La herramienta desarrolla y se encuentra en proceso de validación de un sistema de inteligencia artificial aplicado a la evaluación del impacto ambiental de la ganadería extensiva, orientado a analizar de forma integral la relación entre el comportamiento real del ganado, el estado de los pastizales y los flujos de carbono asociados a estos sistemas productivos. El principal reto que aborda esta solución es la modelización fiable de procesos ambientales complejos a partir de datos heterogéneos, incompletos y altamente correlacionados en el espacio y en el tiempo, característicos de los ecosistemas de pastizalrnLa solución se apoya en una arquitectura de fusión de datos multifuente, construida a partir de información real. Esta información se obtiene, en primer lugar, mediante la tecnología de collares GPS de Digitanimal, que permiten monitorizar de forma continua la localización y el nivel de actividad de los animales en sistemas extensivos. Estos datos se integran con otras fuentes de datos abiertos, como imágenes satelitales de observación de la Tierra (Sentinel-1 y Sentinel-2), datos meteorológicos, modelos digitales del terreno y análisis de muestras de suelo. A estos datos se añade la información aportada por los agentes humanos encargados del cuidado diario de los animales y del terreno: técnicos, veterinarios o los propios ganaderos introducen información obtenida mediante inspección visual, registros históricos y su propio conocimiento tradicional de la profesión. La combinación de estas fuentes permite capturar tanto la dinámica del uso del territorio por parte del ganado como las condiciones biofísicas que influyen en los procesos de secuestro y emisión de carbono.rnSobre esta infraestructura de datos se desarrollan modelos de aprendizaje automático supervisado y técnicas avanzadas de análisis espacial, específicamente adaptadas a datos georreferenciados y espaciotemporales. En el caso del secuestro de carbono, los modelos integran variables derivadas de índices de vegetación, productividad del pasto, clima y topografía, utilizando las muestras de suelo como referencia para mejorar la estimación de carbono orgánico en los pastizales. Para el análisis de emisiones, la IA complementa los modelos teóricos existentes con información observada sobre actividad animal, uso del espacio y condiciones ambientales, permitiendo una contextualización más precisa de las estimaciones a escala de explotación.rnUna contribución clave del proyecto es la adaptación de técnicas de inteligencia artificial y geoestadística al contexto específico de la ganadería extensiva, donde la autocorrelación espacial, la heterogeneidad del territorio y las distintas escalas temporales dificultan el uso de métodos convencionales. A diferencia de enfoques basados en modelos puramente teóricos o en herramientas descriptivas, la solución desarrollada aprende directamente de datos observados en campo, integrando comportamiento animal, suelo y territorio, y reduciendo la dependencia de campañas intensivas de muestreo.rnDesde el punto de vista funcional, la solución permite evaluar de forma cuantitativa el impacto ambiental de diferentes estrategias de manejo ganadero, así como simular escenarios alternativos de pastoreo y su efecto potencial sobre el balance de carbono. Estas capacidades sientan las bases de sistemas de apoyo a la toma de decisiones basados en IA, orientados a identificar prácticas que favorezcan la sostenibilidad de los pastizales y la reducción de la huella climática, manteniendo la viabilidad productiva de las explotaciones.rnEn términos de desempeño, los modelos se validan utilizando datos reales procedentes de múltiples explotaciones, procesando un gran volumen de datos. A lo largo del desarrollo se prioriza la interpretabilidad de las variables ambientales y de manejo, con el fin de comprender qué factores explican los cambios observados en el balance de carbono y facilitar su aplicación en contextos reales siendo un apoyo a la acción climática, capaz de transformar grandes volúmenes de datos ambientales en conocimiento útil para la gestión sostenible de los sistemas agroganaderos.
