Google acaba de presentar WeatherNext 3, una nueva generación de modelos meteorológicos basados en inteligencia artificial.
WeatherNext 3 incorpora observaciones de satélites meteorológicos prácticamente en tiempo real, puede generar nuevas predicciones cada hora y trabaja con múltiples escenarios posibles de evolución de la atmósfera. Sus principales corridas alcanzan hasta 15 días de pronóstico. (Google DeepMind)
Esto abre nuevas posibilidades para la agricultura digital.
La diferencia no está solamente en pronosticar mejor el clima, sino en convertir ese pronóstico en una señal agronómica útil.
¿Qué tiene de diferente?
Los sistemas meteorológicos tradicionales utilizan complejos modelos físicos para representar la evolución de la atmósfera.
WeatherNext 3 utiliza inteligencia artificial y agrega una característica especialmente interesante: incorpora directamente información reciente proveniente de satélites meteorológicos geoestacionarios.
Eso permite actualizar el estado inicial del modelo con mucha mayor frecuencia y producir nuevas predicciones cada hora.
1. Anticipar una helada
Una estación meteorológica puede decirnos con enorme precisión qué temperatura está registrando un predio.
Pero una vez que la helada ocurrió, esa información ya describe un evento pasado.
El valor del pronóstico está en anticiparlo.
WeatherNext 3 permite analizar diferentes escenarios de temperatura para las próximas horas y actualizar esas estimaciones a medida que aparecen nuevas observaciones atmosféricas.
En lugar de informar:
“Anoche la temperatura llegó a -1,2 °C.”
podemos avanzar hacia alertas como:
“Existe riesgo de temperaturas inferiores a -1 °C entre las 4 y las 6 de mañana.”
La diferencia parece pequeña.
Agronómicamente es enorme:
una información describe lo ocurrido; la otra permite actuar.
2. DPV, demanda atmosférica y riego
WeatherNext 3 incorpora variables especialmente relevantes para agricultura:
temperatura;
punto de rocío;
precipitación;
viento;
nubosidad;
radiación solar global;
radiación solar directa.
A partir de temperatura y punto de rocío podemos calcular el déficit de presión de vapor (DPV).
El DPV indica cuánta demanda ejerce la atmósfera sobre la planta. Cuando aumenta, aumenta también el potencial de pérdida de agua por transpiración y, bajo determinadas condiciones, la planta puede comenzar a limitar su apertura estomática.
Podríamos pasar de decir:
“Mañana tendremos 32 °C.”
a interpretar:
“Durante las próximas tres tardes se esperan períodos de DPV elevado y alta demanda atmosférica.”
Si además incorporamos radiación y viento, podemos avanzar hacia estimaciones de evapotranspiración y demanda hídrica prevista.
La cadena pasa entonces a ser:
Temperatura + punto de rocío + viento + radiación
→ DPV + evapotranspiración
→ demanda atmosférica prevista
Pero todavía falta una pieza importante: la respuesta de la planta.
Supongamos que el pronóstico anticipa tres días consecutivos de alta demanda atmosférica.
Podríamos identificar cuáles son los sectores que vienen mostrando menor uniformidad de riego.
Después del evento, las imágenes satelitales permitirían comprobar si esos sectores respondieron de manera distinta al resto del campo.
El proceso sería:
Ahí el pronóstico meteorológico deja de funcionar de manera aislada.
3. Anticipar condiciones durante floración y cuaja
Algo similar ocurre durante etapas fenológicas críticas.
Temperatura mínima y máxima, humedad, viento y otras variables meteorológicas pueden influir las condiciones en que se desarrollan procesos como floración y cuaja.
Si sabemos además en qué etapa se encuentra el cultivo, el pronóstico meteorológico adquiere contexto agronómico.
Podemos pasar de informar:
“Durante esta semana hubo tres días con condiciones favorables.”
a anticipar:
“Los próximos cuatro días presentan condiciones térmicas potencialmente favorables durante plena floración.”
O alertar:
“Se aproxima una ventana de bajas temperaturas durante una etapa crítica de floración.”
La meteorología deja entonces de ser simplemente una capa de información.
Se interpreta según lo que está ocurriendo en la planta.
De monitorear a anticipar
Gran parte del monitoreo agrícola actual funciona de manera reactiva:
medimos → detectamos un problema → investigamos qué ocurrió.
La combinación de modelos meteorológicos de inteligencia artificial, imágenes satelitales, fenología, información de riego y datos de terreno permite avanzar hacia otra lógica:
anticipamos → observamos → verificamos → alertamos.
Éste podría ser uno de los cambios importantes de los próximos años en agricultura digital.
WeatherNext 3 no sabe cuánto se regó un sector.
No sabe qué variedad está plantada.
No sabe si el cultivo está en plena floración.
Y tampoco sabe qué sectores del campo llevan semanas mostrando un comportamiento diferente.
Pero un sistema agrícola que integre esa información sí puede saberlo.
El próximo desafío
Durante años, la digitalización agrícola estuvo concentrada en capturar más información.
Hoy podemos disponer de imágenes satelitales frecuentes, estaciones meteorológicas, sensores, registros de riego y modelos climáticos cada vez más sofisticados.
Por eso el desafío está cambiando.
Ya no consiste solamente en generar más datos.
Consiste en saber qué mirar, cuándo mirar y cuándo alertar.
En ViLab creemos que el monitoreo agrícola evolucionará desde plataformas que muestran información hacia sistemas capaces de vigilar continuamente el cultivo, anticipar condiciones de riesgo y detectar cuándo su respuesta se desvía de lo esperado.
WeatherNext 3 es interesante porque agrega una pieza fundamental a ese proceso:
una visión continuamente actualizada de las condiciones atmosféricas que la planta probablemente tendrá que enfrentar.
La agricultura digital está empezando a pasar de explicar lo que ocurrió a anticipar cómo puede responder el cultivo.
Ese es el cambio: del dato al monitoreo activo.