¿En qué se diferencia un gemelo digital del software de gestión agrícola?

El software de gestión agrícola es un sistema de registro que realiza un seguimiento de los lotes, las tareas y el inventario. Un gemelo digital se basa en registros precisos y añade predicción prospectiva, pruebas de escenarios hipotéticos y detección de anomalías basadas en la divergencia entre las trayectorias previstas y observadas de los cultivos.

¿Qué modelos de cultivos se utilizan en los gemelos digitales agrícolas?

Entre los enfoques habituales se incluyen modelos mecanicistas como el modelo dinámico de crecimiento de la lechuga de Van Henten y el modelo TOMGRO para el tomate, variantes de lechuga que tienen en cuenta el VPD, el modelo genérico SIMPLE para cultivos sin una calibración mecanicista completa y el aprendizaje automático entrenado a partir del historial de lotes del propio operador.

¿Por qué las predicciones del gemelo digital no coinciden con los pesos reales de la cosecha?

La mayor parte de la divergencia se debe a la instrumentación más que a la fisiología de la planta: los sensores de pH, conductividad eléctrica (CE) y CO₂ suelen sufrir desviaciones con el tiempo, y la luz medida en el controlador suele diferir de la luz que realmente llega a la altura del dosel. El seguimiento del error porcentual absoluto medio en comparación con los datos reales de la cosecha ayuda a determinar si el origen del error es el modelo, un sensor o el propio cultivo.

¿Cómo se elige el modelo de cultivo adecuado para tu explotación agrícola?

Antes de seleccionar un modelo, hay que determinar qué parámetros se miden de forma fiable y con qué frecuencia, en lugar de elegir primero un modelo y comprar luego los sensores que se adapten a él. Los modelos mecanísticos necesitan datos climáticos continuos, mientras que los enfoques de aprendizaje automático requieren muchos lotes completados con etiquetas claras y pesos de cosecha.

Agricultura en entornos controlados mediante gemelos digitales: lo que realmente se necesita

Q: ¿Qué es un gemelo digital en la agricultura en entornos controlados?

Se trata de un modelo de cultivo en tiempo real que avanza en el tiempo al mismo tiempo que el cultivo real, incorporando datos de sensores para predecir la acumulación de biomasa y la fecha de cosecha. Se corrige en función de los pesos reales de la cosecha mediante un ciclo de calibración, lo que lo distingue de un panel de control estático con gráficos históricos.

Hoy en día, todos los proveedores de CEA utilizan el término «gemelo digital». La mayor parte de lo que se vende bajo esa etiqueta es un panel de control con gráficos históricos. Un gemelo es algo más específico y útil: un modelo de tu cultivo que avanza en el tiempo, en paralelo al cultivo real, y que se corrige cuando la realidad discrepa de él. Esto es lo que realmente se necesita en una explotación agrícola en funcionamiento.

Un gemelo digital en la agricultura en entornos controlados es un modelo de cultivo en tiempo real que funciona en paralelo a la explotación agrícola, recopila datos de sensores, predice la biomasa y la fecha de cosecha, y se corrige en función de los pesos reales de la cosecha. En la práctica, se necesitan tres elementos: sensores fiables, un modelo de cultivo adaptado a los datos de los que se dispone realmente y un ciclo de calibración que realice un seguimiento del error de predicción a lo largo del tiempo.

Qué es un gemelo digital y qué no es

El concepto no proviene de la agricultura. Proviene de la gestión del ciclo de vida del producto, donde el marco siempre se ha dividido en tres partes: el producto físico, el producto virtual y la conexión de datos entre ambos, una formulación atribuida a Michael Grieves y a la que posteriormente se le dio el nombre de «gemelo digital» en una hoja de ruta de la NASA. Esa tercera parte es donde fracasan los proyectos de CEA. Muchas explotaciones agrícolas cuentan con sensores. Muchas disponen de modelos. Muy pocas cuentan con una conexión bidireccional en tiempo real en la que el modelo se actualice a partir de los datos de los sensores y los resultados del modelo modifiquen lo que se hace sobre el terreno.

