sistemas complejos. Estos modelos de toma de decisi\u00f3n implican \u201cempoderar a quien toma las decisiones, dotarlo de m\u00e1s capacidades\u201d. Para ello -dijo- \u201cnecesitamos unir el mundo de las decisiones con el mundo de la realidad\u201d.<\/p>\n<\/div>\n \u201cEntend\u00edamos que en la tecnolog\u00eda que manej\u00e1bamos, los puntos que fundamentaban las decisiones estaban bien, lo que hab\u00eda cambiado era el contexto\u201d. Por eso, dijo que ahora \u201csi queremos aprender de la realidad, tenemos que trabajar en una red de realidades que permitan abordar toda esa complejidad\u201d.<\/p>\n<\/div>\n As\u00ed con el prop\u00f3sito de trasladar esa red de experiencias reales a la toma de decisiones \u201ccon datos anclados\u201d, en la Ravit se propusieron construir \u201c3 convergencias\u201d: de la experiencia a partir de los agricultores; la de la inteligencia colectiva con la integraci\u00f3n t\u00e9cnica y cient\u00edfica; y la tecnol\u00f3gica con IA y Big Data.<\/p>\n<\/div>\n \u201cA partir de estas convergencias desarrollamos modelos regionales con relaci\u00f3n entre el ambiente, las decisiones de manejo y los resultados, conformando 750.000 nodos que llamamos tokens\u201d, detall\u00f3 Tronfi. \u201cQuer\u00edamos llegar al decisor en el lote y dentro del lote en los diversos ambientes, as\u00ed aparecieron los gemelos digitales\u201d, agreg\u00f3.<\/p>\n<\/div>\n De ah\u00ed defini\u00f3 que \u201cun gemelo digital es la representaci\u00f3n del lote, es el intermediario entre los datos del lote y el conocimiento cient\u00edfico para la interpretaci\u00f3n\u201d, similar a una pantalla de simulaci\u00f3n \u201cdonde se pueden plantear diferentes situaciones en base a datos reales, como la oferta h\u00eddrica y establecer variables de rendimiento y alternativas de fertilizaci\u00f3n nitrogenada en funci\u00f3n de los posibles mapeos\u201d.<\/p>\n<\/div>\n \u201cCon esos mapeos se establecen diversas alternativas de manejo con una proyecci\u00f3n muy acertada y con un margen de anticipaci\u00f3n que puede funcionar en los diferentes escenarios\u201d, concluy\u00f3 Tronfi.<\/p>\n<\/div>\n\n\n\n\n\n\n\n\n\n