Mes: noviembre 2020

1996
En 1996 Louis van den Borne dio el primer paso hacia la agricultura de precisión. Se probó un sistema de registro que estaba vinculado a un Muller UNI-Control S. La computadora de a bordo UNI-Control-S se puede utilizar durante todo el año, en muchas máquinas agrícolas, para medir (áreas / distancia recorrida), controlar ( a partir de cantidades), verificando y almacenando los datos (Müller-Elektronik, 1994).

Este sistema se compró para que el registro de aspersión se realice automáticamente midiendo el consumo de combustible y los tiempos de las tareas y realizando un registro personal. En combinación con el cálculo del precio de costo y el registro de existencias, este fue un sistema confiable y simple.

1998
La tarjeta con chip de UNI-Control S fue compatible con Comwaes hasta 1998. Cuando MS-DOS cambió a Windows 3.1, Comwaes ya no pudo admitir la tarjeta con chip y el sistema se volvió inútil mientras no se encontrara otra empresa de soporte . Dacom, una empresa que ha estado produciendo registros de cultivo utilizando soluciones TIC avanzadas desde 1980, empleó a un programador que también trabajó con Müller UNI-Control. El mecánico contratado se aseguró de que el sistema permaneciera apoyado, de modo que van den Borne se quedó con el sistema.

En 1998, se dieron los primeros pasos con respecto al registro de límites de campo. ISAplan, un software francés, fue desarrollado para datos geográficos. En este software fue posible procesar datos. Un programa que formó parte de ISAplan fue ISAGPS. Este programa se ejecutó en una PDA, un llamado I-PAC. Los límites del campo se rompieron con este PDA. Debido a que aún no había RTK-GPS, estos límites de campo tenían una precisión de 5 metros.

Luego, los límites del campo se procesaron en ISAplan. No fue posible colocar un fondo detrás de los bordes del campo. Los mapas disponibles solo contienen fondos de los Países Bajos. Las parcelas se distribuyeron por los Países Bajos y Bélgica, por lo que estos mapas no se pudieron utilizar como fondo.

A través de contactos con Dacom a través del sistema Uni Control S, se probó el modelo de enfermedad de la papa de Dacom en 1998. Se instaló una estación meteorológica para esto. El modelo de enfermedad clasifica las parcelas por riesgo. Dacom utiliza un sistema de puntos. Esto se clasificó en prioridad de la fumigación. Las parcelas propensas a enfermedades están en la parte superior de la lista. En combinación con el Müller UNI-Control S, se podrían cargar tareas de control de enfermedades. La computadora de pulverización calculó la cantidad de agente de pulverización por hectárea. La etapa del cultivo, el crecimiento del cultivo y la posición del cultivo aún no se habían ingresado. Ambos pulverizadores que poseía Van den Borne estaban equipados con un UNI-Control S.

2000
Jacob quería trabajar en casa en 2000. Sin embargo, su padre, Louis, le hizo estudiar más. Jacob fue al HAS en Den Bosch. En su tercer año hizo una pasantía en Grimme, donde estaban ocupados con las mediciones de rendimiento. Por lo tanto, los sensores de la cosechadora se probaron en Van den Borne Potatoes, que eran muy buenos. Los sensores se compraron y montaron en la cosechadora de patatas de Van den Borne.

Además, surgió el deseo de cartografiar las parcelas sobre la base de los llamados «mapas del personal» de los Países Bajos y Bélgica. Esto no funcionó en la práctica, porque los mapas fronterizos de ambos países no coincidían. Después de escanear, los límites del campo no coincidieron.

La solución se encontró en Synoptic. Se trataba de una empresa geográfica de Wageningen que vendía mapas satelitales. Estas tarjetas se pueden utilizar como fondo. La desventaja de estos mapas era el hecho de que las carreteras y calles no eran visibles en estos mapas. Para ello, se adquirieron nuevos mapas de carreteras de Tele Atlas. Posteriormente, TomTom se hizo cargo de esta empresa.

2004
En 2004 se adquirió un esparcidor de fertilizante que podía medir la aplicación. Esto hizo posible determinar exactamente cuánto fertilizante se esparció en cada parcela. Esta máquina Rauch pudo distribuir dosis variables a la izquierda y a la derecha a través de ISOBUS. La dosis se puede ajustar manualmente. Todavía no existe ningún software que pueda dosificar controlados por la izquierda y la derecha.

Se compró una sembradora hidráulica Hassia, que permitió un 10% más de plantación en las hileras centrales. Esto tuvo la ventaja de que en las dos crestas próximas a las rutas de aspersión se plantó un 10% más de semillas de papa.

2006
En colaboración con PPL, van den Borne Papa instaló un sensor de humedad del suelo, para poder controlar el riego. Este sistema de riego fue suministrado por Dacom. El sensor de suelo mide la humedad del suelo presente, de modo que se pueda notar rápidamente la escasez.

Debido a que se recopilaron cada vez más datos con diferentes sistemas, Van den Borne eligió el paquete de software Farm Works Software. Farm Works Software permite dibujar mapas previamente, pero también ajustarlos posteriormente. El registro de cultivo también se puede realizar con Farm Works Software. La razón para comprar el software Farm Works fue que podía procesar más datos diferentes de diferentes fabricantes.

2007
Para introducir aún más la agricultura de precisión en la empresa, en 2007 se compró un nuevo pulverizador arrastrado en tándem de Dammann. Este pulverizador estaba equipado con un control de sección mediante GPS. Todo esto fue controlado por medio de ISOBUS, lo que resultó en un gran ahorro en el número de cables que van del tractor al implemento. La operación también fue integrada por ISOBUS.

Este pulverizador tenía un volante con un signo de interrogación en el software, después de lo cual Jacob investigó el significado de este icono. Terminó en Reichardt. Reichardt es un proveedor alemán de sistemas GPS. Suministraron el primer sistema GPS que utilizó D-GPS en combinación con sensores ultrasónicos. Esto hizo posible lograr una precisión de 2 a 3 centímetros.

En la primavera de 2007 iniciamos un nuevo equipo a prueba.
El nuevo equipo es una tijera Lemken Varitansanit 7. Aramos con un Fendt 820 Vario. Este tiene una potencia máxima de 206 CV. El arado fue excelente este año. El nuevo equipo ha demostrado su valía esta primavera. Gracias a un nuevo sistema Lemken que garantiza que el deslizamiento de las ruedas, que es estándar entre el 20% y el 25% durante el arado, se reduce del 3% al 5%, toda la potencia se puede utilizar de manera óptima. Esto permite tirar de un arado de 7 surcos con soportes de suelo y un compactador con un Fendt de 200 CV. Arar los promontorios también es muy fácil. Siempre aramos los promontorios con la parte delantera. Podemos levantar en la última rueda de la rueda trasera para que no ara más. Con este equipo pudimos arar una media de 7 km / h con el sensor de radar (deslizamiento mínimo). El arado tiene un ancho de trabajo de 3,75 metros. Esto equivale a una capacidad durante el arado de poco más de 2. 5 ha por hora. Si contamos el giro y el transporte por carretera, llegamos a una capacidad media de 2,2 ha por hora. Esto le da la misma capacidad que la máquina spading.

