Machine learning y control de plagas

Una plaga de langostas es algo que suena a maldición bíblica, y de hecho, lo es: algunas especies de langostas tienen, en su ciclo de desarrollo, una fase gregaria en la que migran en grandes enjambres de miles de millones de individuos, susceptibles de devorar cosechas enteras en algunos territorios. Este comportamiento está influenciado hormonalmente, cambia la fisonomía del insecto, y provoca su agrupamiento y su migración, lo que desencadena las plagas.

Históricamente, las plagas de langostas han sido una circunstancia contra la que se podía hacer más bien poco, más allá de resignarse o de, en algunas culturas, comerse las langostas, consideradas insectos comestibles. Desde el principio del siglo XX, tras alcanzarse una cierta comprensión de su ciclo vital – anteriormente las fases de desarrollo del animal se consideraban diferentes especies – se comenzaron a utilizar métodos para interrumpir su desarrollo, tales como cultivar el suelo donde depositaban los huevos, recogerlas con máquinas, con lanzallamas, o aplastándolas con rodillos y otros dispositivos mecánicos. El tratamiento mediante pesticidas también ha sido habitual, aunque se ha reducido en gran medida tras comprobarse su persistencia en la cadena alimentaria y su capacidad de bioacumulación.

La última plaga de langostas en África, entre los años 2003 y 2004, abarcó dos o tres generaciones de insectos, llegó a veintitrés países africanos, y tardó dos años en ser controlada. Ahora, a principios de 2020, Kenya, Somalia y Etiopía han sufrido la peor plaga de langostas de los últimos 70 años, que amenaza con sumir en la hambruna a millones de personas que dependen de sus cosechas para sobrevivir. Tras su paso, que ahora puede ser monitorizado con gran detalle, los científicos están avisando de la posibilidad de una segunda generación de insectos, potencialmente devastadora para la economía de unos 25 millones de personas en la zona. Para detener la plaga, es preciso predecir qué zonas son más susceptibles haber sido utilizadas para desovar y, en función de los parámetros meteorológicos, en dónde es más probable que se generen sus enjambres migratorios.

Aquí es donde el machine learning entra en juego: un modelo alimentado con datos meteorológicos como la fuerza y dirección del viento, la temperatura y la humedad ha logrado predecir con un 90% de confianza la ubicación futura de los enjambres de langostas. Ahora, los científicos están alimentando el modelo con datos de humedad del suelo y cubierta vegetal, intentando predecir los lugares en los que los insectos han puesto sus huevos y qué probabilidad tienen de eclosionar y ser viables, con el fin de concentrar en esas áreas los esfuerzos de fumigación. Los esfuerzos dedicados al control de las poblaciones de langosta, incluyendo el desarrollo de modelos computacionales e incluso la movilización del ejército, tienen un coste varios órdenes de magnitud inferiores que el coste de las cosechas que pueden llegar a perderse.

Las poblaciones de juveniles de langostas buscan desesperadamente vegetación con la que alimentarse, y su población se dispara en zonas en las que la humedad se sitúa entre el 50% y el 70%, y con temperaturas entre los 30ºC y los 40ºC. En el futuro, es perfectamente posible que la acción de plagas como las langostas se extienda a zonas previamente inéditas debido al cambio climático. Esa posibilidad lleva a que cada día sea más crucial la digitalización de la agricultura: regiones enteras sensorizadas capaces de recoger continuamente datos de humedad, temperatura, viento o cubierta vegetal, que permitan entrenar los modelos de desarrollo de estas plagas – e infinitas circunstancias más, como el granizo, etc., – monitorizar la explotación de los cultivos y tratar las áreas afectadas mediante métodos mecánicos o biológicos que permitan mantener la adecuada calificación y rentabilidad de las cosechas.

Si quieres evitar plagas de proporciones bíblicas, ve preparando las armas adecuadas para enfrentarte a ello. Y a día de hoy, esas armas incluyen, fundamentalmente, la generación de datos abundantes y adecuados, y el desarrollo de modelos de machine learning que permitan predecir su posible impacto.

Los tiempos cambian. Una barbaridad.