Un modelo CEA útil cumple cuatro funciones. Predice la acumulación de biomasa y la fecha de cosecha para cada lote en el edificio. Responde a preguntas hipotéticas antes de tomar una decisión: si aumento_{el CO₂} o reduzco la temperatura nocturna en dos grados, ¿qué ocurre con el peso fresco en el día 28? Señala anomalías, es decir, divergencias entre la trayectoria prevista y la observada, lo que suele ser la primera señal de un fallo en el riego o de un fallo en la iluminación. Además, genera un intervalo de confianza, no una cifra aislada, ya que una estimación puntual sin margen de error no puede utilizarse para un compromiso de entrega.

Lo que no es: un sustituto del criterio del agricultor, ni un sustituto de los registros. Si los datos de tu lote se encuentran en una hoja de cálculo con nombres de variedades incoherentes y sin una fecha y hora fiables de siembra, no tienes un problema de «gemelos», sino un problema de datos. Corrige primero el sistema de registro —consulta «El papel estratégico del software de gestión agrícola en las operaciones de cultivo en interior »— y, a continuación, añade la predicción como capa adicional.

La cobertura de los sensores determina qué modelo puedes utilizar realmente

Esta es la parte que los proveedores suelen pasar por alto. Los modelos de cultivos publicados difieren enormemente en cuanto a los datos que requieren como entrada, y elegir uno al que tu sistema de medición no pueda proporcionar datos da como resultado resultados sin sentido, aunque parezcan fiables.

Los modelos mecanicistas de lechuga, como el modelo de crecimiento dinámico validado por Van Henten en Wageningen para el control climático en invernaderos, requieren datos continuos de temperatura,_CO₂ y radiación. Las variantes que tienen en cuenta el déficit de presión de vapor añaden la humedad como factor determinante de primer orden, lo cual es importante en una granja vertical sellada, donde la transpiración y la carga de deshumidificación están estrechamente relacionadas. Los trabajos sobre el tomate se basan en derivados del modelo TOMGRO de variables de estado reducidas, que se simplificó deliberadamente para aplicaciones de control. En el otro extremo del espectro, el modelo genérico de cultivos SIMPLE utiliza 13 parámetros para especificar un tipo de cultivo, cuatro de ellos específicos del cultivar, lo que explica precisamente por qué se adapta bien a cultivos para los que nadie ha calibrado un modelo mecanicista completo, como las hierbas aromáticas y las brassicas.

Así pues, la secuencia práctica es la inversa de cómo lo abordan la mayoría de los operadores. No elijas primero un modelo y luego compres sensores. Haz un inventario de lo que mides de forma fiable, con qué frecuencia y con qué historial de calibración, y deja que eso determine la clase de modelo.

Enfoque	Lo que necesita de ti	Tiempo hasta obtener el primer resultado útil	¿Aguanta en condiciones en las que nunca has corrido?	Modo de fallo típico
Modelo mecanicista de cultivos basado en ecuaciones diferenciales ordinarias	Datos climáticos continuos: temperatura,_CO₂, luz y, a ser posible, humedad/VPD	Inmediato; los parámetros proceden de la bibliografía publicada	Sí, la fisiología permite hacer extrapolaciones	Los parámetros de los cultivares mal calibrados sesgan todas las predicciones en la misma dirección.
Aprendizaje automático a partir de tu propio historial	Numerosos lotes completados con etiquetas claras y pesos de cosecha	Largo: primero necesitas el historial de lotes	No — se degrada fuera de los límites de entrenamiento	Aprende tus malos hábitos y tu sensor averiado como si fueran parte de tu propia naturaleza
Regresión sobre los rendimientos históricos	Solo registros de cosecha y fechas de siembra	Días	No	No puede responder a preguntas hipotéticas, por lo que nunca modifica una decisión
Caja negra del proveedor sin punto final de calibración	Una suscripción	Inmediato	Inconoscible	No se pueden auditar los errores, por lo que la confianza se va minando y la herramienta acaba sin utilizarse.

¿Qué ocurre cuando el gemelo y la báscula no coinciden?

Este es el momento en el que se evalúa todo el proceso, y la respuesta correcta es anotar el valor real y dejar que el sistema mida su propio error. La métrica estándar es el error porcentual absoluto medio: la media de |valor previsto − valor real| / valor real en todos los lotes. Sin una ruta de calibración que incorpore los valores reales de la cosecha, un gemelo no tiene forma de distinguir entre un modelo erróneo, un sensor defectuoso o una cosecha realmente mala.

