Teledetección y Análisis Geoespacial

No solo las herramientas de análisis geoespacial, sino cada consulta que haces a ChatGPT, Claude u otra IA, cada mapa satelital que visualizas y cada predicción agrícola que ejecutas, tiene un costo energético. Detrás de esa respuesta "instantánea" existe una infraestructura física compleja: datacenters, millones de transistores, calor que debe disiparse y una demanda eléctrica que crece más rápido que muchas redes energéticas nacionales.

🔬 De qué está hecha realmente la IA

En el corazón de la inteligencia artificial moderna están las GPUs y aceleradores de IA, circuitos integrados que concentran decenas de miles de millones de transistores en áreas de pocos centímetros cuadrados.

Un transistor es el componente básico de la electrónica moderna: un interruptor a escala nanométrica que controla el flujo de corriente eléctrica. En una GPU, billones de operaciones por segundo implican que millones de estos interruptores cambien de estado de forma continua y en paralelo.

Desde la física, esto tiene una consecuencia inevitable: energía eléctrica → trabajo computacional → calor.

🌡️ El problema de la disipación térmica

Cuando las GPUs operan de forma sostenida (entrenamiento o inferencia de IA), se convierten en fuentes intensas de calor. Si este calor no se gestiona adecuadamente:

• Aumenta la resistencia eléctrica
• Disminuye la eficiencia computacional
• Se reduce la vida útil del hardware
• Crece el consumo total de energía

Ahora bien, se debe procurar la disipación térmica en datacenters principalmente bajo mecanismos cómo:

• Conducción (del chip al disipador),
• Convección forzada (aire o líquidos refrigerantes),
• Refrigeración líquida directa y, en casos avanzados, inmersión.

Cada mecanismo implica más infraestructura, más energía auxiliar y mayor complejidad operativa.

⚡ Datacenters, IA y consumo energético global

Según la Agencia Internacional de Energía (IEA), los datacenters consumieron alrededor de 415 TWh en 2024, y se proyecta que esta cifra superará los 900 TWh hacia 2030, impulsada principalmente por la IA, la computación en la nube y plataformas digitales —incluidas las de agricultura digital y monitoreo satelital.

Este crecimiento plantea una pregunta crítica:

¿De dónde saldrá la energía para sostener esta nueva era digital?

☢️ ¿Será la energía nuclear parte de la respuesta?

Un reporte del Departamento de Energía de EE. UU. (DOE) confirma que la energía nuclear puede proporcionar potencia continua 24/7, una ventaja clave para cargas críticas como los datacenters, que requieren alta confiabilidad y estabilidad eléctrica.

A diferencia de otras fuentes, la energía nuclear:

• Proporciona energía firme y predecible
• Tiene bajas emisiones de carbono
• Puede integrarse con reactores modulares pequeños (SMRs) cerca de centros de consumo

La Agencia Internacional de Energía Atómica (IAEA) también señala que los datacenters y la IA están impulsando el interés en tecnologías nucleares avanzadas como complemento a las energías renovables.

🌱 IA, sostenibilidad y decisiones informadas

La inteligencia artificial —desde modelos de lenguaje hasta plataformas de agricultura digital— no es etérea ni gratuita desde el punto de vista físico. Está anclada a:

• Electrones,
• Transistores,
• Termodinámica,
• Redes eléctricas,
• Decisiones energéticas inteligentes.

Entender esta relación es clave para desarrollar IA responsable, optimizar infraestructuras digitales y diseñar soluciones tecnológicas alineadas con la transición energética.

🔗 Referencias

International Energy Agency (IEA). Energy and AI – Energy demand from AI. https://www.iea.org/reports/energy-and-ai/energy-demand-from-ai

International Energy Agency (IEA). Energy and AI (Full report). https://www.iea.org/reports/energy-and-ai

U.S. Department of Energy (DOE). Advantages and Challenges of Nuclear-Powered Data Centers. https://www.energy.gov/ne/articles/advantages-and-challenges-nuclear-powered-data-centers

International Atomic Energy Agency (IAEA). Data centres, artificial intelligence and cryptocurrencies eye advanced nuclear to meet growing power needs. https://www.iaea.org/bulletin/data-centres-artificial-intelligence-and-cryptocurrencies-eye-advanced-nuclear-to-meet-growing-power-needs

Latif et al. (2024). Empirical measurements of AI training power demand. arXiv. https://arxiv.org/abs/2412.08602

