La empresa riojana Spectral Geo, dedicada a aportar soluciones digitales en el campo de la agricultura de precisión, trabaja desde 2023 en un modelo de producción con el que estimar los rendimientos de los viñedos de Rioja en base a datos históricos y ortofotografías aéreas. Un modelo basado en inteligencia artificial y que a su vez se alimenta de otros muchos submodelos diseñados para cada una de los parámetros importantes que afectan a la productividad de una parcela, más allá del tipo de variedad, la edad del viñedo o información climática.
Y este año, ante el ciclo tan convulso que han sufrido las vides de la denominación, ha habido que diseñar nuevos modelos. La fuerte presión del mildiu, las intensas granizadas y, por supuesto, la escasa fertilidad de las viñas que ha marcado tendencia desde el inicio del ciclo han sido determinantes en el entrenamiento de estos modelos predictivos
– ¿Cómo habéis trabajado ante estas alteraciones?
– Ha sido muy complejo por el hecho de que al final nosotros trabajamos con históricos de datos y en este caso no contábamos con esa información, con unos históricos de producciones tan bajas como las que se dan esta campaña. De hecho, para el mildiu hemos creado un nuevo modelo. Sin embargo, aunque no hubiera históricos, el modelo se ha podido alimentar de otros muchos datos de este año que han sido claves para poder hacer una buena predicción. Además, el modelo este año ya sacaba bastantes kilos menos de forma natural en junio, cuando empezamos a ejecutarlo.
– ¿Cómo se desarrollan estos modelos desde cero?
– Lo primer, y algo que es clave, es tener mucho conocimiento sobre cómo se propaga el mildiu, desde cuándo puede entrar, qué variables afectan más,… Necesitamos datos reales de afección en la viña y, en este caso, el equipo técnico del Consejo Regulador de la DOCa ha hecho un trabajo enorme de toma de información en campo, llegando a recoger más de 9.000 datos. Los técnicos nos trasladaban el nivel de incidencia del mildiu en cada parcela, en cada zona, y eso se registraba en la aplicación para después nosotros poder entrenar el modelo de afección de esta enfermedad y que a su vez sirva como nuevo input para el modelo base de predicción de rendimiento.
– Y en el caso de las granizadas, ¿de qué manera se ejecutan esas mediciones?
– En este caso se trata de algo muy localizado en una zona y en el tiempo. Los técnicos recorren todas las parcelas afectadas y ahí tenemos un antes y un después. Nosotros podemos analizar los datos previos y posteriores y ver los datos de la caída del vigor, que eso se puede hacer a nivel satelital, pero sobre todo ver la afección que ha tenido esa piedra en la uva. A partir de ahí lo que hemos hecho es crear otro modelo enfocado esta vez a la orientación del viñedo, un factor clave en la medición, y que funciona como parámetro de entrada. Primero, hemos conocido la orientación de los viñedos y luego lo hemos enfrentado a la realidad con los datos tomados en campo, viendo que la correlación era altísima. Es que había parcelas que estaban en una misma zona y, sin embargo, tenían afecciones diferentes. Este modelo, que está todavía en una fase inicial, lo hemos entrenado con otros muchos datos más para intentar determinar la incidencia de esas granizadas y los resultados han sido muy buenos.
– Unos modelos predictivos que han servido para determinar los rendimientos por municipios establecidos para esta campaña.
– Sí, pero en realidad las predicciones no se han hecho en base a los municipios, sino que el modelo funciona a nivel de parcela a parcela. No es que hayamos emitido una previsión por municipio, sino que se han hecho análisis cuantitativos para determinar la media de la zona con los datos de todas las parcelas. Se han tenido en cuenta todos esos modelos de afecciones del mildiu y de accidentes meteorológicos, los cuales, después de muchas horas de modelización, se han ejecutado antes y han tenido mucho peso dentro del modelo de rendimientos.
– ¿Cómo ha evolucionado este modelo de predicción de rendimientos en estos dos años?
– Pues sobre todo aumentando el nivel de precisión. Cuando lo presentamos en 2023 lo hicimos con 1.600 variables y obtuvimos un 84 por ciento de precisión. El año pasado ya llegamos al 91 por ciento y este año esperamos que ronde el mismo nivel, pero aún es pronto para determinarlo. Habrá que esperar al menos a que concluyan las vendimias porque aún estamos en un momento muy inicial y quedan muchos datos por depurar. Eso sí, en lo que también hemos crecido y mejorado es en las más de 3.000 variables con las que ya trabajamos a día de hoy.
– ¿Qué retos tenéis a partir de ahora en pro de seguir desarrollando este modelo predictivo de producción?
– Pues uno es de los objetivos es generar un modelo de fertilidad. Al igual que hemos sacado un modelo de marras (faltas en el viñedo), que ha sido muy importante también, este año hemos visto que uno de los principales retos ha sido el problema de la fertilidad. Como en todos estos modelos, la clave más que el tiempo de modelización, que es importante, es el tiempo de histórico de datos con el que contamos. En este sentido, el Consejo Regulador lleva muchos años haciendo mediciones de fertilidad, por lo que esos datos ya están ahí. Ahora solo hay que analizarlos y ponerlos en común para modelizar y crear el algoritmo. Cada año hacemos un ejercicio de avaluación de cuáles han sido las fincas en las que mejor lo hemos hecho o en las que más se han desviado esas predicciones de productividad y dentro de estas últimas estudiamos el motivo. El primer año fueron las marras y esta vez ha sido la fertilidad. Generamos modelos de aquellas variables que nos hacen empeorar los resultados y que a su vez nos van a hacer mejorarlos.