La mayor parte de las divergencias se deben a la instrumentación más que a la fisiología. Las sondas de pH y conductividad son las principales sospechosas: un estudio de la ASABE sobre la compensación automática de la deriva señala que las sondas que permanecen sumergidas durante largos periodos de tiempo presentan una deriva de la señal que reduce la precisión de la medición. Un sensor_{de CO₂} que marque 200 ppm menos de lo real hará que un modelo mecánico subestime el crecimiento durante meses, y tú culparás al modelo. Registra los procesos de calibración igual que registras los de desinfección, con la fecha y la hora, y quién lo ha realizado.

La segunda causa habitual es una discrepancia entre el valor de consigna y la situación real. El programa de cultivo hidropónico de lechuga de Cornell lleva mucho tiempo recomendando una integral de luz diaria (DLI) objetivo de aproximadamente 17 mol/m²/día para la lechuga. Un sistema que utilice la DLI prevista en lugar de la DLI medida a la altura del dosel sobreestimará el rendimiento en todas las estanterías en las que las luminarias se hayan deteriorado o haya fallado un controlador. Se debe medir a la altura del dosel, no en el controlador.

La autonomía basada en este ciclo no es algo teórico. En el «Autonomous Greenhouse Challenge» de Wageningen, equipos internacionales han gestionado de forma autónoma la iluminación, la calefacción, la dosificación_{de CO₂}, el riego y la fertilización; en la edición de 2024-2025, los equipos llevaron a cabo ciclos completos de cultivo de tomate de forma autónoma. La diferencia entre eso y una explotación agrícola comercial rara vez radica en el algoritmo. Radica en la calidad de los datos.

Cómo aborda AGEYE esta cuestión

CultivAid Predict es el gemelo digital agrícola y el motor de predicción de AGEYE. Ejecuta seis modelos de ecuaciones diferenciales ordinarias (EDO) para cultivos —lechuga NICOLET B3, lechuga Van Henten, lechuga Xu-Du con consideración de VPD, tomate TOMGRO, SIMPLE universal y hierba logística— y es compatible con 16 variedades de cultivos, entre las que se incluyen lechugas, hierbas, brassicas, tomates, fresas y microverduras.

La elección de diseño que resulta clave para el problema de cobertura de sensores mencionado anteriormente es el enrutamiento de modelos adaptado a los sensores: Predict clasifica los flujos de datos entrantes como «sensores completos», «sensores básicos» u «optimización climática», y selecciona el mejor modelo para cada cultivo en función de los datos realmente disponibles. Un punto final de escenario gestiona los cambios hipotéticos en las condiciones. Un punto final de calibración registra los datos reales de la cosecha y realiza un seguimiento del MAPE (error medio absoluto relativo) frente a las predicciones, de modo que el error de predicción es una magnitud medida y no una suposición. Las predicciones incluyen límites de confianza paramétricos, y el motor lleva a cabo la detección de anomalías. Para la planificación operativa más allá de un único lote, Predict incluye una simulación de explotación agrícola multiagente con 6 agentes y 18 tipos de acciones.

Predict se encuentra en predict.ageyetech.com. Las explotaciones agrícolas que estén sopesando la predicción frente a la inversión en hardware también deberían leer «¿Cuándo se amortiza la automatización agrícola? Explicación de los cálculos reales».

Qué significa esto

El valor comercial de un «gemelo» no radica en una curiosidad agronómica, sino en la capacidad de asumir un compromiso a futuro creíble. La solicitud del Capítulo 11 por parte de Plenty y su posterior reestructuración nos recuerdan que la agricultura de interior se evalúa en función del volumen entregado según lo estipulado en el contrato, no en función de la capacidad demostrada. Los compradores de verduras de hoja verde exigen un número concreto de cajas en una fecha determinada, y los incumplimientos conllevan sanciones. En los próximos años, los operadores que consigan acuerdos de compra a largo plazo serán aquellos que puedan demostrar un índice de error calibrado en sus propias previsiones, lote por lote, y que regulen el dosel en lugar del controlador. Esa es una afirmación verificable. Un panel de control, no.

Si quieres saber qué capacidad tiene tu cobertura actual de sensores antes de decidirte por una pila de modelización, empieza por la calculadora DLI y la herramienta de rentabilidad de cultivos, ambas gratuitas, disponibles en tools.ageyetech.com.