#InteligenciaArtificial #Datacenters #Energía #FísicaAplicada #SostenibilidadDigital #EnergíaNuclear #Transistores #AgriculturaDigital #IAResponsable #TransiciónEnergética

Como investigadora científica me pregunto el por qué de las cosas, indudablemente parte del método científico hipotético-deductivo que sigue más vigente que nunca y que ha demostrado su poder a través de los siglos. Esa curiosidad me ha llevado desde el laboratorio hasta campos donde instrumentos ópticos como cámaras multiespectrales, espectrómetros y satélites prometen revolucionar la agricultura de precisión. Aquí va una pregunta: ¿estamos eligiendo tecnología por ciencia o por moda?

Estoy finalizando un artículo científico sobre fusión de datos multifuente (drones + cámaras multiespectrales + térmicas + satélites + espectrómetros Vis-NIR + datos meteorológicos) para estimación de parámetros: biomasa y calidad de forraje, y quiero compartir una reflexión: el costo no siempre se traduce en decisiones mejores.

Las preguntas que deberíamos hacernos antes de escoger un sensor y su relación con la "ciencia"

Sobre el sensor:

• ¿Qué fenómeno físico está capturando realmente? (reflectancia, temperatura, textura)
• ¿Su resolución espacial/temporal/radiométrica/espectral responde a MI escala de decisión?
• ¿Vale la pena un espectrómetro VIS-NIR vs una cámara multiespectral para mi variable objetivo?

Sobre la ciencia:

• ¿Estoy validando con datos independientes o solo reportando métricas de ajuste?
• ¿Mi diseño experimental captura la variabilidad espacio-temporal del sistema?
• ¿Puedo separar señal agronómica de ruido instrumental/atmosférico/fenológico?

Sobre la decisión:

• ¿Necesito detectar variabilidad intra-lote o basta un promedio por sector?
• ¿Cuánto cuesta NO tener la información vs cuánto cuesta obtenerla?
• ¿Mi ventana de acción operativa es compatible con la frecuencia de revisita del sensor?

La realidad que pocos papers mencionan

Las cámaras multiespectrales, en drones y en satélite pueden superar a espectrómetros VIS-NIR más costosos cuando el factor limitante es la cobertura espacial, la frecuencia temporal o la escala operativa. Una plataforma satelital gratuita puede ser más efectiva que un dron con sensor premium si tu decisión requiere monitorear grandes extensiones con alta frecuencia.

Pero también: combinar fuentes puede compensar limitaciones individuales. El desafío está en entender qué aporta cada sensor a tu pregunta de investigación, no solo a tu lista de especificaciones.

Mi llamado desde la trinchera científica

Necesitamos dejar de perseguir tecnología por características técnicas y empezar a diseñar sistemas de información basados en hipótesis claras. En mi artículo desarrollaré un marco metodológico para aportar en esta cuestión fundamental, aplicable a forrajes y también adaptables a otros sistemas de cultivo.

¿Estás trabajando con sensores remotos en agricultura? ¿Qué brechas encuentras entre la literatura y tu realidad operativa?

Tu experiencia es fundamental para construir puentes entre ciencia rigurosa y decisiones que generen impacto real.

#FusiónDeSensores #Teledetección #AgriculturaDePrecisión #MetodologíaCientífica #SensoresRemotos #AnálisisGeoespacial #MachineLearning #AgTech #InvestigaciónAgrícola #Latinoamérica

El problema que los datos no pueden resolver solos

Durante mi investigación posdoctoral en AGROSAVIA, desarrollando modelos de predicción de biomasa forrajera con espectrometría VIS-NIR e imágenes de dron, me encontré con una anomalía sistemática que ningún algoritmo de machine learning podía explicar: las predicciones funcionaban excelente en una tipo de pasturas y otras no, y dependía de la época; inclusive.

Los datos mostraban el fenómeno claramente. Pero ¿por qué?

Esa pregunta simple revela una limitación conceptual profunda en el estado del arte actual: hemos construido sistemas predictivos sofisticados, a veces sin comprender suficientemente la física subyacente que genera las señales espectrales que medimos.

La física que falta en nuestros modelos

La señal espectral que captura un sensor no es simplemente "información sobre biomasa" u otro parámetro de calidad—es la manifestación emergente de una cascada de procesos físicos multiescala:

A nivel cuántico, fotones solares excitan transiciones electrónicas en moléculas de clorofila, carotenoides y otros pigmentos. La absorción selectiva de longitudes de onda específicas depende de la estructura molecular y el estado fisiológico de la planta.

