¿Es factible emplear los registros de DAT CREA para diseñar una herramienta que permita estimar los rendimientos finales del maíz mientras se está desarrollando el cultivo?
30 de septiembre de 2024 en Buenos Aires
Para continuar, suscribite a Crea. Si ya sos un usuario suscripto, iniciá sesión.
SUSCRIBITE Para continuar, suscribite a Crea. Si ya sos un usuario suscripto, iniciá sesión.
SUSCRIBITE¿Es factible emplear los registros de DAT CREA para diseñar una herramienta que permita estimar los rendimientos finales del maíz mientras se está desarrollando el cultivo?
Ese desafío forma parte de la tesis de grado de Martín Menéndez Coccoz, la cual, en forma sintética, fue presentada por Martín Oesterheld, investigador de la Facultad de Agronomía de la UBA y del CONICET, en el ámbito de una reunión de la Mesa de Planes Nacionales de CREA.
La tesis empleó registros de DAT CREA de 1853 lotes de los años 2017 a 2021 ubicados tanto en la zona central como norte del país. Los datos seleccionados fueron lote, rendimiento y fecha de siembra de maíz, al tiempo que los mismos fueron contrastados con datos satelitales de radiación fotosintética activa incidente (PARinc) y fracción absorbida de la radiación fotosintéticamente activa (fAPAR) aportados por el Laboratorio de Análisis Regional y Teledetección (LART).
El trabajo permitió detectar una correlación del 59% entre el rendimiento de maíz observado en el estadio de R6 y fAPAR, lo que habilitó la generación de un modelo predictivo con un margen de error promedio de 1,27 toneladas por hectárea.
“Sin embargo, cuando se aplicó el modelo por región, las correlaciones mejoraron y el margen de error promedio de todas las situaciones descendió a 1,0 tonelada por hectárea”, explicó Oesterheld.
Cuando se agregó una variable más –la fecha de siembra– y se seleccionó el cultivo en maíz temprano y tardío, el margen de error se redujo a apenas 0,30 tonelada/ha para el caso de maíz temprano evaluado en el mes de febrero y a 0,33 tonelada/ha para el tardío observado en el mes de mayo.
El trabajo, en el cual colaboraron Gustavo Martini (líder del Área de Agricultura de CREA) y María Paolini (líder de DAT CREA), muestra que es factible diseñar un modelo predictivo en base a grandes bases de datos cuando los registros son adecuadamente seleccionados y contrastados con variables de referencia apropiadas.
“Es importarte recordar siempre que correlación no implica necesariamente causalidad. La correlación nos indica la presencia de patrones, pero inferir causalidad a partir de los mismos puede ser arriesgado”, remarcó Oesterheld.
El típico ejemplo al respecto son las correlaciones que asocian la expectativa de vida de un grupo de personas con el hecho de consumir frecuentemente un determinado alimento o bebida, algo que , si bien representa un patrón, no necesariamente implica causalidad por la enorme cantidad de variables que intervienen en la expectativa de vida humana.
En ese sentido, Oesterheld propuso –tal como se hizo en el caso de la tesis de grado de Menéndez Coccoz– “educar” a los grandes registros de datos, de manera tal de emplearlos no de manera general y azarosa (“caja negra”), sino con criterios específicos propios de la disciplina correspondiente a los datos en cuestión.