Una nueva medida de similitud basada en IA para recomendación de alternativas óptimas de rotaciones agrícolas a largo plazo

Abstract

Presentamos una herramienta que permite realizar recomendaciones personalizadas a productores agrícolas, ofreciendo alternativas de rotaciones de cultivos a largo plazo que optimicen simultáneamente la eficiencia económica y ambiental considerada en múltiples variables. Para ello, proponemos una nueva métrica de similitud entre secuencias de decisiones agronómicas, basada en técnicas de redes neuronales utilizadas en la disciplina del procesamiento de lenguaje natural. Esta métrica permite seleccionar, dentro de un conjunto de soluciones óptimas en sentido de Pareto (obtenidas por el sistema de simulación y optimización AgrOptim) aquellas secuencias más similares a las prácticas típicas y usuales de cada productor. De este modo, se busca minimizar las barreras de adopción de recomendaciones generadas por AgrOptim, facilitando la puesta en práctica de secuencias de cultivo y decisiones productivas más sostenibles y eficientes.

We present a tool that enables personalized recommendations for agricultural producers by offering long-term crop rotation alternatives that simultaneously optimize economic and environmental efficiency across multiple variables. To achieve this, we propose a new similarity metric between sequences of agronomic decisions, based on neural network techniques commonly used in the field of natural language processing. This metric allows us to select, from a set of Pareto-optimal solutions (generated by the AgrOptim simulation and optimization system), those sequences that are most similar to the typical and customary practices of each producer. In this way, we aim to reduce the barriers to adopting the recommendations generated by AgrOptim, facilitating the implementation of more sustainable and efficient cropping sequences and production decisions.