A nivel celular y foliar, la geometría de las estructuras celulares, el contenido de agua, la concentración de proteína foliar y lignina modulan la reflectancia, transmitancia y dispersión de la radiación. Estos parámetros bioquímicos no son variables independientes—están acoplados por la fisiología vegetal y responden dinámicamente al estrés hídrico, temperatura y disponibilidad de nutrientes.

A nivel del dosel, la arquitectura tridimensional—ángulos foliares, densidad de tallos, distribución vertical de biomasa—transforma estos procesos microscópicos en la señal macroscópica que observamos. En sistemas silvopastoriles, donde árboles proyectan sombras dinámicas sobre pasturas, la transferencia radiativa se complica por dispersión múltiple y gradientes microclimáticos que crean heterogeneidad espectral a escalas de metros.

Cada uno de estos niveles impone condiciones de frontera que modulan la respuesta observable. Sin comprender esta física multiescala, nuestros modelos predictivos son cajas negras que funcionan bien en condiciones conocidas, pero colapsan cuando la arquitectura del sistema cambia.

Por qué la física no es opcional

La diferencia entre pasturas rastreras y macollas no es solo estadística—es fundamentalmente física. La geometría del dosel en macollas introduce caminos ópticos más largos, mayor dispersión múltiple y heterogeneidad en la iluminación que los modelos empíricos no capturan. Resolver este problema requiere entender ecuaciones de transferencia radiativa, no solo ajustar hiperparámetros.

En sistemas silvopastoriles de regiones tropicales, esta complejidad se multiplica. Los árboles dispersos crean mosaicos de sombra donde el forraje crece bajo diferentes regímenes de radiación. Observaciones científicas muestran que especies arbóreas generan firmas espectrales diferenciadas en las pasturas bajo su influencia—un laboratorio natural para preguntas fundamentales sobre cómo la estructura vegetal modula la interacción radiación-materia en ecosistemas tropicales.

De la física a la innovación climática

Comprender estos fundamentos físicos no es curiosidad académica—es necesidad práctica para:

Captura de carbono cuantificable: No basta correlacionar reflectancia con biomasa. Necesitamos saber por qué esa relación existe, bajo qué condiciones se mantiene válida, y cómo se ajusta cuando el microclima o la arquitectura del sistema cambian. Solo así podemos estimar con precisión cuánto carbono almacenan diferentes compartimentos vegetales.

Diseño tecnológico fundamentado: Cuando identificamos qué longitudes de onda son sensibles a proteína foliar (indicador de calidad nutricional) o lignina (limitante de digestibilidad), no estamos solo calibrando modelos—estamos descubriendo principios físicos que permiten diseñar índices espectrales causales, sensores optimizados y protocolos de observación robustos ante variabilidad estructural.

Predicción resiliente al cambio climático: Los sistemas silvopastoriles en regiones tropicales modifican el balance energético, los flujos de agua y el secuestro de CO₂. Estos procesos climáticos están acoplados a la estructura vegetal a través de la misma física que gobierna las señales espectrales. Modelos que integren coherentemente transferencia radiativa, ciclos biogeoquímicos y arquitectura del dosel serán más confiables para gestionar sistemas productivos bajo calentamiento global.

Regiones tropicales como laboratorio físico

La heterogeneidad estructural y climática de regiones tropicales—gradientes de precipitación, diversidad de pasturas, sistemas silvopastoriles con múltiples configuraciones arbóreas—constituye un laboratorio excepcional para validar teorías de transferencia radiativa en condiciones tropicales. Cada unidad de estudio es un experimento natural donde podemos contrastar predicciones de modelos como PROSAIL contra realidades que desafían sus supuestos originales.

Esta investigación fundamental no solo mejoraría estimaciones locales—genera conocimiento exportable sobre física de sistemas vegetales tropicales, sentando bases para nuevas generaciones de tecnologías de observación terrestre que trasciendan las limitaciones conceptuales actuales.

El mensaje es claro: para avanzar en biomasa forrajera y captura de carbono necesitamos refrescar nuestra investigación en física. Los datos sin teoría física son ciegos; la física sin validación empírica es estéril. La integración de ambas, en el contexto único de sistemas tropicales latinoamericanos, es donde emerge el verdadero potencial transformador.

