Simulaciones computacionales para explorar caminos sostenibles en agricultura

La agricultura es uno de los sectores que está ejerciendo mayor presión sobre el medio ambiente, favoreciendo la pérdida de biodiversidad, emitiendo gases de efecto invernadero y degradando el suelo. A pesar del conocido gran impacto ambiental que esto supone, es necesario seguir alimentándonos hoy y en un futuro. Por ello, muchas disciplinas distintas se enfocan en hallar cómo asegurar un futuro que garantice seguridad alimentaria mientras reducimos los impactos medioambientales derivados de la actividad agrícola. En definitiva, buscamos cómo hacer que la agricultura sea sostenible.

¿Y qué significa exactamente que algo sea “sostenible”?

A grandes rasgos, la palabra “sostenibilidad” es definida como el desarrollo que satisface las necesidades presentes sin comprometer la capacidad de las futuras generaciones de satisfacer sus propias necesidades. De esta manera, aquellas prácticas que garanticen la conservación de recursos podría llamarse sostenible. Por ejemplo, aumentar el número y diversidad de enemigos naturales de plagas en los cultivos podría ser una práctica sostenible, puesto que así se ve reducida la dependencia de productos fitosanitarios, un recurso limitado que perjudica la salud medioambiental a largo plazo. Por tanto, no podemos tener sistemas socio-económicos sostenibles sin tener en cuenta el medio ambiente.

¿Pero cómo podemos saber si un sistema es sostenible? Un correcto entendimiento de las diversas dimensiones de la sostenibilidad (económica, social y ecológica), además de la completa comprensión de todos los elementos que forman los sistemas complejos, como los sistemas agrícolas, es uno de los principales retos hoy en día.

Gráfico de donut sobre las diferentes dimensiones de la sostenibilidad y los límites planetarios. Autora: Kate Raworth.

¿Qué se hace actualmente para conseguir una agricultura más sostenible?

Hoy en día, distintas estrategias se emplean en buscar la manera de aportar mayor sostenibilidad en la agricultura sin perjudicar la producción de alimentos. Con este fin, surgen diferentes estrategias que reducen el impacto ambiental manteniendo o incluso aumentando la producción, como la producción de cultivos mejorados genéticamente o el uso optimizado y de alta precisión de las tecnologías en la agricultura. ¡Existe un amplio abanico de estrategias en este sector!

Sin embargo, estas no son las únicas estrategias que pueden mejorar la sostenibilidad en los sistemas agrícolas. Estos sistemas, también llamados sistemas agroecológicos, son complejos, ya que están formados por varias partes interconectadas con vínculos muy específicos entre ellas. Además, también es importante tener en cuenta a los consumidores y el resto de actores que participan en dichos sistemas. Una visión holística permite observar los sistemas complejos desde varias dimensiones, como pueden ser la dimensión ecológica, social y económica para evaluar la sostenibilidad de un sistema. Quizás puedas pensar: “Y con los avances tecnológicos que existen hoy en día, ¿no sería posible hacer una simulación por ordenador para ver cómo ser más sostenibles? ¡Pues sí, es posible! Desde hace varias décadas, las simulaciones computacionales son nuestras aliadas para evaluar sistemas y estimar sus resultados. Aunque hay muchos otros modelos que se pueden emplear (generalmente, más enfocados en el aspecto económico, como los modelos econométricos), hoy vengo a explicar en más detalle los modelos basados en agentes.

Los modelos basados en agentes

Estos modelos son una herramienta relativamente novedosa que integra distintas dimensiones y que pueden simular estos sistemas complejos. Los modelos basados en agentes (también conocidos como ABM por sus siglas en inglés) son modelos computacionales que simulan el comportamiento y las interacciones de distintos agentes en un mismo entorno. Este recurso computacional ha sido usado para modelar y simular la realidad. En el campo de la agricultura (entre otros) son utilizados fundamentalmente para explorar distintos escenarios como puede ser la implementación de una práctica agrícola concreta, cómo los agricultores y consumidores toman decisiones, y el efecto de las políticas agrícolas en dicho sector. Estas simulaciones de escenarios y futuros inciertos pueden ayudar a tomar decisiones que lleven a unos sistemas agrícolas más sostenibles. 

​​

Los ABM son una representación de la realidad, de los principales agentes que componen un sistema y de las interacciones entre ellos. Fuente: Izquierdo et al., 2008.

