Anuncio de proyectos de agricultura financiados

Hoy, estamos orgullosos de compartir cinco proyectos recientes financiados en el campo de la agricultura. Desde los pastizales en Namibia hasta las pequeñas granjas en Zimbabue, los equipos seleccionados para la financiación desarrollan avances en el sector agrícola en materia de seguridad alimentaria, desarrollo económico y más en el África subsahariana.

Agradecemos a nuestros socios de ECI-África que hicieron posible el Panel Asesor Técnico Agrícola. Además, agradecemos profundamente a nuestro Panel Asesor Técnico Agrícola de 2021 y a los revisores asociados por su trabajo a la hora de simplificar un vasto grupo de aplicaciones y seleccionar una cartera diversa de proyectos para financiar:

• Drew Wheadon, Tetra Tech ARD
• Hamed Alemohammad, Radiant Earth Foundation
• Louise Donnison, University of Edinburgh
• Meareg Hailemariam, Dakar American University of Science and Technology
• Ruthie Musker, Centre for Agriculture and Bioscience International (CABI)
• Zara Khan, Delhi Technological University

También extendemos un gran agradecimiento a nuestros patrocinadores, quienes apoyaron esta convocatoria: The Rockefeller Foundation, Google.org, el Centro de Investigación para el Desarrollo Internacional de Canadá (IDCR, por sus siglas en inglés) y la agencia de desarrollo alemana GIZ en nombre del Ministerio Federal de Cooperación y Desarrollo Económicos(BMZ).

En el ciclo de solicitudes de 2021, el campo de la agricultura despertó un gran interés con más de 75 solicitudes de, o en asociación con, organizaciones en toda África. Casi dos años después del lanzamiento de Lacuna Fund, es alentador ver un compromiso tan fuerte. Siga leyendo para obtener más información sobre los proyectos más recientes seleccionados para financiación.

Conjunto de datos agrícolas basados en drones para el cálculo del rendimiento de los cultivos

Este proyecto de KaraAgro AI en colaboración con Makerere AI Lab creará un conjunto de datos adecuado para la clasificación y detección del tipo de cultivo, la clasificación y detección de la etapa de madurez de la fruta y el cálculo del rendimiento. Mediante el uso de drones, el equipo recopilará un total de 12 000 imágenes aéreas de árboles y frutas de Ghana y Uganda, incluidas 6000 imágenes aéreas de castañas de cajú y frutas de Ghana y Uganda, 3000 imágenes aéreas de árboles de cacao y frutas de Ghana, y 3000 imágenes aéreas de árboles de café y frutas de Uganda. El equipo clasificará los árboles con etiquetas apropiadas para el tipo de cultivo y frutas visibles según la representación de la etapa de desarrollo en que se encuentren.

Este proyecto nos acerca a la transformación de la agricultura africana en agronegocios… el conjunto de datos permitirá desarrollar soluciones de cálculos del rendimiento que les darán a los agricultores la oportunidad de tomar buenas decisiones comerciales y planificar adecuadamente sus necesidades de equipo, combustible y mano de obra, garantizar que tienen suficiente almacenamiento disponible, presupuestar flujos de efectivo y tomar decisiones con tiempo con respecto al marketing. También les permitirá tener una cosecha adecuada, lo que hace que los agricultores puedan garantizar productos frescos y saludables y, por lo tanto, mejores ventas e ingresos”.

– Darlington Akogo, fundador, director ejecutivo, KaraAgro AI e investigador principal del proyecto 

 

Conjuntos de datos agrícolas mejorados para el monitoreo remoto de cultivos destinados a brindar acceso a los servicios esenciales a los pequeños agricultores en Zimbabue

Este proyecto construirá mapas de rendimiento localizados en ciertas regiones de Zimbabue, con foco en el maíz, la soja y el trigo, a fin de aumentar el acceso a seguros agrícolas, créditos y servicios de extensión digital para mejorar el seguimiento y las respuestas de la seguridad alimentaria. Mediante el uso de teléfonos inteligentes/tabletas con Android y una aplicación personalizada para garantizar un procesamiento y análisis de datos rápidos y de alta calidad, el equipo recopilará datos de 3000 hogares de pequeños agricultores. El proyecto también creará un panel de visualización de datos que presenta información viable y mapas a las partes interesadas para respaldar la toma de decisiones sobre el desarrollo y marketing de productos, mitigación de desastres, financiación pública y políticas.