2008 La
temporada 2008 ha comenzado con el uso de dos poters Hassia SL +. A mitad de temporada, Miedema presentó el Hassia CP. Esta máquina fue mejorada sobre la SL +. La falta de control, el control de las calles y el depósito de patatas son ejemplos de esto. Estas mejoras aumentaron la precisión del poter.

El pulverizador adquirido en 2007 tenía control de sección mediante GPS con secciones de tres metros y en 2008 estaba equipado con seis Greenseekers instalados por Randy Wilbrink. Son sensores de biomasa que miden la densidad del cultivo mediante reflexión de luz. Dado que cada uno de los Greenseekers tiene su propia fuente de luz, se pueden realizar mediciones tanto durante el día como durante la noche. Los datos útiles de los Greenseekers se expresan en NDVI, Índice de vegetación de diferencia normalizada. Estos datos se procesaron en Farm Works Software.

2009
Después de la fase de prueba del Hassia CP en 2008, se compraron dos Hassia CP en 2009. El sistema GPS de Reichardt se amplió con RTK, Real Time Kinematic. Esto mejoró la precisión del sistema GPS a una desviación de 2 centímetros. Esto hizo que los sensores ultrasónicos fueran superfluos y aumentara la facilidad de uso. Ahora no era necesario montar sensores ultrasónicos adicionales en el tractor ni transportarlos por los campos. El sistema GPS también se amplió con un piloto automático. Esto permitió que dos tractores trabajaran en el mismo campo al mismo tiempo, sin superponerse. Una segunda ventaja fue que las patatas ahora están exactamente en la parte de atrás. Como resultado, se pueden producir menos daños durante la cosecha. El sistema de hileras rectas permitió al conductor concentrarse mejor en los alfareros, mejorando aún más la calidad del trabajo de siembra.

Desde 2009 también utilizamos sensores de humedad del suelo. Estos sensores miden la cantidad de agua que queda en el suelo. Al medir la humedad en el suelo, podemos elegir un momento óptimo de riego, que evita el estrés de las plantas y el agua se utiliza de manera eficiente.

Debido a que el Greenseeker solo puede medir el NDVI, Van den Borne Potatoes buscó otro sensor comparable que pudiera medir múltiples longitudes de onda. En la Agritechnica de Hannover se estableció contacto con Fritzmeier.

2010
Desde 2010, se ha utilizado un vehículo Probotiq autónomo para escanear el suelo. Con este vehículo, un Kubota, se escanea la parcela para escanear el suelo. Debido a que este vehículo tiene RTK-GPS, los límites del campo tienen una precisión de 2 centímetros. Una vez que se han roto los límites de la parcela, el Kubota puede conducir de forma independiente en esta parcela. El programa Crop-R se utiliza para mapear todas las parcelas. Este programa de registro de cultivos puede realizar un seguimiento de todas las acciones en todos los lotes, de modo que los empleados puedan encontrar fácilmente los lotes, pero también pueden registrar todas las acciones.

El Kubota, que fue adquirido en 2010, fue parte de un proyecto que PPL llevó a cabo junto con WUR. Para ello, Van den Borne Potatoes compró el EM-38MKII. El proyecto de PPL incluyó un problema de rendimiento potencial basado en la conductividad del suelo.

Después de la conversación con Fritzmeier en Agritechnica, en 2010 se llevó a cabo una prueba colocando todos los sensores de cultivo disponibles en la barra de pulverización. Además del Fritzmeier, estos sensores fueron el YARA-N-Sensor, el OptRx y el Greenseeker. De hecho, después de un año de prueba, Fritzmeier demostró ser el sensor de cultivos más confiable.

La cosechadora de patatas estaba equipada con nuevos sensores. Los sensores de Grimme fueron reemplazados. Los nuevos sensores de rendimiento que se montaron en el AVR Puma pudieron
mapear con precisión el rendimiento.

Para poder tomar medidas de rendimiento, se utiliza un monitor de rendimiento específico y avanzado. Este monitor, llamado YieldMaster PRO, fue desarrollado por Van de Borne Potatoes en colaboración con Probotiq. El YieldMaster PRO funciona de la siguiente manera: los sensores de pesaje están montados en la cosechadora de patatas. Estos sensores de pesaje están montados debajo de una cinta transportadora en la cosechadora. Las patatas que se cosechan pasan por esta cinta y van al búnker de almacenamiento en la cosechadora. Los sensores de pesaje miden el flujo másico de las patatas que pasan por la cinta transportadora hasta la tolva de la máquina. Los datos de esta medición se combinan con la velocidad de conducción de la cosechadora, la velocidad de la cinta y la información del GPS. Al hacer esta combinación, se pueden hacer mapas de rendimiento precisos y específicos de la ubicación. Además de los mapas de rendimiento,

2011
El Hassia CP, que estaba equipado con control de sección, fue controlado por GPS en 2011. El software, el HMI GPS planting Comfort, se ha instalado y garantiza que los cuatro elementos de plantación se enciendan y apaguen en el momento adecuado. Primero, los contornos de la parcela se dividen. Luego, la parcela se puede plantar y el software asegura que las secciones del macetero estén encendidas. Además, la distancia entre las piernas era infinitamente variable.

Durante la cosecha, se realizó por primera vez una medición de rendimiento con la trituradora de la empresa contratante Reyrink de Diesen. Esto se hace mediante un sistema de medición de rendimiento justo después de la recogida y una medición de materia seca en la tubería. La intención era mapear la parcela de prueba de pasto para optimizar posteriormente la fertilización.

Sin embargo, después de una investigación, parece que las mediciones de rendimiento mediante el corte de pasto no son confiables. El césped que se encuentra en 1 m2 se divide en un terreno de 117 m2 al cortar y sacudir. Al rastrillar, la misma hierba se divide en 2 hileras. Por tanto, esta investigación ha demostrado que la hierba que se está cortando no ha crecido en el mismo lugar.

Los drones se volaron por primera vez. El programa Nederland van Boven explicó cómo funciona esto. Las cámaras multiespectrales muestran qué áreas de tierra necesitan más o menos fertilización. Esta cámara puede medir múltiples anchos de banda de reflexión de la luz, lo que permite medir la masa de hojas y la vitalidad de los cultivos. Esto sucedió con un avión de Aura Imaging. Sobre la base de estas imágenes de la cámara, se pulverizó follaje variable hasta la muerte por primera vez, a través del ISOBUS del pulverizador.