Autoría
Digitanimal
Categoría
Agricultura y ganadería
Localización
Madrid
Tecnologías clave
Machine learning, Deep learning
Infraestructura
AWS
Nivel de madurez tecnológica (TRL)
TRL 6 — Demostración de prototipo en entorno relevante
Beneficiarios
Beneficiarios directosrn Los principales beneficiarios directos del proyecto son los ganaderos en sistemas extensivos (vacuno, ovino y caprino) que participan en el proyecto y aquellos que acceden a las herramientas y resultados desarrollados. La solución de IA proporciona evaluaciones objetivas del impacto ambiental de su manejo, permitiéndoles comprender cómo sus decisiones influyen en el balance de carbono, optimizar el uso de los pastizales y avanzar hacia prácticas más sostenibles sin comprometer la viabilidad productiva.rnPequeños ganaderos y asociaciones ruralesrnEl proyecto ha puesto especial énfasis en la inclusión de pequeños ganaderos, que representan la mayor parte del sector extensivo y que tradicionalmente tienen un acceso limitado a tecnologías avanzadas. A través de colaboraciones con asociaciones sectoriales y del diseño de herramientas escalables, el proyecto facilita el acceso a capacidades de análisis ambiental basadas en IA para este colectivo.rnPersonal técnico e investigadoresrnInvestigadores y técnicos especializados en ganadería, medio ambiente y cambio climático se benefician directamente de las bases de datos, modelos y metodologías generadas, que permiten avanzar en el estudio del secuestro de carbono, las emisiones y la relación animal – territorio en ecosistemas de pastizal.rnBeneficiarios indirectosrnAdministraciones públicas y responsables de políticasrnLas administraciones y organismos públicos se benefician de la disponibilidad de herramientas objetivas y basadas en datos para el diseño, seguimiento y evaluación de políticas agroambientales y climáticas. Los resultados del proyecto facilitan la monitorización de prácticas sostenibles y el desarrollo de instrumentos de apoyo vinculados a la acción climática y la gestión del territorio.rnSector agroalimentario y cadena de valorrnEl sector agroalimentario se beneficia indirectamente de una mejora en la trazabilidad ambiental y en la credibilidad de los productos procedentes de ganadería extensiva, reforzando su posicionamiento en mercados cada vez más sensibles a criterios de sostenibilidad y huella climática.rnComunidad científica y tecnológicarnLa comunidad científica y tecnológica accede a datos, enfoques metodológicos y resultados que contribuyen al avance del estado del arte en inteligencia artificial aplicada a sistemas socioambientales complejos, especialmente en el ámbito de la observación de la Tierra, la analítica espacial y la sostenibilidad.rnSociedad y territorios ruralesrnDe forma indirecta, la sociedad en su conjunto se beneficia del refuerzo de la sostenibilidad ambiental y climática de la ganadería extensiva, así como de la preservación de los servicios ecosistémicos asociados a los pastizales (biodiversidad, regulación hídrica, prevención de incendios y mantenimiento del paisaje). Estos beneficios contribuyen a la resiliencia de los territorios rurales y a una mayor aceptación social de la actividad ganadera.
Indicadores o KPI de impacto
1. Mejora en la toma de decisionesrnrnNúmero de estrategias de manejo evaluadas por explotaciónrn (rotaciones, carga ganadera, tiempos de pastoreo).rnrnReducción de la incertidumbre en decisiones de manejorn Comparación antes/después del uso de la herramienta.rnrnTiempo medio necesario para obtener un diagnóstico ambientalrn horas/días frente a métodos tradicionales.rnrn2. Viabilidad productivarnrnMantenimiento o mejora de la carga ganadera compatible con balance climático positivo.rnrnEstabilidad del uso del territorio por el ganadorn Menor sobrepastoreo localizado.rnrnCompatibilidad entre sostenibilidad ambiental y rendimiento productivorn (indicador cualitativo apoyado en datos cuantitativos).rnrn3. Indicadores de adopción y uso por parte de actores clavernrnNúmero de explotaciones piloto participantes en la validación.rnrnGrado de participación de ganaderos y técnicosrn inputs humanos/mes/explotación.rnrnNivel de aceptación de la herramienta por los usuarios finalesrn (encuestas, jornadas, etc.).rnrnFrecuencia de uso del sistema como apoyo a decisiones reales.rnrnNúmero de recomendaciones de manejo aplicadas en campo.rnrn4. Indicadores de impacto sistémico y acción climáticarnrnPotencial de escalabilidad territorial del sistemarn ha/año que podrían evaluarse con la solución.rnrnReducción potencial de costes de monitoreo ambientalrn frente a campañas intensivas de muestreo.rnrnContribución a marcos de reporte climático y sostenibilidadrn (PAC, ecoesquemas, huella de carbono, mercados de carbono).rnrnCapacidad de replicación en otros sistemas extensivos o regiones.rnrnGeneración de conocimiento transferiblern (modelos, metodologías, publicaciones, guías técnicas).