La unidad principal de estos modelos se denominan, efectivamente, agentes. Éstos son las entidades principales del modelo que poseen unos atributos determinados y que interactúan entre sí en el tiempo y el espacio. Los agentes son una representación colectivizada de individuos con características similares, intentando de esta forma simular lo que observamos en la realidad. De esta manera, podemos realizar numerosas simulaciones que nos permitan observar fenómenos emergentes derivados de la interacción conjunta de estos agentes. En el esquema anterior vemos cómo las personas (entidades) que observamos en la realidad son caracterizadas como agentes en el modelo computacional a la derecha. Cada agente tiene sus propios atributos, comportamientos e interacciones, representando la realidad.

Ya que una imagen vale más que mil palabras, pondré un ejemplo más visual. ¿Has observado alguna vez bandadas de estorninos, o bancos de peces, que se mueven de una forma característica cuando forman grupos? Este fenómeno no puede ser observado simplemente a través de un único agente (en este caso, un estornino o un pez moviéndose solo), sino que se requiere la interacción de un grupo numeroso de agentes además de entender cómo se comportan. 

Bandada de estorninos al atardecer y su peculiar forma de volar en grupo.

No sólo los agentes y sus interacciones son relevantes, también hace falta añadir parámetros al modelo para poder definir estos escenarios. Siguiendo el ejemplo de la agricultura sostenible, estos parámetros pueden ser el área de cultivo, prácticas agrícolas que determinen la producción, el uso de fertilizantes… Para construir dichos parámetros, el modelo debe ser calibrado con datos obtenidos de la realidad, de varios casos de estudio o de base de datos que nos permitan representar la realidad que observamos. Para ello, se pueden usar datos cuantitativos, cualitativos, o ambos. A su vez, éstos pueden integrar fácilmente sistemas de información geográfica (SIG), es decir, una referencia espacial tomada por satélite que contribuye a alimentar el modelo con datos observados. Además, no sólo es importante añadir datos para caracterizar el modelo, sino que el comportamiento de los agentes también deben definirse a través de reglas o ecuaciones, dependiendo del caso. Ésto arrojará luz sobre cómo funciona la dinámica del modelo, lo que nos ayudará a entender el sistema que estamos estudiando y cómo podemos intervenir en él para obtener los resultados esperados en la realidad.

Todo ello definirá los escenarios que queremos comprobar. ¿Qué ocurriría si reduzco el uso de fertilizantes? ¿Y si, además de ello, cambio mi método de producción? ¿Cuál sería el resultado de variar estos parámetros en el sistema? ¿Qué escenario causa mayor sostenibilidad en mi sistema agrícola? Para resolver estas preguntas, se realizan cientos de simulaciones de estos escenarios y sus proyecciones a futuro, que posteriormente serán analizadas para descubrir qué parámetros son aquellos que cambiarán radicalmente mi modelo, cómo se relacionan dichos parámetros entre sí y cuál podría ser la consecuencia en la realidad. No obstante, estos modelos representan sistemas complejos con multitud de interacciones y datos que quizás no han sido observados. Todo ello implica cierta incertidumbre en los modelos, por lo que no pueden predecir con total exactitud los efectos de variar determinados parámetros. Aun así, resultan una herramienta muy práctica para la toma de decisiones o para explorar cómo es nuestro sistema de estudio.

La aplicación de los ABM nos permite explorar escenarios futuros para poder elegir la estrategia que más se adapta a nuestro objetivo. Gracias a estos modelos que integran interacciones entre agentes en el espacio y en el tiempo, es posible estudiar estas alternativas para alcanzar una producción más sostenible.

Bibliografía:

Luis R. Izquierdo, José M. Galán, José I. Santos, Ricardo del Olmo, 2008. Modelado de sistemas complejos mediante simulación basada en agentes y mediante dinámica de sistemas. Empiria. Revista De metodología De Ciencias Sociales, (16), 85–112. https://doi.org/10.5944/empiria.16.2008.1391

-

Este artículo nos lo manda Alba Alonso Adame. Alba estudió Ciencias Ambientales en la Universidad Pablo de Olavide de Sevilla, misma universidad en la que cursó el máster de Biodiversidad y Biología de la Conservación. Poco tiempo después, en 2019, se mudó a Gante, Bélgica, para comenzar su carrera profesional. En 2021 comenzó su doctorado en Ciencias Ambientales en el Instituto Flamenco de Investigación Agrícola y Pesquera (ILVO) en conjunto con la Universidad de Amberes, en el cual investiga transiciones sostenibles en la agricultura a través de los modelos basados en agentes.

Puedes encontrarla en LinkedIn y en Twitter.