Referencias científicas:

Kattenborn, T., Lopatin, J., Förster, M., Braun, A. C., & Fassnacht, F. E. (2019). Radiative transfer modelling reveals why canopy reflectance follows function. Scientific Reports, 9, 6541. https://doi.org/10.1038/s41598-019-43011-1

Verrelst, J., Camps-Valls, G., Muñoz-Marí, J., Rivera, J. P., Veroustraete, F., Clevers, J. G. P. W., & Moreno, J. (2015). Optical remote sensing and the retrieval of terrestrial vegetation bio-geophysical properties – A review. ISPRS Journal of Photogrammetry and Remote Sensing, 108, 273–290. https://doi.org/10.1016/j.isprsjprs.2015.05.005

Jennewein, J. S., Hively, W. D., Lamb, B. T., Daughtry, C. S. T., Thapa, R., Thieme, A., Reberg-Horton, C., & Mirsky, S. B. (2024). Spaceborne imaging spectroscopy enables carbon trait estimation in cover crop and cash crop residues. Precision Agriculture, 25, 2165–2195. https://doi.org/10.1007/s11119-024-10159-4

#FísicaAplicada #ÓpticaVegetal #CapturaDeCarbono #InvestigaciónFundamental #GanaderíaSostenible #SistemasSilvopastoriles #TransferenciaRadiativa #Teledetección #AnálisisGeoespacial #CienciaClimática

La transformación digital del agro avanza rápido, pero su impacto real depende de algo más profundo: la capacidad del sector para comprender los fundamentos de la inteligencia artificial. No basta con usar aplicaciones; es necesario entender cómo funcionan, qué hacer con los datos y estar conscientes del valor que generan. Por eso, conceptos como machine learning, tokenización y seguridad digital deben incorporarse tanto en la formación agronómica como en los programas de capacitación continua, promoviendo una alfabetización mínima en datos para agrónomos, productores y técnicos.

Machine learning: la nueva alfabetización técnica del agro

El ML no es solo una técnica computacional; es un nuevo lenguaje para interpretar el campo. Quien trabaja en agricultura debería comprender, al menos en un nivel operativo, qué es un modelo supervisado y no supervisado, cómo se entrena, valida y mide su desempeño, y las diferencias entre clasificación, regresión y segmentación. También resulta fundamental saber cómo interpretar una predicción y sus limitaciones, y entender por qué los datos deben ser representativos del lote, la región y el manejo específico.

Esta comprensión permite que agrónomos y productores distingan entre una aplicación que solo visualiza datos y una que realmente aprende y predice, transformándolos en agentes activos en la captura de datos de calidad, conscientes del valor estratégico de la información en esta era digital. Las bondades reales de la IA —predicción, diagnóstico temprano, optimización y automatización— solo son posibles si existen datos sólidos, limpios y bien estructurados.

Tokenización: la base matemática que organiza la información agrícola

La tokenización convierte cada dato del campo —imágenes satelitales, índices vegetativos como NDVI, análisis de suelo o registros de manejo— en representaciones numéricas estructuradas que los modelos de IA pueden procesar. En términos prácticos, transforma información heterogénea en vectores y matrices, preserva metadatos y contexto, permite que sistemas distintos hablen el mismo lenguaje digital, y habilita trazabilidad y consistencia en todo el ciclo de datos.

Comprender estos fundamentos permite evaluar la solidez de la arquitectura de una plataforma y la confiabilidad de sus análisis.

Seguridad digital: proteger el conocimiento productivo

La información agrícola es estratégica y, por lo tanto, requiere una gestión responsable. Agrónomos y productores deberían conocer cómo se cifran los datos, qué es un sistema de control de acceso por roles, por qué son necesarias las auditorías y trazas digitales, y qué implica compartir coordenadas, imágenes o rendimientos. También es importante entender cómo trabajan los servicios en la nube y las diferencias entre anonimización, encriptación y tokenización.

Formarse en seguridad digital no es un lujo técnico, es una medida de protección económica y operativa.

Formación para una agricultura inteligente

La educación agrícola moderna debe integrar competencias que permitan trabajar con IA de manera crítica y efectiva: alfabetización en datos, lectura crítica de dashboards, interpretación y validación de modelos, comprensión de riesgos digitales, uso de APIs y flujos conectados, principios de ética y gobernanza de datos, y nociones de IA generativa aplicada a análisis y decisión.