Capacidad tecnológica del proyecto
Capacidad tecnológica del proyectornEl proyecto se apoya en una capacidad tecnológica integral que combina IoT en campo, observación de la Tierra, analítica de datos geoespaciales e inteligencia artificial, desplegada sobre una infraestructura cloud interoperable y escalable.rnComputación y arquitectura cloudrnLa solución se implementa sobre una infraestructura cloud distribuida orientada a asegurar disponibilidad y resiliencia frente a fallos, diseñada para el procesado y almacenamiento continuado de información procedente de múltiples fuentes.rn Como base de interoperabilidad, la plataforma se fundamenta en FIWARE, un framework open-source promovido en la UE para gestión de datos contextuales, que utiliza modelos de datos, conectores y un componente central (Context Broker) para integrar y servir información. El intercambio se realiza mediante formatos estándar (p. ej., JSON) y APIs que facilitan la integración de fuentes de datos de terceros.rnFrameworks y componentes softwarernFIWARE como marco principal de la plataforma cloud interoperable (Context Broker, conectores, modelos de datos, APIs).rnMódulos software específicos para integración de datos multifuente, procesamiento a gran escala y generación de resultados; además, se contempla un paquete software capaz de integrarse en una solución cloud y procesar gran cantidad de datos para generar recomendaciones de manejo.rnrnrnModelos de IArnEl proyecto utiliza modelos especializados de Machine Learning. El enfoque incluye:rnModelos supervisados donde variables del suelo (p. ej., carbono orgánico y otros parámetros de salud del suelo) actúan como variables dependientes y los datos IoT/satelitales/meteorológicos como predictores. rnModelos no supervisados para analizar información satelital, incluyendo detección y agrupamiento de zonas (clustering) y estrategias de etiquetado priorizadas por incertidumbre, minimizando la intervención humana.rnUn modelo semiautomático para estimación de emisiones, partiendo de métodos teóricos y automatizando la incorporación de los datos que alimentan dichos modelos, complementando con datos de literatura cuando se aplica.rnEn el desarrollo se han empleado diferentes modelos de ML, siendo Random Forest el que ofrece mejores resultados en todas las métricas, por lo que es el que se ha elegido y el que se utiliza en las posibles mejoras.rnrnrnDatos (sensores IoT, datos satelitales de observación de la Tierra (EO) y datos de campo)rnEl proyecto integra datos reales de alta resolución procedentes de:rnCollares IoT para ganado: módulo GPS, acelerómetro, sensor de temperatura exterior, memoria interna, módulo de comunicaciones IoT, microcontrolador, batería de litio y carcasa IP67.rnImágenes satelitales Copernicus (Sentinel-1 radar y Sentinel-2 multiespectral) para seguimiento remoto de recursos y estado del pasto.rnEstaciones meteorológicas IoT (termómetro de superficie, pluviómetro) y otras fuentes climáticas.rnModelos digitales del terreno derivados de LiDAR (PNOA) y muestras de suelo/vegetación analizadas en laboratorio para entrenamiento/validación.rnDatos registrados por los ganaderos, técnicos y otros agentes involucrados en el día a día de las explotaciones ganaderas.rnrnrnInterfaces e integracionesrnLa plataforma habilita APIs para intercambio de información e integración de fuentes externas sobre FIWARE.rnPara trazabilidad y certificación, se incorpora un componente blockchain basado en Hyperledger Fabric (con mención de Alastria como red de referencia), orientado a registrar de forma inalterable evidencias asociadas a emisiones y secuestro de carbono.rnSe contempla, además, una aplicación pública de gamificación/simulación para facilitar la interacción de ganaderos sin necesidad de sensores en todos los casos.
Sostenibilidad, huella ambiental y licencia social
El proyecto incorpora la sostenibilidad ambiental como eje central tanto en su finalidad como en su diseño tecnológico, orientando el uso de la inteligencia artificial a la reducción del impacto ambiental de la ganadería extensiva y a la mejora de la gestión de los recursos naturales.rnDesde el punto de vista de la huella ambiental, la solución desarrollada permite evaluar y comparar distintas estrategias de manejo ganadero en función de su impacto sobre el balance de carbono, contribuyendo a identificar prácticas que favorecen el secuestro de carbono en suelos de pastizal y reducen el riesgo de degradación del ecosistema. Al facilitar una gestión más ajustada del pastoreo, el proyecto ayuda a prevenir situaciones de sobrepastoreo e infrapastoreo, con efectos positivos sobre la biodiversidad, la estructura del suelo y la resiliencia frente al cambio climático.rnEn términos de eficiencia y sostenibilidad energética, se apoya en el uso de datos de observación de la Tierra y sensores IoT de bajo consumo, reduciendo la necesidad de desplazamientos frecuentes y campañas intensivas de muestreo en campo. La utilización de imágenes satelitales y de infraestructuras cloud compartidas permite optimizar el uso de recursos tecnológicos y minimizar el impacto energético asociado a la recogida y procesamiento de datos.rnEl proyecto contribuye asimismo a la licencia social de la ganadería extensiva, al aportar evidencia objetiva y basada en datos sobre su desempeño ambiental y su potencial como aliada en la acción climática.