Libro mayor abierto para tierras agrícolas.

"Alrededor de dos tercios de los 3 mil millones de personas rurales del mundo en desarrollo viven en alrededor de 475 millones de hogares de pequeñas explotaciones agrícolas, trabajando en parcelas de tierra de menos de 2 hectáreas. Muchos son pobres e inseguros alimentariamente y tienen acceso limitado a mercados y servicios. Sus opciones están limitadas, pero cultivan sus tierras y producen alimentos para una proporción sustancial de la población mundial."

Con casi el 80% de los hogares de Tanzania dedicados a la agricultura y al menos un tercio obteniendo más de la mitad de sus ingresos de actividades agrícolas, el acceso a financiamiento para productores de pequeña escala es un catalizador importante para el crecimiento económico generalizado. Como muestran muchos estudios recientes, el acceso a financiamiento se implementa de manera más efectiva como parte de un paquete combinado.

Específicamente, el enlace a insumos, mercados, seguros y servicios de extensión agrícola es crítico para impulsar el acceso a financiamiento para los agricultores de pequeña escala. En el centro de la entrega rentable de estos productos y servicios combinados se encuentran la digitalización y la aprovechamiento de datos. Estos datos incluyen datos de producción, geográficos, biográficos y financieros. Sin embargo, el tema de este concepto son los datos geoespaciales. En los párrafos siguientes demostraremos por qué son importantes los datos geoespaciales e introduciremos la tecnología innovadora que creemos que desempeñará un papel fundamental - sobre la cual descansarán otros conjuntos de datos, desbloqueando posibilidades ilimitadas para los agricultores de pequeña escala.

Durante mucho tiempo y especialmente en las formas tradicionales de financiamiento, uno de los principales factores limitantes para el acceso a créditos para los agricultores de pequeña escala ha sido la falta de garantía. Al observar el registro de propiedad de la tierra, por ejemplo, los datos recopilados por la oficina de estadísticas de Tanzania en 2018 muestran que de las 8.7 millones de granjas encuestadas, solo el 18% estaba registrado. Para enfrentar este desafío, se han implementado cada vez más modelos alternativos de financiamiento basados ​​en datos, inteligencia artificial y aprendizaje automático. Por lo tanto, la tecnología propuesta por DigiFarm busca aumentar la confianza en las plataformas digitales mediante el aumento de la precisión y confiabilidad de los datos en una escala masiva y en tiempo casi real. La captura de pantalla a continuación destaca el índice local de sostenibilidad, que mide la productividad y la sostenibilidad históricamente en un período de más de 35 años.

Para lograr esto, DigiFarm, una startup de agrotecnología para implementar soluciones digitales de agricultura en pequeños agricultores en Tanzania, se basa en los últimos avances en el área de inteligencia artificial, aprendizaje automático e imágenes de observación de la Tierra de súper resolución (Sentinel-1 y 2) para ofrecer analíticas y datos simples, asequibles y fácilmente digeribles a nivel de campo pequeño, en tiempo casi real, que ayudarán a los agricultores a optimizar la aplicación de insumos de cultivos (semillas/fertilizantes/protección de cultivos), monitorear el estrés hídrico y detectar temprano enfermedades y plagas.

DigiFarm proporciona estos datos empleando un modelo de red neuronal profunda basado en un algoritmo específicamente desarrollado para mejorar la resolución de las imágenes vía satélite existentes en la detección automática de límites de parcelas (y acres sembrados), zonificación y clasificación de cultivos con niveles de precisión mucho más altos de lo que existe actualmente en cualquier parte del mundo (alcanzando una precisión 10 veces mayor que la del Sentinel-2 actual). Los datos generados estarán disponibles a través de potentes puntos finales API para usuarios finales, incluidos los agricultores de pequeña escala, las plataformas de economía digital y las soluciones de tecnología financiera para impulsar la entrega de servicios combinados que incluyen acceso a asesoría agrícola de alta calidad, optimización de insumos agrícolas, mercados, seguros y financiamiento. Esto incluye la capacidad de evaluar los acres sembrados delineados en cada nivel de campo, creando una línea de base para garantía financiera a los bancos e instituciones crediticias, además de las circunstancias del seguro para cultivos, automatizando procesos, flujos de trabajo y validación de datos a nivel de campo.

La tecnología está diseñada para abordar las debilidades actuales en la agricultura de precisión en contextos de pequeña explotación agrícola, incluidos desafíos en el análisis agrícola geoespacial. Estos incluyen limitaciones de datos de imágenes de resolución espacial existentes para delinear con precisión los límites de las parcelas.

Uno de los principales desafíos para poder delinear los límites de las parcelas agrícolas en Tanzania es la limitación y el costo de la adquisición de datos de observación terrestre satelital, debido a que los límites de parcelas son más pequeños, típicamente, una parcela en Tanzania es inferior a 0.5 hectáreas, la disponibilidad pública y gratuita de imágenes de satélite, como Landsat 7/8, que tiene una resolución de 30 m por píxel y Sentinel-2, que tiene una resolución de 10 m por píxel (la más alta de los datos de EO pública y libremente disponibles), no son suficientes para detectar con precisión los límites de las parcelas y los acres sembrados, como se puede ver en la captura de pantalla a continuación (ejemplo de Tanzania):

Existen fuentes alternativas de imágenes que podrían utilizarse para construir modelos de detección de límites de parcelas y acres sembrados, incluidas las ortofotos (imágenes aéreas) o las imágenes hiperespectrales basadas en UAV (drones). El problema de la ortofoto, a pesar de tener una resolución espacial superalta (~ 12.5+ cm), es que típicamente solo está disponible una vez al año o cada pocos años para regiones específicas, debido al costo de la captura de las imágenes, y tampoco está disponible públicamente o de forma gratuita. Esto no proporciona la frecuencia de imágenes necesarias para la delimitación de los límites de parcelas varias veces al año, ya que esto requiere imágenes multitemporales desde el inicio de la temporada de cultivo (siembra), el pico de biomasa de la temporada de crecimiento y hasta la cosecha. Las imágenes de ortofoto tampoco están disponibles públicamente ni de forma gratuita para su uso comercial, lo que la hace demasiado costosa (un promedio de $1-2 por km² por imagen).

La segunda fuente de imágenes posibles son los vehículos autónomos no tripulados (UAV) y los drones que proporcionan imágenes hiperespectrales y una mayor resolución que lo que está disponible en los datos de EO. El problema con los drones es que es operativamente posible cubrir un estado o país entero cada cinco a siete días, en comparación con la resolución temporal de Sentinel. Además, si alguien intentara abarcar todo el país en unos pocos días, no sería factible operativa y comercialmente (un promedio de $8 por km² para imágenes por debajo de una resolución de 50 cm), y especialmente para la industria agrícola.

La ventaja competitiva clave de DigiFarm aquí es su capacidad para súper resolver Sentinel-2 de 10 m a 10 m por píxel de resolución. Esto incluye la reflectancia de la superficie del Sentinel-2 en el visible y la NIR para calcular una serie de índices como NDVI, EVI, NDWI, TVDI, LAI. DigiFarm utiliza 4 bandas de Sentinel-2