La IA no reemplaza al agrónomo ni al productor: potencia su criterio, siempre que existan bases suficientes para comprender su funcionamiento.

La nueva era del agro exige entender cómo funciona la tecnología, no solo usarla

La verdadera transformación digital del campo se dará cuando quienes toman decisiones —investigadores, extensionistas, agrónomos, productores— dominen estos fundamentos para exigir modelos sólidos y no solo visualizaciones atractivas, reconocer cuándo un sistema realmente aprende, diferenciar entre un dato tokenizado y uno sin estructura, evaluar si una plataforma protege adecuadamente su información, y participar activamente en el diseño de soluciones inteligentes.

Hoy, comprender la IA es tan importante como entender el suelo, el clima o la fisiología del cultivo. La educación es el motor. La IA es la herramienta. El futuro del agro depende de cómo combinemos ambos.

En agricultura de precisión, existe una creencia común: más megapíxeles equivalen a mejores datos. Sin embargo, esta premisa es incorrecta cuando se trata de sensores remotos para análisis agrícola. La calidad de los datos de reflectancia no depende únicamente de la resolución del sensor, sino de factores críticos como la óptica, la calibración radiométrica y la configuración del sistema.

La óptica: el factor determinante en sensores remotos

Un sensor de 12 megapíxeles con óptica de alta calidad y calibración radiométrica adecuada puede generar datos de reflectancia más precisos que un sensor de 48 megapíxeles sin estas características. La razón es simple: en agricultura de precisión, no medimos píxeles, medimos reflectancia espectral.

La reflectancia es la capacidad de una superficie (como las hojas de un cultivo) para reflejar la luz en diferentes longitudes de onda. Para obtener estos datos con precisión, necesitamos sistemas ópticos que capturen correctamente la información espectral, independientemente del número de píxeles.

Calibración radiométrica: la diferencia entre datos y ruido

Un sensor sin calibración radiométrica adecuada puede generar imágenes con alta resolución, pero los valores numéricos de reflectancia serán incorrectos. Esto significa que los índices vegetativos como NDVI, EVI o SAVI calculados a partir de estos datos no reflejarán la realidad del cultivo.

La calibración radiométrica convierte los valores digitales del sensor en valores físicos de reflectancia. Sin este proceso, estás trabajando con números sin significado agronómico real.

Configuración del sistema: más allá de la resolución

La altura de vuelo, el ángulo de incidencia solar, la estabilidad de la plataforma y la sincronización entre sensores multiespectrales son factores que influyen más en la calidad de los datos que el número de megapíxeles. Un sistema bien configurado con 12 MP puede proporcionar información más valiosa que un sistema mal configurado con 48 MP.

Implicaciones para la agricultura de precisión

Cuando inviertes en tecnología de sensores remotos para tu operación agrícola, evalúa el sistema completo: óptica, calibración, estabilidad y capacidad de procesamiento. No te dejes llevar solo por el número de megapíxeles. Un sensor de menor resolución pero bien calibrado y configurado te dará datos más confiables para tomar decisiones de manejo.

La precisión en agricultura de precisión no se mide en píxeles, se mide en la capacidad del sistema para generar datos de reflectancia espectral confiables y útiles para el análisis agronómico.

La agricultura 4.0 ha generado expectativas altas alrededor de tecnologías como los drones. Sin embargo, la transformación digital del campo requiere más que equipos de última generación: necesita integración, datos estructurados y soluciones que respondan a problemas reales del productor.

La realidad de los drones en agricultura

Los drones con cámaras multiespectrales y sensores avanzados son herramientas poderosas, pero no son soluciones mágicas. Su valor real se materializa cuando forman parte de un ecosistema tecnológico integrado que incluye análisis de datos, interpretación agronómica y toma de decisiones basada en evidencia.

Un dron que vuela sobre un cultivo y genera imágenes espectaculares pero no conecta con sistemas de gestión agrícola, no se integra con datos de suelo o clima, y no genera recomendaciones accionables, es simplemente un dron volando. No es agricultura 4.0.

Integración: la clave del valor real

La verdadera innovación en agricultura digital ocurre cuando los datos de drones se integran con información de sensores de suelo, estaciones meteorológicas, registros de manejo y análisis de laboratorio. Esta integración permite crear modelos predictivos y sistemas de recomendación que realmente impactan la productividad y sostenibilidad.