Estamos encantados de implementar un proyecto que permitirá obtener análisis precisos para los pequeños agricultores, lo que los ayudará a dar solución a algunas de sus principales preocupaciones, incluido el acceso a servicios financieros asequibles. Sus ingresos y productividad aumentarán con el tiempo como resultado de mejores servicios y gracias el acceso a servicios de agronomía basados en datos”.

– Mwenda Mugendi, gerente de investigación aplicada, Pula Advisors

 

Conjuntos de datos sindrómicos y ELISA móviles que facilitan la automatización rápida del aprendizaje automático para el diagnóstico de enfermedades en el ganado

Este proyecto creará conjuntos de datos para la identificación de enfermedades en el ganado, modelados epidemiológicos geoespaciales y diagnósticos rápidos que requieran atención en áreas rurales remotas de bajos recursos. Los conjuntos de datos permitirán la investigación en el sector ganadero y reducirán el costo de acceso a diagnósticos precisos hechos en el lugar debido a la implementación del modelo en teléfonos inteligentes. Esto creará oportunidades para la detección masiva en el ganado, incluso en las regiones de pastoreo más remotas que están severamente limitadas por el costo de logística que tiene la cadena de frío, que podrán convertirse en laboratorios altamente capacitados. Además, los conjuntos de datos de imágenes sintomáticas geoetiquetadas y etiquetadas por expertos formarán la base del mapeo de vigilancia sintomática en tiempo real, lo que permitirá que agencias ganaderas a nivel nacional monitoreen la incidencia y la gravedad de los síntomas/enfermedades a escala e informen la planificación de intervenciones basadas en evidencia.

Con el apoyo de Lacuna Fund, las iniciativas conjuntas de Makerere AI Lab, Makerere Molecular Lab y Veterinarians Without Borders propiciarán el camino para conjuntos de datos abiertos para el aprendizaje automático, una importante contribución a la innovación para la resiliencia del sector ganadero en África y las economías emergentes en general”.

 

Un nuevo conjunto de datos abiertos de gestión de pastizales y pasturas para Namibia

Los pastizales y ecosistemas de Namibia se están erosionando y degradando más que nunca, lo que amenaza la biodiversidad local y la seguridad alimentaria. Con el objetivo de contrarrestar estos problemas y empoderar a las comunidades para gestionar, planificar y mitigar mejor el estado de los pastizales, el equipo de este proyecto creará un conjunto de datos que monitoreará diferentes regiones del país y combinará tres tipos de recopilación de datos georreferenciados. Los datos recopilados ayudarán a calcular la capacidad de un área específica en un período seleccionado, pronosticar la biomasa de pastura que se espera que esté disponible después de la temporada de lluvias, calcular el nivel de invasión de arbustos y su distribución en áreas seleccionadas, y predecir la biomasa de vegetación de pastoreo durante la temporada de crecimiento.

Nos impulsa el impacto positivo que tendrá este primer conjunto de datos en la gestión de pastizales y pasturas en Namibia. Esperamos colaborar con una red de agricultores, trabajadores y supervisores locales interesados en el desarrollo de algoritmos de aprendizaje automático para obtener información necesaria para esta región semidesértica y poco estudiada donde los habitantes dependen de los pastizales para la seguridad alimentaria y el sustento”.

– Andrea Capobianco Dondona y el equipo Farm4Trade

 

Un conjunto de etiquetas de límites de campos de cultivo para toda la región y por varios años en el África subsahariana

En la mayoría de los países de África, no existen mapas completos de los límites de los campos de cultivo, lo que conduce a la falta de imágenes etiquetadas necesarias para entrenar y validar modelos de mapeo (a pesar de la creciente disponibilidad de modelos de aprendizaje profundo y de satélites de alta resolución). Este proyecto desarrollará un conjunto completo de etiquetas de alta calidad que será inmediatamente útil para entrenar modelos de mapeo de límites de campos y que se puedan generalizar en toda la región, y para perfeccionar y validar modelos para regiones y años específicos. El equipo etiquetará los campos en imágenes recopiladas en el África subsahariana durante las principales temporadas de crecimiento durante 6 años.

No hay etiquetas de límites de campo disponibles públicamente que cubran la amplia gama de sistemas agrícolas del África subsahariana… [nuestro] conjunto de etiquetas completo se puede utilizar de inmediato en la construcción de modelos mejorados para el mapeo de campos de cultivo. Su amplitud permitirá que se desarrollen modelos para generalizar, preparados para toda la región y el dominio del tiempo, y también permitirá que los modelos se perfeccionen y validen localmente dentro de subregiones y años específicos”.