2012
Para poder aplicar aún más fertilización específica del sitio, Danny Goris, trabajador contratado en Dessel (BE) compró un esparcidor de estiércol de tres ejes, que podía leer tarjetas de tareas. Esto hizo posible esparcir estiércol sólido variable. La razón de esto fueron las diferencias en las parcelas medidas por el EM-38MKII.

La esparcidora de fertilizante se equipó con una instalación de pesaje en 2012. Esto permitió calcular exactamente cuánto fertilizante se esparció y en qué cantidad por ubicación.

La segunda innovación con las patas de patata fue el uso de mapas de sombras. Las papas se esparcieron más a la sombra porque el rendimiento a la sombra ya es menor. Por tanto, es mejor invertir en fertilización, menos compactación y otros factores en lugares con mayor potencial de rendimiento que en lugares donde no hay gran potencial.

Se adquirió un nuevo pulverizador Dammann, que tenía doble tanque con sistema de inyección directa. Esto permitió combinar fertilizantes y productos fitosanitarios, pero dosificarlos por separado. El sistema de inyección directa significa que los fertilizantes y productos fitosanitarios se inyectan directamente en la tubería, para que no queden residuos en los tanques. Este pulverizador también estaba equipado con control de sección por tapa. Se compraron seis sensores Fritzmeier y se montaron en la pluma.

Se compraron nuevos sensores Fritzmeier y se colocaron en un caballete en el varillaje delantero. El esparcidor de fertilizante podría controlarse directamente de esta manera, sin tener que cargar primero los datos en el software Farm Works para crear tarjetas de tareas. Esto se hizo a través de un sistema en línea usando ISOBUS. En combinación con la nueva instalación de pesaje que se construyó en el esparcidor de fertilizante, fue posible ver inmediatamente cuánto fertilizante se esparció por ubicación.

Jacob también compró el primer dron este año. Esto se refería al Parrot AR Drone. Este dron se utilizó principalmente como dron de práctica. Jacob usó esto para hacer videos de las máquinas.

Las remolachas se cosechan por primera vez con un Grimme Maxtron de Loonbedrijf Van Eijck equipado con sensores de rendimiento. Las diferencias de rendimiento se utilizan para ajustar la fertilización en primavera.

2013
Después de que se comprara el primer dron en 2012, fue reemplazado en 2013 por el DJI Phantom I. Jacob también usó este dron para practicar el vuelo. Usó una lente recta en lugar de una Gopro para tomar fotos y videos. Fue uno de los únicos en Holanda.

Por primera vez se han realizado pruebas con aderezo en las patatas utilizando los sensores de cultivo Fritzmeier con el pulverizador Dammann. Resulta que todavía hay mucho que ajustar para aplicar una buena fertilización. Las reglas de cálculo de Fritzmeier aún no se han desarrollado lo suficiente como para brindar buenos consejos.

2014
Como Agrometius se convirtió en un distribuidor de Veris, Jacob quiso probarlo en su campo para probar y comparar el Verisscan de Agrometius y el EM-38 de Geonics. El Verisscan funciona de una manera ligeramente diferente, es decir, destructiva. Esto permite medir el pH del suelo. Sin embargo, se necesita un disparador mucho más pesado para realizar este escaneo.
Los resultados de la prueba se detallan en la siguiente tabla.

propiedad / escáner Dualem EM-38MKII Verisscan
Profundidad 0,5 – 1,0 m 0,3 – 0,9 m
pH No si
Conductividad del suelo si si
Tractor Kubota 50 paquete Tractor 150 pk
Exactitud 5 metros 10 metros
Destructivo No si
También se realizó una prueba con Miramap. Miramap se especializa en detectar la humedad. El escáner que se encarga de esto es el Mirascan. Se trata de un radar de onda larga que detecta la presencia de humedad en el suelo mediante bajas frecuencias.

A finales de 2013, se decidió adquirir un pulverizador autopropulsado Dammann de tres ejes con doble depósito. Estos tanques juntos tenían una capacidad de 12000 litros. Este pulverizador también estaba equipado con seis sensores Fritzmeier. El control de sección que se instaló envió la jeringa por tres tapas. La jeringa en tándem que se compró en 2012 también se convirtió nuevamente en control de sección por tres boquillas. El control de sección por cap no proporcionó los beneficios esperados. Para demostrar el funcionamiento de los controles de sección, se cubrió un prado que se iba a rociar hasta matarlo con el logotipo de Van den Borne Potatoes.

El maíz se cosechó este año con un flujo Case Axial. Los hermanos Loonbedrijf Vermeulen de Bladel compraron esta máquina que estaba equipada con un sistema de rendimiento. Esto hizo posible notar diferencias en las parcelas, que también eran claramente visibles. La fertilización podría entonces ajustarse en primavera.

El DJI Phantom I fue reemplazado por la nueva versión, el DJI Phantom II. Esto tuvo una serie de mejoras en comparación con la primera versión, como una mejor batería. También voló por primera vez con un Sky Hero, que podría usarse para karting. Estas tarjetas fueron «cosidas». Esto significa que las fotos tomadas por Sky Hero podrían vincularse entre sí, creando un mapa grande. El Sky Hero también estaba equipado con navegación por puntos de referencia, lo que hacía innecesario volar con un control remoto.

Además, en 2014 se realizó un hermoso video sobre agricultura de precisión en Van den Borne Potatoes. Este video se muestra a continuación.

2015
El Dualem EM-38MKII pudo medir la conductividad a 0,5 metros y 1 metro de profundidad. Sin embargo, las capas perturbadoras pueden estar mucho más profundas en el suelo. El Dualem 21S se adquirió en 2015. Este escáner de fondo es capaz de tomar medidas a cuatro profundidades diferentes, a saber, 0,5 metros, 1 metro, 1,5 metros y 3 metros. Esto permitió realizar un escaneo más preciso.

Bert Rijk realizó una prueba con el Ebee. El eBee es un UAV ligero y controlado automáticamente, adecuado para tomar fotografías aéreas. Con la cámara de alta resolución de 16MP, el eBee captura imágenes con una resolución de suelo de 3 a 30 cm por píxel. El eBee no solo toma ortofotos, sino que también ve fotos (Sensefly, 2015).

El eBee se lanza a mano. Debido a que las alas se pueden desmontar fácilmente, el eBee es fácil de transportar.
El propio Jacob reemplazó su DJI Phantom II en 2015 con el DJI Inspire 1. Este es un quadcopter que puede volar un máximo de 3 kilómetros a una velocidad máxima de 80 km / h. El tren de aterrizaje puede colapsar, permitiendo que la cámara que está debajo gire 360 ​​grados. También se puede ver en vivo con este dron a través de una aplicación en un teléfono inteligente. Incluso se pueden conectar dos controladores, para que alguien pueda volar y alguien pueda operar la cámara. (DJI, 2015) Este dron también estaba equipado con navegación por puntos de referencia. Los campos todavía se midieron con fotos RGB. Estas fotos se utilizaron para contar plantas y calcular el crecimiento por mancha.

