Sam Eathington habla de sensores en la agricultura – Connected World


Sam Eathington, director científico de Monsanto y The Climate Corp., se unió a Peggy Smedley para hablar sobre cómo haber crecido en una granja lo ayudó a comprender la importancia de los datos y la necesidad de convertirlo en información procesable. Él explica que la información de calidad es esencial y luego necesita saber cómo armarla para aprovechar al máximo cada año.

Para escuchar esta entrevista en The Peggy Smedley Show en su totalidad, inicie sesión en www.peggysmedleyshow.com y seleccione 05/01/18 de los archivos.

Smedley:
Durante mi investigación, encontré información. No solo eres este tipo de datos como el científico en jefe, sino que eres un granjero. ¿Es eso cierto?

Eathington:
Sí, eso es correcto. Crecí en una granja en el centro-oeste de Illinois, a una hora al oeste de Peoria para quienes podrían conocer el área. Granjas y ganadería. Todavía tengo algunos hermanos que trabajan allí hoy. Así que siempre tuve mucha experiencia en agricultura. Y fui a la escuela para aprender sobre mejoramiento de plantas, genética de plantas, y realmente eso es lo que pasé gran parte de mi carrera creando mejores híbridos de maíz y variedades de soja para los agricultores aquí en los Estados Unidos.

Smedley: [19659007] Así que eres un gran fanático de Cat (Caterpillar), porque si creciste en Peoria, conoces muy bien a Caterpillar.

Eathington:
Sí, los conozco bien. Por supuesto, hice todos mis títulos en la Universidad de Illinois en Champagne Urbana, así que también soy un gran fanático de los deportes en Illinois.

Smedley:
Vaya Blackhawks. De acuerdo, volvamos al tema que nos ocupa. Los datos son como el petróleo grande, ¿verdad? Tenemos que hablar sobre toda esta información, y ag es una industria increíble. No podemos vivir sin nuestra comida, ¿verdad? Está creciendo seriamente, creciendo constantemente. ¿Qué tan importante es para una granja tener información precisa sobre lo que está sucediendo con el clima, o simplemente información que no pudo tener antes?

Eathington:
Usted es perfecto, Peggy. Hoy se trata de los datos, y de cómo tomar esos datos y convertirlos en una visión accionable en la que puede seguir adelante y tomar una decisión diferente en su granja. Entonces, si piensas en cultivar, crecer en una granja, tenemos muchas fuentes de datos diferentes. Tendríamos etiquetas de bolsas de alimentación, a veces pegadas a un clavo en el establo. Teníamos notas garabateadas en cuadernos aquí y allá cuando plantamos o rociamos algo. Pruebas de suelo, podría estar atascado en una carpeta de tres anillos. Y uno de los desafíos de eso es que es difícil usar esa información. No está conectado. No se hace referencia espacial. No está allí a través de los años muy fácil. Y ese es el primer paso en este proceso es conectar todos estos datos; junten todo para que los granjeros puedan empezar a verlo y a calcular cosas en su granja.

Uno de los desafíos que se presentan en una granja es que cada campo es diferente. Hay mucha variabilidad en esos campos. Usted observa monitores de rendimiento, 50, 80, 100 bushels cruzando el campo y usted está sentado allí tratando de descubrir, "Bueno, ¿qué debo hacer diferente?" "¿Cómo puedo tomar una mejor decisión para aumentar mi productividad en todo el campo? campo? "Entonces comienza con los datos. Eso es lo que estamos haciendo realmente simple para los productores. Facilite el ensamblaje de todos esos datos.

Smedley:
Pero ahora usted tiene ese acceso de información en tiempo real, y esa es la capacidad de tomar decisiones más rápidas y saber ajustarse. ¿Es eso parte de lo que ayuda? ¿Es que la capacidad de saber algo en una granja es completamente diferente y la capacidad de saber cambios instantáneos que van a suceder, o algo en el entorno está cambiando, y la capacidad de tomar decisiones más rápidas? ¿Correcto?

Eathington:
Eso es correcto. Para que la información esté conectada en tiempo real, así que si lo piensas bien, tengo una cosecha que crece en el campo, y obtengo una nueva imagen, ya sea por satélite o por algún tipo de dron, necesito poder procesar eso y mirar inmediatamente, porque puedo tener una enfermedad o un problema de insecto que me indique que quiero seguir adelante y tomar medidas al respecto. Si piensas en cómo miramos la cosecha, cosechábamos el campo, y por supuesto, enviamos camiones llenos de granos y recibíamos boletos del pesaje desde el elevador, y luego calculamos qué todos los rendimientos fueron Y hoy lo tiene en tiempo real con su monitor de rendimiento, y puede salir del campo y saber exactamente lo que sucedió en ese campo. ¿Hicieron los híbridos un rendimiento diferente, su tratamiento de fertilidad se desempeñó diferente y comprendieron en tiempo real qué debería hacer para la próxima temporada?

