AGRO
Agrotecnología

Una startup argentina y la NASA desarrollaron una app para estimar rendimientos de cultivos

El algoritmo de SIMA Harvest permite predecir con un mes de anticipación la productividad con un 80% de precisión.

SIMA Harvest
La información de la app proviene de la combinación de datos con imágenes satelitales. | SIMA

La startup argentina SIMA (Sistema Integrado de Monitoreo Agrícola), dedicada al seguimiento y monitoreo de los cultivos, junto  NASA Harvest y la Universidad de Maryland, desarrollaron un algoritmo para la estimación de rendimientos de cultivos.

La nueva herramienta, llamada SIMA Harvest permite predecir los rendimientos con hasta un mes de anticipación, logrando datos con una tasa de acierto de más del 80%.

El 78% de los productores usa plataformas digitales.

Esto no les gusta a los autoritarios
El ejercicio del periodismo profesional y crítico es un pilar fundamental de la democracia. Por eso molesta a quienes creen ser los dueños de la verdad.
Hoy más que nunca Suscribite

Mauricio Varela, Co-Founder de SIMA, destacó “El desarrollo de esta nueva funcionalidad, es una búsqueda por devolver a sus usuarios un valor agregado a partir de sus datos, generando un sistema inteligente, que es donde vemos el futuro del agro”.

Colaboración

Hace unos meses SIMA inició una colaboración con el equipo NASA Harvest de la Universidad de Maryland, con el objetivo de predecir rindes de cultivos utilizando el poder combinado de las imágenes satelitales y el gran volumen de datos anonimizados y agregados provistos por SIMA. Esto permitió aumentar en un 20% el nivel de acierto en predicción de rindes sobre métodos actuales.

Este trabajo conjunto fue evaluado por un comité de expertos en el tema, que aprobaron su presentación en prestigiosos congresos internacionales, como JAIIO – Congreso Argentino de Agroinformática 2020: Using machine-learning models for field-scale crop yield and condition modeling in Argentina, IEEE International India Geoscience and Remote Sensing Symposium: Crop yield forecast at field scale using deep neural network algorithm, IEEE International Geoscience and Remote Sensing Symposium: Crop yield prediction using integration of polaritmetic synthetic apertura radar and optical data.

LM