En 2015 se adquirieron varios sensores nuevos. En primer lugar, Van den Borne compró 12 nuevos sensores de humedad del suelo de Dacom. Estos sensores se colocan en diferentes parcelas, de modo que se envíe información precisa a Crop-R.

Lemken había diseñado un nuevo equipo que apoya ISOBUS. Como resultado, el control de cambios se integró en la terminal ISOBUS CCI. El equipo en cuestión es el Lemken Juwel con Fixpack. El sistema Geoplough X se ha desmontado desde entonces. La compactación de los campos se mide ahora sobre la base del control de la fuerza de tracción.

La empresa danesa Fasterholt vino a visitarla después de que escucharan en una conferencia que Van den Borne Potatoes ha estado trabajando en la aspersión de precisión durante varios años. Preguntó si Van den Borne quería pensar en una aplicación en sus máquinas. Fasterholt fabrica carretes de riego autopropulsados. Uno de ellos fue probado en 2015. Después de una semana se decidió comprar un segundo carrete.

La pluma que se compró en 2014 se montó luego en un carrete autopropulsado. Esto aumentó la capacidad y consumió menos energía. Las mangueras del carrete también son más delgadas, ya que ya no es necesario tirar de ellas.

Para un proyecto de PPL, se colocaron 3 nuevas cámaras con detección de tara en el nuevo AVR Puma. Inicialmente estaba destinado a detectar taras como terrones y piedras. En la práctica, resultó que las cámaras podrían usarse para medir parámetros de calidad, como la longitud y el grosor de las patatas. Este proyecto también fue financiado por PPL y ejecutado por Probotiq.

2016
En la primavera de 2016, los pulverizadores Dammann regresaron a la fábrica para actualizar el hardware y el software. Esta actualización pone a disposición de los pulverizadores una serie de nuevas opciones. El control de curvas y el nuevo control de brazo neumático e hidráulico con 4 sensores ultrasónicos son ejemplos de ello.

La fertilización se llevó a cabo en primavera con un Vervaet equipado con un sensor NIR. Este sensor es capaz de medir el nitrógeno presente en tiempo real. De esta forma, la fertilización ya no es por metro cúbico, sino por contenido de nitrógeno. Por ejemplo, el nitrógeno se distribuye uniformemente por el campo o se orienta a tareas.

Se han encargado dos nuevos drones. Estos son el Foxtech D130 y el Avular. La Foxtech D130 está equipada con una cámara Micasense. Este dron también es capaz de transportar cargas pesadas, lo que permite colgar varias cámaras y sensores más pesados ​​debajo. El Avular, que se espera para finales de 2016, estará equipado con una cámara hiperespectral y RTK-GPS. Esto hace que las mediciones sean aún más precisas. Los drones ahora se pueden usar si los mapas de los sensores cercanos y los mapas de satélite no brindan suficiente información sobre lo que está sucediendo en el campo. Al sobrevolar la trama con el dron, se da rápidamente una mejor impresión.

Ahora también está montado un sensor gamma en el Kubota. Este sensor mide elementos que responden a la radiación radiactiva mediante radiación gamma. La investigación ha demostrado que Kali es un elemento que reacciona fuertemente a esto. Dado que Kali es un elemento importante para la planta de papa, tiene sentido conocer la presencia de Kali en el suelo.

En 2016, los hermanos Jan y Jacob decidieron reemplazar el brazo de carrete montado anteriormente por la pistola rociadora tradicional. El árbol de aspersión era muy sensible al mantenimiento y, dado el riego de los pozos, esta no era una opción.

2017
Además de todas las exploraciones del suelo que hemos realizado y analizado en los últimos años, también hemos comenzado a analizar si se podrían medir más parámetros en el suelo. Hemos visto muchos problemas en el suelo en los últimos años, pero siempre fue sorprendente que el mayor problema fuera la compactación del suelo. También queríamos poder medir el grosor del perfil, porque esto puede marcar una gran diferencia en la profundidad de enraizamiento y, en última instancia, en el potencial de rendimiento. Para medir estas 2 cosas, compramos el Fritzmeier profi 60 en el verano de 2016. Este es un dispositivo de muestreo de suelo que podría medir la resistencia del suelo y la profundidad de la banda de rodadura mientras simultáneamente toma muestras de suelo a 3 profundidades diferentes. El primer plan era acoplar esta broca a la kubota, pero durante la temporada descubrimos que no tenía suficiente potencia para hacer funcionar el taladro. Decidimos en el otoño de 2016 comprar un tractor pequeño para esto. Para poder utilizar todas las posibilidades de nuestro sistema Probotiq, pronto se nos ocurrió un Fendt vario 210 P.

El fendt 210 p vario que hemos comprado está equipado con el paquete autónomo percisionmakers. Esto permite que el tractor realice el trabajo de escaneo de forma completamente autónoma sin conductor. El sistema también permite conducir exactamente a las ubicaciones de muestra calculadas y perforar un agujero aquí.

El sistema está construido de tal manera que después del escaneo con el doble 21h, los datos registrados se utilizan para calcular la ubicación de muestreo y luego conducir allí de forma autónoma. Este sensor de suelo Dualem es capaz de medir la parcela en 6 profundidades diferentes. También montamos el sensor Medusa Gamma debajo de la sembradora para medir la textura del suelo. (piense en la fracción de arena / arcilla, luttem y materia orgánica)

Después de probar con un Ebee en 2015, en 2017 se decidió comprar un Ebee. El Ebee se utilizó junto con una cámara 4c multiespecificación con la que se podían mapear las parcelas. Además de comprar el Ebee, en 2017 también se compró el dron Insprie 2. Este dron tiene una cámara de 24 megapíxeles con la que se pueden mapear las malas hierbas en parcelas.

En 2017 trabajamos por primera vez con la trituradora de estiércol de Louis Deenen. Este año ha adquirido una nueva trituradora de estiércol de 3 ejes de Tebbe con sistema de pesaje y la posibilidad de romper estiércol variable mediante tarjetas de tareas. Debido a que no queremos depender de una máquina, este año intentamos fertilizar esta máquina de manera variable en función de nuestros escaneos de suelo.

