Loomin

Loomin — Inteligencia agronómica para Seguridad Alimentaria en LAC

Convertimos cada lote agrícola de Centroamérica en una decisión informada usando datos Copernicus, IA multimodal y ciencia agronómica calibrada localmente.

EQUIPO

Pablo Cardona es CEO y co-fundador. Ingeniero químico con formación en bioprocesos y agro. Lidera la estrategia comercial y de producto, el diseño del modelo agronómico, la arquitectura del sistema y la relación directa con productores en Centroamérica. Es responsable de la visión integral del producto, atravesando desde la captura de datos en campo hasta la lógica de predicción y la presentación al cliente final. 

David Salguero es CTO y co-fundador. Ingeniero en datos y sistemas. Lidera la arquitectura técnica de la plataforma, incluyendo el procesamiento de datos satelitales Copernicus, la integración con el modelo agronómico, el backend de la aplicación y las capacidades de inteligencia artificial. 

EL PROBLEMA

Centroamérica produce el 35% del café mundial y el 90% del banano de exportación, pero los productores operan tomando decisiones a corto plazo, de uno o dos días, cuyas consecuencias se materializan en tres a seis meses. El resultado son pérdidas sistemáticas del 15 al 30% del potencial productivo.

El productor centroamericano genera más información operativa de la que puede procesar manualmente. Tiene imágenes satelitales disponibles cada pocos días, datos climáticos cada hora, registros de aplicación de insumos, observaciones de campo en fotos y notas. Pero esta información vive en silos: el clima en una plataforma, el riego en otra, la bitácora en hojas de cálculo, las fotos en el teléfono. Al final, las decisiones se siguen tomando por intuición.

Las herramientas digitales agrícolas existentes están diseñadas para cultivos templados de gran escala. No hablan el lenguaje del cultivo tropical centroamericano: cohortes de banano por color de cinta, gestión de Sigatoka con método CIRAD, calibres de exportación medidos en 32avos de pulgada, grados-día acumulados con bases agronómicas tropicales, peste específica como nematodos, picudo o moko en banano.

LA SOLUCIÓN

Loomin convierte la información dispersa de una finca en decisiones accionables semanales. Hoy el productor tiene imágenes satelitales disponibles, datos climáticos, registros de aplicaciones, observaciones de campo en fotos y notas, pero todo vive en silos separados. Loomin combina todas estas fuentes en una única plataforma que escucha al satélite, lee el clima, recuerda cada aplicación y aprende con cada cosecha.

La plataforma se organiza en cuatro capas que trabajan en conjunto.

La primera capa es la observación remota basada en datos Copernicus. Sentinel-2 entrega índices vegetativos cada pocos días, Sentinel-1 detecta anomalías incluso bajo nubosidad usando radar, y ERA5-Land aporta el contexto climático histórico. Esta capa convierte el satélite en un agrónomo virtual que monitorea cada lote semana a semana sin pisar el campo.

La segunda capa es el motor de pronóstico. Combinamos modelos físicos basados en literatura agronómica de FAO con el cruce de índices satelitales y la bitácora del productor. Cada lote tiene su propio modelo, y cada predicción semanal viene descompuesta por factor (agua, nutrientes, presión biológica, fenología) con la evidencia que la respalda. El productor no recibe un número opaco, recibe un diagnóstico con razonamiento auditable.

La tercera capa es la planificación operativa. Loomin propone un plan vivo de tareas para cada lote: qué hacer, cuándo, con qué dosis. El plan no es un PDF estático que envejece, es una propuesta dinámica que se actualiza cada semana según lo que el satélite, el clima y la bitácora le dicen al modelo. Cada tarea queda trazada, y la plataforma aprende del cumplimiento real para refinar las recomendaciones futuras. Esta capa transforma a Loomin de herramienta de monitoreo en herramienta de operación.

La cuarta capa es el módulo Casos, un simulador de decisiones agronómicas que permite al productor preguntar "qué pasa si" antes de comprometer un plan. Qué pasa si retraso la siembra, qué pasa si reduzco el nitrógeno, qué pasa si llueve menos de lo previsto, qué pasa si aplico el fungicida una semana después. Cada escenario genera una proyección comparable contra el plan base, lo que permite tomar decisiones con visibilidad de consecuencias en lugar de pura intuición. Esta capa convierte la incertidumbre en exploración estructurada.