Smedley:
Al ver eso, hable con nosotros sobre The Climate Corp., y exactamente lo que están haciendo con FieldView, porque eso está dando cierta información real ahora. Y digo esto todo el tiempo, ahora puedes obtener mucha información sobre lo que está sucediendo; y debes saber mirar la información correcta para poder tomar las decisiones correctas; porque solo estás hablando de información. Si toma una decisión equivocada, puede arruinar todo ese campo, ¿no? Entonces, es importante saber la información correcta. O eso puede conducir a grandes pérdidas, ¿verdad?

Eathington:
Eres perfecto. Tienes que tener información de calidad. Eso es lo que le decimos a la gente todo el tiempo. Si tiene datos erróneos provenientes de sus sensores o información que no lo ayudarán. Y luego necesitas saber cómo ponerlo todo junto. Tener una pieza de información en sí misma, digamos una imagen o un fragmento de datos meteorológicos, es útil, pero es más poderosa cuando se puede ensamblar todo y ponerlo en el contexto correcto, y decir: "Oh, sé lo que está pasando". en esta parte del campo, sé lo que sucedió con mi lluvia en esa área, puedo ver lo que realmente está haciendo para los cultivos. "Así que hacemos que sea fácil reunir toda esa información para un agricultor, eso es lo primero que lo están haciendo para que realmente puedan comenzar a analizar esas diferentes capas de datos, y entiendan lo que está sucediendo en sus campos.

Smedley:
¿Realmente los agricultores aceptan la idea de usar sensores? El Internet de las Cosas en este momento, y entendiendo que está en su equipo … Yo solo estaba hablando en la apertura de su ganado ahora. Está cambiando No es solo en su campo. Está en sus animales. Está en su equipo. ¿Realmente lo entienden o todavía tenemos que presionar a los agricultores para que lo hagan? y todavía no están 100% vendidos con la idea de digitalizar todo?

Eathington:
Sí, los agricultores con los que he tenido el placer de trabajar en gran medida ven el valor de tener estos sensores y datos provenientes de sus campos, ya sea como dijiste, algo montado en una máquina, simplemente recolectando los datos de sus máquinas. Estamos mirando sensores que van al suelo y hacemos todo tipo de mediciones sobre el suelo y el agua, y lo que está sucediendo con la fertilidad. Y eso realmente se relaciona con los productores … cuando se trata de datos que salen de su campo. Ellos pueden relacionarse con eso. Ellos lo entienden. Ellos tienen más credibilidad en eso. Y están muy interesados ​​en lo que les está diciendo que deben hacer.

Y, por supuesto, el desafío aquí es que podemos generar muchos datos, y hay mucha gente creando sensores y conectando cosas. En realidad, está tomando toda esa información y haciendo análisis sobre ella, y convirtiéndola en una idea de que realmente pueden tomar una decisión diferente, ya sea en tiempo real o para el próximo año. Y esa es la pieza que generalmente vemos, donde los productores quieren algo de ayuda. Me dice qué hacer con esto. He visto muchos de estos antes. Siempre hablo de una imagen de un campo. Todos pueden crear una imagen de un campo a través de algún tipo de detección remota. ¿Pero qué hago con eso? ¿Qué significa para mí? ¿Cuáles son estas diferentes áreas del campo? ¿Qué hago? Y esa es la pieza en la que estamos realmente enfocados, es cómo tomarlo todo, armarlo y convertirlo en una visión para el productor.

Smedley:
Ese es un punto importante. Porque cuando hablas de la parte de las imágenes, la capacidad de descubrir valiosos conocimientos, creo que es realmente clave aquí. Cuando estás analizando el rendimiento del cultivo; cuando estás hablando de lo que quieres hacer para esta temporada en comparación con la próxima temporada, ¿cómo identificas los primeros problemas de los que estás hablando? Creo que cuando hablas de una zona de campo, o estás hablando de algo así, ¿cómo ayudas a un granjero a comprender y los posicionas para que entiendan las imágenes para que luego puedan usar la información de la mejor manera posible? cada vez que acceden a la información, ¿toman las mejores decisiones?