Para acelerar la adopción de la agricultura de precisión en los Países Bajos, se ha establecido el Centro de prácticas para la agricultura de precisión. Con estas innovaciones, nos dirigimos a un menor uso de agua, minerales, productos fitosanitarios y recursos para lograr un mayor rendimiento (cualitativo y cuantitativo). Los grupos de innovación con agricultores arables, productores de frutas y arboricultura, productores de hortalizas a campo abierto y otros cultivos abiertos son fundamentales. Junto con los grupos de innovación, se está trabajando intensamente durante tres años para probar las técnicas e interpretar los datos en la práctica. También analizamos cómo las innovaciones y los datos disponibles se pueden utilizar para sus operaciones comerciales.

2018
En 2018 se volvieron a realizar inversiones en un dron en el que se adquirió el Matrice 210. Este dron tiene tres cámaras que fueron las siguientes, la térmica x4s también llamada FLIR, una cámara de 20 megapíxeles y una cámara RBG. Con la cámara FLIR, se podían obtener imágenes térmicas de un campo con las que se podía comparar si una infestación por Phytophthora estaba relacionada con la temperatura del cultivo.

En 2018, se decidió comprar un tanque de estiércol de turbera para esparcir purines sobre parcelas cultivadas con papas van den Borne. Este tanque de estiércol era un tanque de nutriflow con el que es posible analizar los datos del estiércol. El tanque de estiércol nutriflow puede analizar el estiércol del pozo de estiércol, pero también durante el esparcimiento. Es posible incluir nitrógeno, potasio, fosfato, materia seca y amonio.

Para analizar los campos muestreados de manera más eficiente, van den Borne compró la clasificadora inteligente en 2018. Este robot es capaz de analizar muestras de tubérculos para determinar su altura, clasificación por tamaño y peso bajo el agua. Con la compra de la clasificadora inteligente, el análisis de las muestras de patata se automatiza y el trabajo manual es cosa del pasado.

En 2018, se puede leer un artículo interesante sobre la agricultura de precisión de las papas Van den Borne en National Geographic .

En 2018, el último sistema GPS Trible RTK en Van den Borne desapareció de la granja. Todos estos han sido reemplazados por el sistema GPS Fendt. El siguiente video muestra cómo trabajar con el GPS Fendt.

2019
Para monitorear aún mejor las parcelas durante la temporada de crecimiento, en 2019 se compró la cámara micasense Altum. Esta cámara se construyó en el dron inspire 2 con el que se pueden monitorear las pruebas y las parcelas durante la temporada de crecimiento.

En 2019 cambiamos nuestra antigua esparcidora de fertilizantes Rauch por el último modelo. Técnicamente, este esparcidor de fertilizantes ha mejorado mucho, pero también hay algunas opciones nuevas en el campo del software. Por ejemplo, ahora podemos esparcir cantidades de izquierda a derecha por separado a través de una tarjeta de tarea.

También este año cosechamos 3 pumas 3. Ambas máquinas fueron equipadas con AVR Connect este año. este es un módulo de comunicación que reenvía todos los datos de la cosechadora (incluida la medición del rendimiento) a la nube AVR. Todos estos datos se hacen visibles en el portal web AVR Connect, lo que facilita la gestión de la cosecha. Todos también pueden ver dónde están las cosechadoras y, por ejemplo, cuánto combustible les queda.

Además, se han realizado inversiones en una máquina spading Imants con un ancho de trabajo de 6 metros. El deseo es aplicar la agricultura de control de tráfico a todo el cultivo, por lo que el ancho de trabajo se amplía a 6 metros. Al aplicar este principio, se reduce la compactación del suelo, de modo que la vida del suelo se salva en gran medida.

En 2019 también se realizaron inversiones en el programa Raindancer. Raindancer garantiza que el agua se utilice de forma sostenible. Cuando se usa Raindancer, se coloca una ubicación GPS en la pistola rociadora con cambio automático de sección. Esto controla automáticamente el ancho de la pistola rociadora, lo que evita la superposición y el desperdicio de agua.

En 2019, también se construyeron cámaras hiperespectrales especiales en la cosechadora de patatas. Estas cámaras pueden escanear las patatas recolectadas en busca de longitud y tara. La cámara está montada en la parte superior de la cinta de llenado de combustible.

2020
Con el fin de hacer que las medidas de cultivo relativas a la pulverización de productos fitosanitarios sean aún más eficientes, en 2020 se decidió construir un nuevo tipo de tecnología de pulverización para el Dammann arrastrado. Se eligió la técnica PWM, Puls Width Modulation, mediante la cual la jeringa por tapón se puede controlar cada 50 cm. Con la técnica PWM, las boquillas se encienden y apagan de 10 a 100 veces por segundo. Debido a la gran variación, es fácil cambiar la entrega además del control por tapa. Con la pulverización en curvas, el pulverizador ahora también se puede ajustar automáticamente, con más pulverización en la curva exterior que en la interior. De esta forma se puede obtener un patrón de pulverización óptimo.

En 2020 también compramos un esparcidor de abono de 3 ejes que puede leer y esparcir tarjetas de tareas. De esta forma podemos adaptar el abono regalo al suelo para crear un surco de construcción óptimo.

A partir de 2020, como patatas van den Borne, queremos aplicar un sistema CTF, control del tráfico agrícola, en el que se cultive la mayor cantidad posible en líneas de tranvía. Con la compra de la sembradora de rueda Imants ahora podemos sembrar abonos verdes y granos con un ancho de trabajo de 6 metros. Con la compra de esta máquina, tenemos un ancho de trabajo de 6 metros, por lo que compactamos menos terreno por hectárea. Al contrarrestar la compactación del suelo, la vida del suelo se mantiene mejor y tratamos de obtener un suelo resistente.

En 2020, compramos un nuevo sensor Dualem, el Dualm 1 HS, con Soilmasters, que incluye patatas van den Borne. Este sensor facilita el mapeo de huertos donde se toman medidas a 4 profundidades diferentes.

Con los últimos desarrollos con GPS, ahora también es posible dejar que el tractor circule por las curvas de forma autónoma. Durante la aplicación del fertilizante, esto se registra en un video.

Leer más

La agricultura y la conservación de las tierras agrícolas a veces parecen estar en desacuerdo: una victoria para uno se considera una pérdida para el otro. Sacar la tierra de la producción para la conservación se considera una pérdida de tierras agrícolas productivas, mientras que la comunidad ecológica a veces ve la producción agrícola intensiva como una amenaza para la sostenibilidad a largo plazo.

Pero un estudio en curso pregunta: «¿Por qué no podemos tener ambos?»

En otras palabras, ¿por qué no podemos tener un escenario de beneficio mutuo en el que las tierras de cultivo no rentables se reorienten en los servicios del ecosistema para que los productores puedan concentrarse en sus acres rentables?

Piense en ello como una combinación de agricultura de precisión y conservación de precisión, dice Clarence Swanton, un científico de malezas de la Universidad de Guelph.