Datos estructurados: la base de la inteligencia agrícola

Los drones generan grandes volúmenes de datos, pero estos datos deben ser estructurados, etiquetados y almacenados de manera que puedan ser procesados por sistemas de inteligencia artificial. Sin esta estructuración, los datos se convierten en archivos almacenados sin valor estratégico.

Soluciones orientadas a problemas reales

La tecnología debe responder a necesidades específicas del productor: detección temprana de estrés hídrico, identificación de plagas y enfermedades, optimización de aplicaciones de insumos, estimación de rendimiento. Si un dron no ayuda a resolver estos problemas de manera práctica y económica, su valor es limitado.

El futuro de los drones en agricultura

Los drones seguirán evolucionando, pero su impacto real en la agricultura 4.0 dependerá de cómo se integren en ecosistemas tecnológicos completos, cómo se procesen y analicen sus datos, y cómo se traduzcan en decisiones de manejo que mejoren la productividad y sostenibilidad agrícola.

La agricultura 4.0 no se construye con drones aislados, se construye con sistemas integrados que conectan tecnología, datos y conocimiento agronómico para crear valor real en el campo.

En el agro, todos prometen Inteligencia Artificial (IA): drones, sensores, algoritmos y plataformas inteligentes.

Pero casi nadie menciona la verdad incómoda:
👉 Sin datos estandarizados, suficientes y locales… NO hay IA.

🚫 El mito de copiar modelos

Esperar que otros países nos provean soluciones listas para aplicar no va a funcionar. Un modelo entrenado con datos de regiones templadas no describe el comportamiento de una planta en ecosistemas tropicales latinoamericanos con diferentes condiciones climáticas, edáficas y de radiación solar.

Una planta no reacciona igual al estrés hídrico, al tipo de suelo o a la radiación solar en contextos distintos. Por eso, copiar y pegar modelos extranjeros sin adaptación local no es innovación, es dependencia tecnológica.

🌍 Mientras tanto, en otros países…

Los ecosistemas de innovación agrícola están invirtiendo en infraestructura de datos: redes de sensores interoperables, estándares abiertos, repositorios nacionales y formación de científicos de datos agroambientales.

No están esperando el próximo software milagroso; están construyendo la base de conocimiento que alimenta sus sistemas autónomos de IA.

¿Y nosotros? A menudo seguimos discutiendo si "la IA aplica o no al agro", mientras el mundo corre una maratón de datos. Miles y miles de personas trabajando en recolección de datos y etiquetado.

📊 La revolución no empieza con algoritmos

Empieza organizando los datos del territorio:

✅ ¿Estamos midiendo lo correcto?
✅ ¿De manera consistente y verificable?
✅ ¿En formato digital, con trazabilidad y acceso abierto?

Sin una política de datos clara, los esfuerzos en IA se diluyen en proyectos aislados. Porque la IA no se compra: se construye sobre datos locales, confiables y actualizados.

⚙️ Cómo se implementa realmente

Implementar IA en el agro no significa adquirir plataformas privadas, sino diseñar un sistema nacional de información agropecuaria inteligente, articulando:

• Captura de datos locales mediante sensores, drones o satélites.
• Estandarización de protocolos, formatos y metadatos.
• Infraestructura de almacenamiento y gobernanza de datos abiertos.
• Entrenamiento de modelos locales de machine learning con supervisión técnica nacional.
• Retroalimentación continua para mejorar decisiones de manejo, predicción y planificación productiva.

Esto requiere visión de Estado, articulación interinstitucional y financiación sostenida de capacidades científicas y tecnológicas.

🧩 El factor humano: la clave olvidada

Los datos sin conocimiento no generan valor público. Por eso, la IA en el agro no depende solo de equipos o algoritmos, sino de personas formadas para interpretarlos.

Necesitamos una generación de profesionales entrenados en tecnología, matemáticas, ciencia de datos y agronomía, capaces de traducir la complejidad del campo en modelos predictivos, decisiones de política y soluciones locales.

Sin talento humano calificado, la soberanía tecnológica del sector agropecuario se pierde, y con ella, la oportunidad de crear innovación basada en evidencia.

Invertir en educación STEM rural, centros de datos territoriales y redes de investigación aplicada no es un lujo: es la base para construir una política de Inteligencia Artificial con sentido nacional y pertinencia productiva.