![](http://www.technologyreview.es/sites/default/files/mit-images/image_51353.jpg)
La 'start-up' TellusLabs combina imágenes por satélite, conocimiento científico e históricos de estadísticas para mejorar, según la empresa, hasta un 69% las predicciones del Gobierno de EEUU sobre cosechas
Obtener perspectiva y claves financieras a partir de imágenes por satélite no es un invento nuevo, pero TellusLabs le ha dado una vuelta de tuerca más. Esta start-up de Boston (EEUU) analiza las imágenes de la NASA junto con los datos meteorológicos de la Administración Nacional Oceánica y Atmosférica de EEUU y la información estacional sobre el crecimiento de los cultivos del Departamento de Agricultura de EEUU (USDA, por sus siglas en inglés). Posteriormente aplica algoritmos de aprendizaje automático para generar información sobre los recursos naturales, como poder predecir el rendimiento de los cultivos.
Es posible que esta estrategia parezca similar a la de otras empresas de análisis de imágenes por satélite, como Descartes Labs u Orbital Insight. Sin embargo, TellusLabs planea diferenciarse del resto al aplicar sus conocimientos científicos sobre vegetación y climatología en los análisis, centrar su actividad en los recursos naturales y lanzar rápidamente nuevos productos. Su objetivo es convertirse en "una terminal de Bloomberg para las señales de la Tierra". Para el CEO y cofundador de TellusLabs, David Potere, "existe una gran cantidad de gente que debe tomar decisiones difíciles basándose en los recursos naturales, y nosotros queremos proporcionarles datos de calidad rápidamente".
La primera incursión de la empresa en el mercado se llama Kernel, una herramienta para realizar previsiones sobre los productos y materias primas agrícolas que ha entrado hace poco en fase de pruebas para el público. Esta versión beta gratuita tiene unas funciones limitadas, pero el producto definitivo consta de una interfaz y escritorio interactivo en línea que muestra un mapa de las principales áreas de cultivo de maíz en EEUU (en 18 estados) junto con los principales indicadores financieros, así como una previsión del rendimiento, las áreas cosechadas y la producción total. Los usuarios pueden ver los datos a nivel federal, estatal o del distrito agrícola. También pueden consultar el historial de rendimiento obtenido a partir de datos del USDA. Este panel también incluye una flecha indicadora, similar al indicador de los mercados bursátiles, que indica las variaciones medias en las estimaciones sobre los rendimientos del maíz, semana tras semana. TellusLabs actualizará esta previsión a diario.
Foto: Este es el aspecto de Kernel, la herramienta para predecir la producción y el rendimiento de los cultivos agrícolas desarrollada por TellusLabs.
Al igual que la terminal de Bloomberg, Kernel está diseñada para ser un nexo con datos financieros fiables y rápidos que la gente pueda utilizar de múltiples maneras. Un comerciante de bienes básicos puede emplear la información para calcular cuándo podría lograr beneficios en mercados futuros. Un operario de una planta de etanol puede consultar Kernel para determinar si los granjeros con los que trabaja le podrán suministrar suficiente maíz como para mantener la instalación funcionando. Una agroempresa como John Deere podría adquirir la licencia para suministrar los datos e integrarlos en una bomba inteligente que ajuste automáticamente la cantidad de agua para regar las cosechas.
El savoir-faire sobre recursos naturales que se esconde detrás de Kernel proviene principalmente del otro cofundador y CTO de TellusLabs, Mark Friedl. Friedl es profesor del departamento de ciencias medioambientales y de la Tierra en la Universidad de Boston (EEUU), y también dirige el grupo de investigación sobre la superficie terrestre y el clima en esta universidad. Este grupo de investigación estudia el mapeo y la monitorización de la vegetación a nivel continental. TellusLabs también cuenta con un equipo de asesores científicos expertos en la teleobservación de cosechas, bosques y masas de agua. Uno de estos asesores trabaja en el equipo de Ciencias de la Tierra de la NASA, y otro de ellos trabaja en el Centro de Investigación Woods Hole, un instituto de investigación medioambiental situado en Massachusetts (EEUU). El CEO de TellusLabs, Potere, tiene un máster en teleobservación por satélite y un doctorado en geodemografía; además ayudó a crear y a dirigir el equipo de ciencia de datos del Boston Consulting Group.
La rapidez y la precisión podrían suponer una ventaja para TellusLabs en este mercado. La compañía sostiene que, según un análisis interno reciente, es capaz de predecir el rendimiento de los cultivos en EEUU hasta final de año con más precisión que el Gobierno de EEUU. En esa prueba, TellusLabs cogió los datos históricos a disposición del público sobre el rendimiento del maíz del USDA entre 2004 y 2014, los procesó con sus algoritmos y predijo las cifras de finales de año. En ese período de 10 años, los cálculos de la start-up superan a los del Gobierno el 69% de las veces durante agosto y septiembre, los meses más importantes para la compraventa de maíz.
Asimismo, TellusLabs ha publicado hace poco una estimación del rendimiento del maíz para la temporada de cultivo de 2016. La idea es que los clientes potenciales puedan comparar su predicción con la que la USDA publicará a finales de este mes.
Quandl, un agregador de análisis de datos financieros, económicos y otros tipos como imágenes por satélite, está probando actualmente Kernel para decidir si lo revende en su plataforma o no. La plataforma de Quandl se utiliza en fondos de inversión, gestión de activos, fondos de pensiones y bancos de inversión. Los primeros indicios son alentadores. "Es posible ganar dinero siendo más preciso que el mercado, o siendo más rápido; TellusLabs es las dos cosas", sostiene el director de datos de Quandl, Abraham Thomas. "De por sí, una 'derrota' al 70% no es algo tremendamente convincente, pero si a eso se le añade la ventaja de la velocidad, entonces sí es convincente".
En septiembre, TellusLabs planea introducir en Kernel un modelo de predicción para la soja. A largo plazo, pretende: desarrollar un modelo de previsión para el trigo; ampliar sus datos sobre el rendimiento del maíz a Argentina, Brasil y China; monitorizar los bosques y las grandes masas de agua dulce por satélite. "Tenemos un repertorio de ideas", reconoce Potere. "Hay un montón de preguntas geoespaciales a nivel global interesantes que todavía no se han respondido".