Durante los últimos tres años, Swanton y sus compañeros profesores Madhur Anand y Aaron Berg han dirigido un equipo que investiga sistemas de mapeo de rentabilidad. Utilizando hasta 10 años de datos de rendimiento de tres granjas en el sur de Ontario, lo cruzaron con datos de precios de insumos y mercados provinciales. Dependiendo del año, la investigación del equipo encontró que el 14 por ciento de la tierra en estas tres granjas habría perdido dinero con la producción agrícola (con más del 50 por ciento de la tierra bajo investigación sin cumplir con las expectativas de ingresos mínimos).

“Un agricultor puede mirar un mapa de rendimiento y pensar: ‘Sí, sé que esta es una parte del campo de bajo rendimiento’”, dice Swanton. «Pero si lo piensa en términos de rentabilidad y realmente ve que podría estar perdiendo dinero cada vez que aterriza en esa parte del campo, eso resuena mucho, mucho más que el rendimiento».

Conecta y reproduce
ANUNCIO

El mapeo de la rentabilidad no es nada nuevo. De hecho, muchos equipos agrícolas ahora tienen tecnología GIS (sistema de información geográfica) que, en teoría, puede decirle a un agricultor cómo ajustar las tasas de siembra y las aplicaciones de fertilizantes y químicos para maximizar las ganancias.

Pero la información es a menudo de difícil acceso, más difícil de interpretar, subestimada por los distribuidores de equipos (muchos agricultores ni siquiera saben que está allí) y, a veces, incluso de propiedad exclusiva.

Entonces, el objetivo final de la investigación de Guelph es cambiar eso mediante el desarrollo de una solución simple, gratuita, plug-and-play que los productores puedan usar por su cuenta, dice la investigadora Virginia Capmourteres, becaria postdoctoral en la Facultad de Ciencias Ambientales de la universidad. .

“La idea es que los agricultores eventualmente puedan hacer esto por sí mismos para no tener que gastar miles de dólares para contratar empresas de consultoría que, en su mayor parte, guarden sus datos para sí mismos”, dice.

«Queremos ofrecer algo que sea gratuito y lo suficientemente fácil y simple para que los agricultores lo utilicen por sí mismos para que puedan interpretar los datos y tomar decisiones por sí mismos».

Beneficio, no rendimiento
ANUNCIO

El mayor defecto actual de la agricultura de precisión es que no influye fácilmente en la rentabilidad, dice Swanton. Más bien, el enfoque tiende a estar en el rendimiento por acre cuando debería estar en las ganancias por acre.

“Hay mucho entusiasmo en torno a la agricultura de precisión, se habla mucho, cuesta mucho, pero es cuestionable en términos de rentabilidad”, dice Swanton. “Las herramientas agrícolas de precisión recopilan más información de la que los agricultores realmente saben qué hacer. La verdadera pregunta fundamental es si pagan su camino «.

La investigación de Guelph sobre los datos de las tres granjas del sur de Ontario encontró que algunas de las tierras probablemente se habrían servido mejor si se hubieran convertido en un servicio ecológico (un pago por eliminarlas de la producción agrícola), dijo Capmourteres.

“Había áreas dentro de las granjas que, probablemente debido a las condiciones del suelo, simplemente no eran rentables y seguimos viendo esa falta de rentabilidad año tras año”, dice ella. “Entonces, tal vez eso proporcione evidencia convincente para decir que estas áreas realmente no pueden mejorar en términos de rentabilidad; no importa cuánta gestión les pongamos.

“Invertir en beneficios ambientales, aunque sea mínimamente, a menudo puede ser económico en comparación con las pérdidas económicas debidas a cosechas fallidas”.

El equipo de investigación determinó la rentabilidad utilizando mapas de rendimiento que se remontan a 2006 y luego teniendo en cuenta los costos de insumos y los datos de precios de mercado para cada año.

Calcular las ganancias deduciendo los costos de los ingresos parece un proceso simple, pero los agricultores a menudo se enfrentan a desafíos cuando intentan hacerlo ellos mismos. El desarrollo de mapas de rentabilidad puede ser un proceso que requiere mucho tiempo y, a menudo, requiere la contratación de consultores agrícolas. También puede resultar difícil extraer e interpretar los datos almacenados en el equipo.

Empieza pequeño
Si un productor desea desarrollar o interpretar un mapa de rentabilidad, Swanton tiene dos recomendaciones: comenzar con algo pequeño y contratar a un consultor de cultivos.

“Tome una parte de la superficie y vea cómo funciona para usted”, dice. “Pregúntese qué equipo necesita o puede modificar e identifique todo lo que pueda necesitar para que sea rentable.

“Si tiene mapas de rendimiento de los últimos tres a cinco años, querrá que alguien lo ayude a depurar los datos, asegúrese de que no haya valores atípicos extremos en los datos, y luego convierta eso en rentabilidad según el precio actual del cultivo y el costo de las operaciones «.

Los agricultores interesados ​​también pueden querer preguntar a su concesionario si cierto equipo incluye un mapa de rentabilidad y cómo recuperarlo.

“Probablemente dirán, ‘Sí, está enterrado allí en algún lugar de la programación’”, dice Swanton. “Pero está ahí. Si los productores tienen dificultades, podemos vincularlos con nuestra gente aquí en la Universidad de Guelph ”.

Sin embargo, el objetivo final de la investigación es eliminar por completo la necesidad de terceros en el proceso.

Al final de los próximos cinco años de investigación, el equipo de la U of G espera desarrollar un software de precisión que permita a los agricultores ingresar algunos datos y encontrar la información que buscan en cuestión de segundos.

¿Cuánto no es rentable?
Sin embargo, esto llevará tiempo, dice Capmourteres.

“Empezamos hace tres años y tendremos al menos cinco años más de investigación”, dice. “La idea es que eventualmente desarrollemos algún tipo de software que los agricultores puedan usar gratis para jugar en el invierno y encontrar estimaciones de cuánto dinero creen que ganarán, qué áreas de sus granjas creen que deberían cultivar, qué áreas puede que no valga la pena cultivarla, algún tipo de herramienta que los ayude a optimizar sus tierras para que puedan tomar sus propias decisiones «.

A partir de ahí, sería cuestión de escalar a nivel provincial con la esperanza de que otras provincias adopten la tecnología y la adapten a sus propias circunstancias.

“Queremos eventualmente escalar esto a un nivel provincial porque por ahora solo estamos trabajando con algunas fincas individuales”, dijo Capmourteres. «Con el tiempo, queremos averiguar qué proporción de la tierra agrícola de Ontario no es rentable».

Eso plantea la pregunta de qué hacer con la tierra que no genera ganancias.

Una opción sería poner esos acres en un programa de “servicios ecológicos”, como los Servicios de Uso Alternativo de la Tierra (ALUS), que paga a los agricultores para que reserven tierras para proteger áreas ribereñas o crear hábitats para la vida silvestre.