Eathington:
Sí, eso es perfecto. Realmente comienza con la investigación que hacemos. Tenemos nuestras propias granjas de investigación en las que estamos haciendo estudios intensivos, de acuerdo, imaginemos este campo. Avancemos y caractericemos todos los aspectos de ese campo. Algunas de nuestras granjas de investigación tienen 200-300 capas de datos diferentes que hemos recopilado en esos campos para realmente entender exactamente lo que está sucediendo.

Y a partir de eso, estamos aprendiendo, y en muchos casos estamos usando máquinas algoritmos de aprendizaje para ayudar a acelerar esto. Estamos descubriendo. Bueno, ¿qué me dice esa imagen? Y, ¿podría poner esa información de la imagen con datos meteorológicos y de suelo, y tal vez algo de información de este tipo de sensor, un poco sobre la genética en su granja y la fertilidad? Ahora, de repente, ese píxel me dice mucho más, y puedo convertirlo en la información que necesita un productor.

Y así, en lugar de enviar muchas imágenes al productor y decir, aquí tienes, tenemos que pasar a una industria que dice: "Oye, hemos escaneado tus campos esta semana. Por ejemplo, en el reverso 80, estamos viendo que este problema se desarrolla en base a toda la información, creemos que es este tipo de problema, es posible que desee ir y explorar eso, o hable con su asesor sobre eso y confirme eso. Y si es así, aquí hay acciones que hemos visto basadas en datos pasados ​​que podrían ser cosas que mejorarían su situación o las decisiones que desea explorar y realizar, ya sea este año o el próximo, en su operación agrícola.

Entonces tenemos que convertirlo en, ¿qué significa? Y estamos trabajando mucho en eso ahora en The Climate Corp., para resolverlo.

Smedley:
De modo que es un poco complicado porque estás usando algoritmos de aprendizaje automático, y supongo que (inteligencia artificial). ¿Pero cómo se combina eso con la imprevisibilidad del clima? Usted habla sobre el medio oeste, tenemos tornados, tenemos tormentas de nieve locas; y clima impredecible. Sé que el mundo entero tiene un clima impredecible. Pero tomemos una región en este momento. Un clima impredecible, en general, hace que sea difícil saber plantar, saber qué tienen que hacer en realidad usando imágenes y las cosas que dices. ¿Hay algunas cosas que dificultan que un agricultor o un cultivador entiendan y puedan usar tecnología de detección año tras año? ¿O son esos algoritmos los que realmente juegan un papel crítico en lo que pueden hacer?

Eathington:
Hablamos mucho de eso. Pensando en un mundo de modelo, donde estoy tratando de predecir algo basado en un modelo. Y donde estoy complementando eso con una medición, algo de un sensor o sensor remoto, o algo en una máquina o en el campo, y uniendo esos dos mundos porque te dan ese contexto de, ¿cómo debería pensar en este nuevo un dato en, por ejemplo, el crecimiento de este cultivo. Y ahí es donde los modelos de aprendizaje automático son extremadamente potentes, porque podemos tomar cantidades masivas de datos históricos, podemos ensamblar todo eso en estos modelos.

Y piénselo de esta manera: es casi a diario, puede ejecutar un nuevo resultado de lo que puede suceder en la granja. Y aquí está toda la información nueva que he acumulado en el último período de tiempo. Tal vez tengo una nueva imagen de satélite, tal vez tengo algunos datos de un sensor, tal vez una máquina corrió por el campo y medí algo cuando la máquina entraba en el campo. Y poder alimentar eso en estos algoritmos y decir: "De acuerdo, en base a estos nuevos datos, ¿cómo está creciendo la cosecha? ¿Qué podría hacer la cosecha la próxima semana? ¿Cómo se puede desarrollar potencialmente un riesgo de plaga o enfermedad, dadas las condiciones climáticas y el estado del cultivo? "

Y eso es lo que estamos tratando de armar, se necesitan muchos datos para hacerlo, y usted está absolutamente correcto, el clima es la gran variable. Cuánta lluvia, cuánta temperatura. Mire el Medio Oeste en este momento. Estamos en aproximadamente el 50% de la siembra normal en Illinois debido a la fresca primavera húmeda. Entonces, ¿cómo necesitas ser capaz de dar cuenta de eso?

Y la forma en que pensamos es que no vamos a predecir el clima, pero podemos reaccionar a toda esa nueva información y actualizar los modelos continuamente , ayuda al productor a entender lo que está pasando y lo que podría hacer.