Atravesando las cuatro capas está la bitácora multimodal, donde el productor captura observaciones en texto, foto o audio. Un modelo de lenguaje grande, o LLM, procesa cada captura y extrae datos estructurados que alimentan automáticamente el motor de pronóstico. Esto resuelve el principal cuello de botella de las plataformas agrícolas digitales: la fricción de la captura. Si capturar datos es fácil, la plataforma tiene la información que necesita para predecir bien.

El resultado es una plataforma donde el productor llega cada lunes y ve, para cada uno de sus lotes, qué está pasando ahora, qué se espera para las próximas semanas, qué tareas tiene programadas y qué escenarios alternativos puede evaluar. Una sola pantalla reemplaza el cruce manual de cuatro o cinco plataformas y hojas de cálculo. Y todo está hablado en el idioma de su cultivo y de su región.

CALIBRACIÓN POR CLIENTE — LA TESIS DE LARGO PLAZO

Loomin no es un modelo único aplicado a todos los productores. La tesis es que cada cliente recorre tres etapas de personalización del modelo a medida que entrega datos.

La primera etapa es regional. Cuando un productor empieza, usamos parámetros agronómicos genéricos para su cultivo y región, basados en literatura FAO y promedios de la zona. La predicción es útil pero conservadora.

La segunda etapa es informada. Cuando el productor lleva un par de meses usando la plataforma y ha capturado bitácora consistente, el modelo empieza a ajustarse con sus aplicaciones reales, su calendario, sus rendimientos históricos. La predicción mejora porque conoce las particularidades de la operación.

La tercera etapa es calibrada. Cuando hay al menos un ciclo productivo completo con datos en la plataforma, el modelo se calibra contra el rendimiento real observado en cada lote. A partir de aquí, las predicciones son específicas para el cliente, su variedad, su suelo, su microclima. Cada cliente termina con un modelo que es suyo y que aprende solo.

Esta progresión convierte a Loomin en una infraestructura que mejora con el tiempo, no en una herramienta estática. Cada cliente nuevo enriquece el conocimiento agronómico de la plataforma, y cada cosecha vuelve a calibrar el sistema.

USO ESPECÍFICO DE COPERNICUS

Durante el hackatón construimos un pipeline que combina los tres datasets Copernicus de forma complementaria, aprovechando que cada uno cubre una limitación del otro.

De Sentinel-2 MSI usamos las bandas roja, infrarroja cercana, SWIR, azul y verde para calcular los índices vegetativos. Aplicamos enmascaramiento de nubes vía la Scene Classification Layer y aprovechamos la re-vista cada dos a cinco días según el lote. La clave del análisis no es comparar contra una media regional, sino contra el baseline histórico del propio polígono, lo que evita falsos positivos por diferencias de variedad o manejo.

De Sentinel-1 SAR usamos las polarizaciones VV y VH en modo IW, Ground Range Detected. Detectamos encharcamiento posterior a tormentas usando umbrales de backscatter y detectamos lodging en caña a través de cambios temporales en la señal radar. La gran ventaja de Sentinel-1 es que penetra nubes, lo que lo hace insustituible en Centroamérica, donde tenemos seis meses de temporada lluviosa al año durante los cuales Sentinel-2 está parcialmente bloqueado.

De ERA5-Land usamos variables como temperatura a dos metros, precipitación, evapotranspiración y humedad del suelo en distintas profundidades. Su resolución horaria y su cobertura histórica desde 1980 nos permiten calibrar curvas de grados-día por cultivo y hacer backfill para lotes sin estación meteorológica propia.

Copernicus es la única fuente realista para esta clase de monitoreo en Centroamérica. No hay cobertura comercial densa económicamente viable en la región. Copernicus es sistemático, operacional y gratuito, lo que lo hace la única infraestructura sobre la cual se puede construir un servicio agroclimático escalable para productores latinoamericanos.

EXTENSIÓN HACIA CARBONO, ESG Y SOSTENIBILIDAD

La misma infraestructura que construimos durante el hackatón para predicción de rendimiento sirve, con extensiones puntuales, para entrar a áreas adyacentes de alto valor para el productor y para el ecosistema financiero agrícola.

La primera extensión es carbono y ARR. Las metodologías de mercados voluntarios de carbono, como Verra VM0047, permiten usar datos de teledetección para establecer líneas base dinámicas, evaluar adicionalidad y monitorear cambios de vegetación en proyectos de aforestación, reforestación y revegetación. El pipeline Sentinel-2 con NDVI, NDRE y EVI, combinado con Sentinel-1 para penetrar nubes y ERA5-Land para contextualizar el clima histórico, es exactamente la materia prima del MRV (monitoring, reporting and verification) que estos estándares requieren. Con los polígonos del productor y el histórico procesado, Loomin puede convertirse en la capa de MRV satelital que conecta al productor con compradores de créditos.