Pero saber si la tierra es capaz de generar ganancias o no es el punto de partida clave, dice Capmourteres.

“En este momento, los agricultores simplemente están agregando todos estos insumos e invirtiendo dinero en áreas que quizás sea mejor dejar para la conservación. Podríamos aumentar las oportunidades de conservación en tierras agrícolas sin que los agricultores tengan que incurrir en pérdidas económicas «.

Leer más

Durante las tres décadas aproximadamente desde esos primeros descubrimientos, las imágenes han crecido y evolucionado sustancialmente, junto con su propuesta de valor en el proceso de toma de decisiones agronómicas. La recopilación de satélites ha mejorado en frecuencia y resolución con constelaciones y sistemas adicionales, mientras que las imágenes generadas a partir de aviones tripulados y no tripulados han demostrado ser útiles cuando se requiere una resolución más alta o más inmediatez.

Históricamente, los minoristas y sus agricultores-clientes lucharon por extraer un valor constante de las imágenes. ¿Qué puede decirle realmente la imagen a un asesor sobre el campo y el cultivo que resulte en una respuesta procesable? En ocasiones, los proveedores de imágenes y los integradores sobrevaloraron las capacidades o pidieron a los asesores que confiaran en algoritmos interpretativos que con demasiada frecuencia no proporcionaban las respuestas correctas.

Hoy en día, las conversaciones con las empresas que proporcionan o incorporan imágenes son refrescantemente realistas. Los datos de imágenes de un campo comparados con sí mismos a lo largo del tiempo pueden proporcionar una especie de indicación binaria de las condiciones (para explorar o no explorar) y como un componente de un cuerpo de datos más grande que, cuando se ejecuta a través de un algoritmo, puede brindar más información. que las imágenes por sí solas.

Y todos están de acuerdo en que la verificación inicial es la única forma en que las imágenes tienen un impacto significativo en la producción de cultivos.

Exploración más inteligente
Los principales fabricantes de software de sistemas de gestión empresarial que cuentan con ofertas de gestión y planificación agronómica han incorporado formas de imágenes que aportan valor al asesor sin tener que pensar en ello como una entidad separada. Ernie Chappell, presidente de EFC Systems , lo compara con las características modernas del automóvil que simplemente están integradas. “Los distribuidores no preguntan si desea un sistema de airbag, simplemente viene con el automóvil”, dice.

En años anteriores, cuando las imágenes eran una opción no integrada, los productores-clientes y los minoristas a menudo recortaban el servicio del presupuesto cuando las finanzas se apretaban. Las imágenes integradas con otros datos del sistema crean la oportunidad de convertir una imagen bonita en recomendaciones prácticas.

Los clientes de EFC obtienen una imagen para su campo una vez que se establece el límite, y esa imagen se normaliza automáticamente con imágenes de los últimos cinco años para presentar una imagen más precisa del rendimiento del campo. Cuando se integra con el sistema AgSolver de EFC, el usuario final puede crear imágenes que representen el potencial de rendimiento para la planificación de ganancias, la creación de zonas y la zona de nutrientes. Para los usuarios que deseen utilizar imágenes de otras fuentes, EFC puede integrar ofertas de empresas como Taranis , Sentera , TerrAvion y otras que las proporcionan de forma regular.

Las opciones de gama alta son fabulosas, pero es la oferta básica la que proporciona una introducción suave al uso de imágenes y, con suerte, conduce a una mayor adopción, dice Chappell. «Realmente tenemos que hacer que las masas se unan con precisión si queremos hacer avanzar la industria».

Desde la perspectiva del agrónomo minorista, agrega que los minoristas están “cansados ​​de múltiples relaciones y múltiples sistemas de software. Quieren un sistema, por lo que necesitan un proveedor que les brinde acceso a datos y servicios públicos que brinden oportunidades para hacer crecer su base de clientes «.

El sistema de software Agworld también incluye imágenes integradas en el paquete completo y proporciona múltiples beneficios de exploración durante la temporada a los usuarios minoristas, dice el presidente Zach Sheely. “Las imágenes de línea de base permiten a los usuarios acceder al índice vegetativo en todas las granjas y campos a los que presta servicios el minorista. Esto ayuda a mostrar la variabilidad no solo de un campo a otro, sino dentro de los campos «.

Escanear las imágenes puede ayudar a mejorar la eficiencia del esfuerzo de exploración al indicar no solo qué campos necesitan atención primero, sino qué áreas de cada campo requieren una visita de exploración. «Ser capaz de gestionar la exploración mediante la observación de la variabilidad en las imágenes es realmente el principal caso de uso», dice Sheely. Y al igual que EFC, Agworld integra muchas fuentes externas de imágenes a petición del cliente.

Relacionado: ¿Qué es el análisis de detección de cambios de Geosys?
El valor claro es, por supuesto, lo que está en juego en la mesa, pero sin la facilidad de uso, las imágenes fallan. «Hemos trabajado duro para que sea realmente fácil ver la imagen, y ese ha sido realmente nuestro enfoque», dice. «La mayoría de las empresas han dificultado el uso de imágenes a escala en muchos campos, con accesibilidad para varios empleados, pero nosotros lo hemos facilitado».

Proagrica también ofrece imágenes satelitales como parte de su paquete de imágenes Sirrus Premium, que entrega las imágenes automáticamente a su dispositivo para que las acepten o rechacen. Las imágenes aceptadas se sincronizan con todas las plataformas de agronomía de Proagrica a través de agX, y los usuarios también tienen la opción de comprar imágenes de los socios de agX, incluidos Paramount Reports, Taranis, TerrAvion y Ag Pixel.

Sarah Steuber, investigadora de Customer Insights, está de acuerdo en que el valor de las imágenes del NDVI radica en identificar las áreas problemáticas. “Los asesores agronómicos pueden usar las imágenes para ubicar áreas de un campo que podrían tener problemas como problemas de riego, presión de insectos u otras enfermedades. Al explorar un campo, los usuarios pueden utilizar las imágenes para navegar a las áreas problemáticas de manera rápida y eficiente. Esto ahorra tiempo al proveedor de servicios y brinda al productor información más precisa sobre la salud de sus cultivos ”.

Construyendo sobre imágenes
Sentera comenzó a trabajar en su plataforma de conocimiento agronómico llamada FieldAgent en 2016, y ha integrado múltiples fuentes de imágenes junto con datos de una lista de lavandería de otras fuentes para proporcionar comentarios de principios de temporada sobre la siembra y la emergencia, así como el reconocimiento de problemas en el campo durante toda la temporada. Los sensores en el campo, la información de maquinaria y equipo y los datos meteorológicos se integran con imágenes para construir recomendaciones agronómicas.

