El aprendizaje automático, aliado para anticiparse a las crisis de precios en la agricultura

El aprendizaje automático, aliado para anticiparse a las crisis de precios en la agricultura

Tal y como han puesto de manifiesto las recientes protestas de los agricultores, combatir dichas crisis de precios es de vital importancia hoy en día

España es uno de los mayores suministradores de frutas y verduras para los países europeos y la agricultura representa uno de los pilares fundamentales de nuestra economía como país. Anticipar el precio futuro de dichos productos permitiría a las cooperativas y agricultores comercializar su producción de una manera más eficiente y recibir una remuneración justa, evitando el desperdicio alimentario que supera el 14% de la producción de las frutas y verduras a nivel mundial. Sin embargo, conocer de antemano cómo van a evolucionar los precios en el sector no siempre es fácil y de ahí la importancia de contar con herramientas de Inteligencia Artificial  para ello.

En busca de un instrumento que realmente permita anticiparse a esas situaciones, un equipo de investigadores de la Universidad Politécnica de Madrid (UPM) y la start-up AGrowingData han analizado el potencial del algoritmo de Machine learning Reservoir Computing de cara a anticipar la evolución de los precios en el sector agroalimentario y con ello, prevenir o al menos adelantarse a posibles crisis.

“Anticipar crisis de precios en el mercado agroalimentario es fundamental para garantizar la sostenibilidad del sector y la seguridad alimentaria, ambos objetivos de la ONU para la Agenda 2030. Sin embargo, esta no es tarea fácil, ya que el problema implica analizar series temporales con pocos datos, muy volátiles y que están influenciadas por factores externos como la producción y demanda, las exportaciones o el clima”, explica Mar Grande, investigadora de la Escuela Técnica Superior de Ingeniería Agronómica, Alimentaria y de Biosistemas (ETSIAAB) de la UPM y de AGrowingData y una de las autoras del trabajo.

Para afrontar este problema, los investigadores de la UPM, analizaron el rendimiento del algoritmo de Reservoir Computing para predecir series temporales de precios. Además, desarrollaron una arquitectura óptima, basada en la descomposición de la serie temporal, para anticipar la evolución del mercado agroalimentario. En el estudio participaron también la empresa AgrowingData y la Universidad Autónoma de Madrid.

El trabajo pone de manifiesto el potencial de dicho algoritmo a la hora de predecir la evolución de los precios. Además, supera en rendimiento a otros modelos utilizados hasta el momento como los modelos econométricos (SARIMA) o las redes neuronales como LSTM, reduciendo el error absoluto medio y, lo que es más importante, aumentado la precisión al predecir la dirección del mercado.

Las crisis de precios, detrás del desperdicio de comida en el sector

Los resultados obtenidos suponen una importante contribución de cara a garantizar la seguridad alimentaria y crear un sistema agroalimentario sostenible, ambos objetivos de la ONU para la Agenda 2030.

“Anticipar el precio futuro de dichos productos permitirá a las cooperativas y agricultores del país comercializar su producción de una manera más eficiente y recibir una remuneración justa. Además, conocer con la suficiente anticipación los periodos de precios mínimos en los que la producción se tira porque no es rentable su venta, permitiría a gobiernos y ONGs destinar dicha producción a las poblaciones vulnerables”.

Y es que, pese a la importancia de los datos, los investigadores subrayan que “no podremos tener un sistema alimentario sostenible si no solventamos el problema del desperdicio de comida” muy relacionado con las crisis de precios.

“Alrededor del 14% de las frutas y verduras que se producen en el mundo se pierden antes de llegar al mercado. Esto ocurre principalmente por las crisis de precios, donde el precio es tan bajo que no sale rentable comercializar los productos. Así, para alcanzar la sostenibilidad del sector agroalimentario es tarea clave anticipar los precios del mercado para que se puedan llevar a cabo acciones adecuadas antes de que se produzca una crisis”, concluyen.

Domingo, M. Grande, F. Borondo y J. Borondo, Anticipating food price crises by reservoir computing, Chaos, Solitons and Fractals 174 (2023) 113854.

Domingo, M. Grande, G. Carlo, F. Borondo y J. Borondo, Optimal quantum reservoir computing for market forecasting: An application to fight food crises (en revisión).

 

Utilizamos cookies propias y de terceros para posibilitar y mejorar su experiencia de navegación por nuestra web. Si continua navegando, consideramos que acepta su uso.