Enhancing Strawberry Yield Forecasting with Backcasted IoT Sensor Data and Machine Learning

Resumen Técnico: Mejora del pronóstico del rendimiento de la fresa mediante datos de sensores IoT mediante retroproyección (backcasting)

Planteamiento del problema
El artículo aborda un cuello de botella crítico en la agricultura digital: la escasez de datos históricos de sensores necesarios para entrenar modelos de IA eficaces para el pronóstico del rendimiento de los cultivos. Si bien las tecnologías de Internet de las Cosas (IoT) ofrecen un monitoreo en tiempo real de parámetros ambientales (por ejemplo, temperatura, humedad, humedad del suelo), el despliegue de estos sensores durante múltiples temporadas de cultivo suele ser costoso y logísticamente difícil, particularmente en entornos agrícolas dinámicos. En consecuencia, muchas granjas poseen registros históricos de rendimiento, pero carecen de los datos granulares correspondientes de los sensores, lo que limita la capacidad de entrenar modelos de aprendizaje automático (ML) robustos que puedan apoyar la toma de decisiones informadas, como la optimización de la mano de obra durante la cosecha.

Metodología
El estudio se llevó a cabo en un entorno de producción de fresas real en Escocia, Reino Unido, utilizando dos tipos de túneles de polietileno (calefactados "Seaton" y no calefactados "Multispan"). Los autores desplegaron sensores IoT para recolectar datos ambientales durante dos temporadas de cultivo (2023–2024), mientras que también recopilaron datos históricos de rendimiento que abarcan cuatro temporadas (2021–2024).

Para cerrar la brecha de datos para las dos temporadas (2021–2022) que carecen de cobertura de sensores, los autores desarrollaron un enfoque de retroproyección (backcasting) en lugar del pronóstico tradicional.

1. Mecanismo de retroproyección: En lugar de predecir estados futuros a partir de datos pasados, el modelo utiliza datos meteorológicos externos archivados (de la Oficina Meteorológica del Reino Unido) para reconstruir las observaciones de sensores pasadas faltantes. Específicamente, para un tiempo objetivo $t$, el modelo utiliza una ventana de observación hacia adelante de covariables climáticas externas ($t+1$ a $t+k$) para predecir el valor del sensor interno del túnel en $t$.
2. Síntesis de datos: Los modelos de retroproyección fueron entrenados en las temporadas desplegadas de 2023–2024 para aprender la relación entre el clima externo y las condiciones internas del túnel. Estos modelos se aplicaron luego a los datos históricos de la Oficina Meteorológica de 2021–2022 para generar datos sintéticos de sensores.
3. Selección de modelos: Reconociendo que los modelos de aprendizaje profundo (por ejemplo, LSTM, Transformers) requieren grandes conjuntos de datos no disponibles en entornos de granja única, los autores emplearon métodos de árboles de ensamble: Random Forest (RF), Gradient Boosting Decision Tree (GBDT) y Extreme Gradient Boosting (XGBoost).
4. Flujo de trabajo de pronóstico: Los modelos finales de pronóstico de rendimiento se entrenaron en tres conjuntos de datos: (a) solo datos reales, (b) datos reales aumentados con datos sintéticos de retroproyección, y (c) diversas combinaciones de características (solo rendimiento, rendimiento + clima, rendimiento + sensor, rendimiento + sensor + clima).

Contribuciones clave

• Implementación de IoT en el mundo real: El artículo documenta un despliegue integral de sensores IoT en túneles de polietileno, capturando el uso de agua, temperatura interna/externa y humedad, condiciones del suelo y radiación fotosintéticamente activa (PAR), destacando desafíos prácticos como fallas de energía y caídas de sensores.
• Metodología de retroproyección: Los autores proponen una solución novedosa para la escasez de datos históricos de sensores mediante la generación de observaciones sintéticas de sensores de túneles utilizando archivos de clima externo. Este enfoque es distinto de las redes generativas antagónicas (GAN), ya que aprovecha fuentes de datos externas continuas y confiables en lugar de ruido latente, lo que lo hace adecuado para entornos con escasez severa de datos.
• Validación empírica: El estudio valida que la combinación de datos sintéticos de retroproyección con datos reales supera significativamente a los modelos entrenados exclusivamente con datos reales limitados.

Resultos

• Precisión de la retroproyección: Los modelos de retroproyección reconstruyeron con éxito los valores de los sensores faltantes. El modelo GBDT generalmente funcionó mejor para características específicas, mientras que se seleccionaron RF y XGBoost para otros casos basándose en el menor Error Cuadrático Medio (RMSE).
• Desempeño del pronóstico de rendimiento:
  • Los modelos entrenados solo con datos reales mostraron que agregar características ambientales a menudo degradaba el desempeño en comparación con una línea base de "solo rendimiento", probablemente debido al volumen insuficiente de datos para aprender interacciones complejas de características.
  • Los modelos entrenados con datos sintéticos + reales demostraron mejoras significativas. El modelo GBDT logró los mejores resultados, reduciendo el RMSE en un 19.55% y el MAE en un 7.75% en comparación con la línea base de solo datos reales al utilizar el conjunto de características "rendimiento + sensor".
  • La combinación "rendimiento + sensor" superó a "rendimiento + sensor + Met Office", lo que sugiere que los datos del microclima localizado (sintetizados mediante la retroproyección) son más predictivos que los datos climáticos regionales por sí solos.
  • Se identificó un tamaño de ventana de 6 pasos de tiempo futuros como óptimo para la entrada de la retroproyección, equilibrando el contexto temporal y el ruido.

Significancia y afirmaciones
El artículo afirma ser uno de los primeros estudios en reconstruir observaciones de sensores IoT de temporadas de cultivo faltantes a partir de archivos climáticos externos específicamente para el pronóstico de rendimiento de cultivos en la agricultura operativa de túneles de polietileno.

Los autores enfatizan que su trabajo aborda un desafío pragmático que enfrentan las granjas individuales: la incapacidad de acumular suficientes datos históricos de sensores para el modelado predictivo. Al demostrar que el aumento de datos sintéticos mediante retroproyección puede mejorar la precisión del pronóstico, el estudio ofrece una vía viable para que los entornos agrícolas de pequeña escala aprovechen la IA a pesar de la escasez de datos.

Modestia y limitaciones
Los autores mantienen un tono modesto respecto a sus afirmaciones:

• Naturaleza retrospectiva: La evaluación es explícitamente retrospectiva. Aunque las etiquetas de rendimiento de 2023 se reservaron para las pruebas, el modelo de retroproyección fue calibrado utilizando relaciones sensor-clima que incluían datos de 2023. Los autores reconocen que una evaluación prospectiva más estricta requeriría la recalibración sin ningún dato del año de evaluación.
• Mecanismos causales: La mejora en el desempeño se interpreta como evidencia de utilidad predictiva práctica bajo el aumento de datos, no como una prueba de que los modelos han aprendido mecanismos agronómicos causales.
• Generalizabilidad: El estudio se realizó en una sola granja en Escocia. Los autores señalan que se requiere trabajo futuro para validar la transferibilidad de este enfoque a través de diversos climas y diseños de túneles de polietileno.
• Comparación de línea base: El estudio se compara con una línea base de aprendizaje automático autorregresivo, pero no incluye una línea base de persistencia ingenua (por ejemplo, predecir que el rendimiento de la próxima semana es igual al de esta semana), evitando así afirmar que se supera al predictor más simple posible.