Luego hacemos un montón de trabajo, especialmente en nuestros programas de fertilidad, donde estudiamos los últimos 30 años de clima y la variabilidad dentro de ese clima, y lo usamos para adelantar el pronóstico, y comenzamos a darles a los agricultores, "he aquí el rango de resultados que pueden esperar". Todavía no estamos en un mundo de probabilidad, pero nos estamos moviendo hacia ese espacio. Pero desea comenzar a darle a los productores una variedad de resultados.

Por ejemplo, "Oye, creo que se está desarrollando una mancha gris en su cultivo aquí en el centro de Illinois. Sabemos que a la velocidad que se desarrolla, y cómo se ve el clima en los próximos siete a 10 días, esto podría ser un problema para usted. Podría llegar a un umbral. Si alcanza ese umbral, aquí podría ser el impacto en el rendimiento. Aquí están sus alternativas si quiere tratar de controlarlo. "

Y para llegar a un mundo en el que comenzamos a poner una probabilidad, es hacia donde nos dirigimos. Entonces nunca será absoluto, eso es agricultura, y ese es el clima. Pero para comenzar a darles a los productores más información, para que puedan tomar decisiones informadas, podemos hacer eso.

Smedley:
¿Ve usted ahora, la experiencia del agricultor, o los que tienen que ayudar a los agricultores tradicionales, ¿está cambiando? ¿Los agricultores tienen que conseguir nuevas personas para ayudarlos a administrar este tipo de tecnología de la que usted está hablando, para poder dirigir una granja tradicional?

Eathington:
Lo que vemos mucho de eso y las habilidades y experiencia que tienen los agricultores, el conocimiento que tienen los agrónomos, esas cosas no desaparecen. Lo que quiere hacer es combinarlo con esta tecnología y combinar lo mejor de ambos mundos. Sabes que lo pienso como, en realidad estaba entrenado como agrónomo, como estudiante universitario. Y realmente me estoy convirtiendo en un agrónomo digital. Uso todos estos nuevos datos e información para ayudarme a tomar la mejor decisión de agronomía que pueda para un campo. Pero todavía tengo que usar mi conocimiento histórico, mi experiencia, mi comprensión de esos campos hoy para realmente tomar la mejor decisión. Así que pensamos que es realmente un híbrido entre los mundos, y va a tomar lo mejor de ambos en este momento para realmente impulsar las ideas que un productor necesita.

Smedley:
Y cuando se mira eso, cuando miras todas las cosas que están sucediendo en este espacio, y las tecnologías emergentes, ¿cómo están ayudando, como describes, un agrónomo a maximizar los rendimientos en este momento? ¿Eso está ayudando a sacar lo mejor de un campo?

Eathington:
Estamos comenzando a ver grandes ejemplos de dónde esta tecnología digital está ayudando a esos agrónomos a tomar decisiones mejor informadas y mejores. Una cosa simple que siempre señalo es pensar en el campo de exploración. Para aquellos que han explorado campos de maíz en julio, generalmente es bastante desagradable. Y es algo difícil de hacer en cualquier tipo de escala. Entras en una cosecha, tal vez es un campo de 100 acres. Probablemente vea un porcentaje muy pequeño de ese campo, incluso con un buen proceso de exploración.

Imagínese ahora que sus sensores, sensores remotos e incluso sensores en ese campo le están devolviendo información sobre lo que está sucediendo en ese campo . Los datos históricos le informan sobre la variabilidad en ese campo. Y ahora puedes usarlo para decir, bueno, creo que este campo está bien. No necesito preocuparme por explorarlo hoy. Pero estos otros dos campos, algo está sucediendo que no se ve bien. Necesito ir a esta área específica del campo y entender lo que está sucediendo allí.

Y hemos visto muchos casos con nuestros agrónomos, obtendrán una lectura temprana de algo, salgan, ve a eso área específica del campo y decir: "Aquí tenemos un problema de enfermedad que probablemente continuará extendiéndose. Tenemos que seguir adelante y tomar una decisión sobre cómo tratar eso ahora. "En lugar de esperar hasta que tal vez lo veas desde la carretera, o tal vez lo veas una semana o 10 días después cuando estás viendo partes del campo.

Así que la capacidad de atrapar cosas mucho más rápido, tiene toda esta información reunida en un solo lugar para que realmente pueda tomar una decisión completamente informada sobre lo que está sucediendo. Y la capacidad de apuntar a qué campos, a qué áreas debería ir realmente. Y esas son solo algunas cosas bastante simples, pero hoy ya están ayudando a los agrónomos y asesores a tomar mejores decisiones.