La segunda extensión es ESG agrícola. Cada vez más empresas exportadoras enfrentan requerimientos de trazabilidad ambiental de sus cadenas de suministro, especialmente en banano y café que viajan a Europa, donde el reglamento EUDR sobre deforestación entra en vigor. Loomin ya captura el polígono del lote, su historial de cobertura vegetal y su manejo de insumos. Con extensiones específicas podemos generar reportes de deforestación cero, uso responsable de agua, manejo integrado de plagas y eficiencia de aplicación de fertilizantes, todos auditables y trazables al polígono individual.

La tercera extensión es sostenibilidad financiera. El sistema bancario y los seguros agrícolas en Latinoamérica tienen dificultad para evaluar el riesgo de un productor pequeño o mediano. Con la calibración por cliente y el histórico de predicciones cumplidas, Loomin puede generar un "score agronómico" auditable que sirva como insumo para acceso a crédito, seguros paramétricos y financiamiento ligado a desempeño ambiental.

La cuarta extensión es cambio climático y adaptación. ERA5-Land y los modelos climáticos de Copernicus Climate Data Store permiten proyectar cómo evolucionará la aptitud de un cultivo en un territorio dado bajo distintos escenarios. Esto le sirve al productor para tomar decisiones de largo plazo, al gobierno para planificación territorial, y a las cooperativas para diversificar riesgos.

La tesis de Loomin no es ser una plataforma de predicción de rendimiento. Es ser la infraestructura digital que conecta a los productores tropicales con el ecosistema satelital Copernicus, y que les permite participar en los mercados de carbono, los esquemas ESG, los productos financieros sostenibles y la planificación climática. Predicción de rendimiento es el caso de uso de entrada porque es el que el productor entiende de inmediato. Lo demás se construye sobre la misma base.

IMPACTO PROYECTADO

El modelo agronómico que construimos durante el hackatón, calibrado con literatura FAO sobre precision agriculture en cultivos perennes tropicales, sugiere un potencial de mejora de 10 a 15% en rendimiento al recuperar pérdidas evitables por estrés hídrico, nutricional y biótico detectado tarde. También sugiere una reducción de 20% en mermas por detección temprana de problemas y una reducción de 30% en aplicaciones químicas innecesarias, al aplicar por necesidad demostrada y no por calendario fijo.

A escala, si el 5% de las hectáreas centroamericanas adoptara este enfoque, hablamos de aproximadamente 50,000 hectáreas bajo monitoreo Copernicus operacional. Eso se traduce en alrededor de 75,000 toneladas adicionales producidas por año, valor adicional cercano a los 22 millones de dólares para productores centroamericanos, y una reducción significativa de huella ambiental por mejor manejo de insumos y agua.

A esto se suma el potencial de ingresos de carbono, ESG y financiamiento sostenible, que para un productor centroamericano puede representar entre 2 y 10 dólares adicionales por hectárea por año una vez que la infraestructura MRV está operacional.

PLAN POST-HACKATÓN CON APOYO DEL BID

Si recibimos los 50,000 dólares del premio BID, ejecutaríamos un piloto estructurado en tres trimestres.

En el primer trimestre arrancamos el piloto inicial con un productor guatemalteco. Esto incluye el acuerdo formal de piloto, el procesamiento histórico de imágenes Copernicus del polígono real, y la calibración del modelo con datos terrestres aportados por el productor. El objetivo es validar que la predicción semanal por lote individual es accionable y que el productor cambia decisiones reales a partir de ella.

En el segundo trimestre expandimos a tres fincas piloto, alcanzando cobertura aproximada de 3,000 hectáreas bajo monitoreo Copernicus operacional. Validamos la accuracy de las predicciones contra cosecha real e iteramos el modelo agronómico con los datos acumulados. También probamos la primera extensión hacia MRV de carbono o ESG en al menos una de las fincas piloto.

En los meses siete a doce abrimos a productores adicionales, llegando a cinco o diez productores totales monitoreados. El modelo queda validado como replicable para múltiples cultivos tropicales. El caso de uso se documenta como referencia publicable de aplicación operacional Copernicus en Latinoamérica, lo que abre la puerta a financiamiento institucional adicional para escalar la plataforma a toda la región.