Smedley:
¿Estamos buscando otras cosas como el nitrógeno y cosas así? ¿Son esas cosas de las que hablamos, o que las estás ayudando en el campo?

Eathington:
Hoy tenemos en nuestra herramienta información sobre la gestión del nitrógeno. Le permite al productor determinar qué es lo que quiere hacer en un campo y ayudarlo a distribuir ese nitrógeno de manera óptima en todo el campo. Pero no nos detendremos allí. Estamos analizando bastante en nuestro programa de investigación sobre cómo usar otros sensores para complementar esa información. Uno de los que estamos realmente entusiasmados es nuestro sensor de nitrato, realmente es el primero de su tipo en la industria en el que podemos usar ese sensor en muchas situaciones diferentes, ya sea una sonda manual, posiblemente una sonda de tierra, posiblemente incluso en líquido, para de hecho, mida en tiempo real lo que está sucediendo.

Imagine un mundo en el que obtiene todos estos datos que me dicen cuál es el nitrógeno óptimo que debería usar en este campo. ¿Cuál es la distribución óptima de ese nitrógeno en el campo? Estoy midiendo en tiempo real lo que el clima está haciendo con el nitrógeno que está ahí afuera, tanto creando más como, en algunos casos, haciendo que pierda algo de ese nitrógeno. Y construyendo todo eso sobre cómo está creciendo la cosecha, y luego tener un sensor que te da una medida real de, aquí es donde está tu nitrógeno, aquí está el estado de la cosecha, donde está en el suelo. Y todo eso volviendo a estar juntos, y tú lo ves digitalmente y tomas decisiones, va a hacer que la agricultura …

La agricultura siempre ha sido una gran cosa al crecer en ella. Pero es genial cuando comienzas a pensar en cómo todos estos datos se van a unir y te permiten tomar muchas decisiones en tiempo real. Y eso realmente impacta sus operaciones agrícolas, y la sostenibilidad de la agricultura en el futuro.

Smedley:
Así que ahora hay una verdadera confluencia de información que estamos viendo en la industria agrícola en este momento. Y el IoT realmente lo está cambiando. Entonces, ¿qué estás viendo ahora para tus clientes? ¿Es un ahorro de costos, es eficiencia, les está dando más tiempo con su familia, es un poco de todo? ¿Qué estás viendo en este momento, mirando esto?

Eathington:
Creo que es un poco de todo ahora, cuando pensamos en IoT impactando a ag hoy. Algunos ejemplos: hemos conectado la cabina con nuestro sistema de accionamiento FieldView, lo que hace que sea muy simple para un productor ensamblar esta información. Entonces eso es una jugada de eficiencia. Les permite reunir datos que antes no podían. Así que están aprendiendo sobre sus operaciones agrícolas sobre las que tal vez tenían algunas ideas, pero ahora tienen datos reales que les dejan en claro.

Estamos viendo cosas con sensores remotos, como ya mencioné, para permitirles siga adelante y priorice los campos que debe examinar para explorar. En realidad, priorice dónde en ese campo podría hacer su exploración, o quizás tomar una muestra de suelo, o tal vez tomar una muestra de tejido de la hoja para enviarlo a comprender qué está sucediendo.

Y luego diría que estamos apenas al principio de obtener muchos sensores en nuestras máquinas. Si lo piensas, solo en los EE. UU., Las máquinas recorren todos estos acres de nuestros cultivos muchas veces. Y hoy, una sembradora es una plantación realmente óptima, pero no hay ninguna razón por la cual no pueda estar haciendo tres, cuatro o cinco cosas más, ya que existe en ese campo sembrando una cosecha de maíz.

Y estamos realmente enfocados en ¿Cuáles son esas cosas que serían significativas? Por ejemplo, obtener una medición espacial de cómo se ve la materia orgánica en un campo de repente le da una visión totalmente diferente de su campo. Y una forma totalmente diferente de administrar su fertilidad, posiblemente incluso su densidad de plantas. Entonces, ¿cómo avanzas y dejas que las máquinas que ya están trabajando comiencen a recolectar y alimentar esos datos nuevamente en los sistemas?

Entonces, en ese caso, serán los datos nuevos los que te darán más información. He visto todo tipo de cosas con las herramientas manuales digitales. Las personas que están en el juego de baloncesto de sus hijos controlan lo que hacen sus campos, acceden de forma remota al funcionamiento de un plantador, ven cómo sus datos meteorológicos afectan sus cultivos, eficiencias en sus programas de operaciones y toma de decisiones. Así que estamos viendo un amplio rango de cómo está afectando las operaciones agrícolas.



Source link