“Creemos en la integración”, dice Eric Taipale, director ejecutivo de Sentera. «El objetivo es crear algo tan procesable como sea posible: un informe de exploración detallado que se convierta en una herramienta de gran valor para los agrónomos».

Taranis también está construyendo un sistema de inteligencia agronómica que está diseñado para optimizar significativamente los programas de exploración y mejorar su precisión. Con este fin, ha logrado un progreso continuo al concentrarse en agregar el «salvaje oeste» de las imágenes y obtener todas las fuentes viables.

Taranis afirma que su sistema es capaz de capturar imágenes de campos con resolución de 0.3 mm / píxel desde aviones y drones a una velocidad de 100 acres en seis minutos. “Con esta tecnología, generan un diagnóstico preciso a nivel de hoja 20 veces más rápido que la alternativa manual y con 20 veces más puntos de datos explorados”, según la empresa.

“Hasta hace poco, los productores tenían que esperar a la exploración manual que consumía mucho tiempo para evaluar las amenazas, formular un plan de acción y reaccionar”, dice Ofir Schlam , director ejecutivo y cofundador de Taranis. “Nuestro servicio de inteligencia agrícola elimina las conjeturas y aporta información hiperlocal y en tiempo real desde los campos hasta la punta de sus dedos «.

Schlam señala que, dondequiera que vaya, los minoristas quieren lo mismo: brindar un servicio mejor, diferenciado e integral, y generar credibilidad con los productores mediante un compromiso de calidad. “Pueden hacer esto con información precisa, local y en el momento adecuado de la temporada”, dice. «Esto es lo que está sucediendo en su campo y aquí está la prueba».

Leer más

Los OMG son organismos modificados genéticamente. Al instante suena espeluznante y de ciencia ficción, ¿verdad? Bueno, desde hace años el mundo de la agricultura ha adoptado los OGM porque reducen los costos iniciales, mejoran los rendimientos y, a su vez, mejoran las ganancias. Un OGM podría obtenerse simplemente para proporcionar más que un cultivo estándar y los agricultores se lanzaron a esto para obtener ganancias rápidas. Luego vino el frenesí mediático, un gran remolino de mala publicidad y, de repente, el público se preocupó mucho por lo que se estaba metiendo en la boca. Un avance rápido hasta hoy y los transgénicos ya no son bienvenidos. Las grandes corporaciones agrícolas todavía los usan mucho para mantener la producción alta y los costos bajos, pero en su mayor parte las pequeñas y medianas empresas los evitan. Las empresas más pequeñas también vieron una recuperación en las ganancias simplemente al proporcionar productos orgánicos que ahora tienen un valor final más alto.

La agricultura de precisión ha existido en una forma primitiva durante posiblemente décadas, si no más. Es solo recientemente, aunque con grandes avances tecnológicos, se ha vuelto ampliamente practicado y fácilmente disponible. La idea es que las estructuras agrícolas existentes se pueden refinar, simplificar y mejorar con la adopción de tecnología inteligente y prácticas agrícolas inteligentes. Nuevamente, al igual que con los OGM, la agricultura de precisión ofreció a los agricultores la posibilidad de reducir costos y mejorar el rendimiento y las ganancias.

Entonces, ambos efectivamente tienen el mismo resultado y, por lo tanto, se trazó la línea de batalla. En los EE. UU. Particularmente, esto dividió a la comunidad agrícola en 3 grupos distintos. Por un lado, había grandes gigantes agrícolas que invirtieron fuertemente y se prepararon para cultivar OGM. Luego tenía granjas pequeñas y medianas que estaban tomando la ruta de la agricultura de precisión. Y por último, hubo defensores de las prácticas agrícolas y los cultivos tradicionales.

OMG en la actualidad
En realidad, esto conduce a la situación actual, que es bastante extraña. Las exitosas granjas de precisión que alguna vez fueron pequeñas y medianas, ahora se han expandido para asumir el papel de una gran empresa agrícola. Esto los ha puesto en competencia directa con las grandes granjas de OMG existentes. El problema, por supuesto, es que las granjas de OMG ahora están luchando, su capacidad que alguna vez fue un nicho para proporcionar productos baratos a gran escala está siendo disminuida para siempre por el sector de granjas de precisión. El público quiere productos limpios y los agricultores de precisión se los están suministrando, casi al nivel en el que satisfacen la demanda. Se estima que en no más de 5 años las granjas de precisión superarán la demanda y eso coloca a las corporaciones de transgénicos a gran escala en una posición muy precaria.

Se quedan mirando por el cañón de un arma, tienen que cambiar radicalmente su infraestructura. Esta es una gran noticia para el consumidor, que eventualmente obtendrá productos de mejor calidad a precios de OGM. Pero desde el punto de vista agrícola, es un cambio significativo. Se estima que solo en los próximos años, 1 de cada 5 trabajos serán reemplazados por robots, lo que significa que el 20% de la mano de obra agrícola pronto se quedará sin trabajo. Con las grandes granjas de transgénicos que pronto cederán a las presiones financieras, no pasará mucho tiempo antes de que el efecto de la agricultura de precisión pase de una onda expansiva a un maremoto.

Agricultura de precisión
Mientras tanto, son solo noticias positivas para la agricultura de precisión, las granjas que están utilizando los métodos se están preparando para un éxito continuo.

La guerra ha terminado, pero eso no significa que los campos de batalla hayan sido despejados. Habrá muchas víctimas en el camino, depende de los agricultores de precisión llevar la antorcha y aliviar cualquier dolor que pueda surgir en el futuro cercano.

¿Cultivas OMG? ¿Cuáles son tus planes para el futuro? ¿Eres un agricultor de precisión? ¿Ha visto un aumento de la productividad y las ganancias? Háganos saber exactamente lo que piensa de la guerra de OGM / agricultura de precisión en los comentarios a continuación.

Leer más

El enfoque de las 4R se trata de optimizar los recursos y encontrar las estrategias «correctas» para su granja.

4R Nutrient Stewardship es un concepto de gestión que busca igualar las aplicaciones de nutrientes, como fertilizantes y estiércol, lo más cerca posible de las necesidades de los cultivos. Las 4R se refieren a la fuente de nutrientes adecuada, a la tasa adecuada, en el momento adecuado y en el lugar adecuado . La aplicación de los conceptos de administración de nutrientes de 4R puede ayudar a mejorar la eficiencia del uso de nutrientes en las granjas, haciendo que las granjas sean más rentables y reduciendo las pérdidas al medio ambiente.

Los principios de manejo de 4R son específicos para cada granja, campo y temporada de crecimiento. La combinación correcta de prácticas para cada granja considerará factores económicos, ambientales y sociales, y puede incluir prácticas tales como aplicaciones de nutrientes de tasa variable y otras tecnologías de agricultura de precisión, modelado de nitrógeno y aplicación dividida de nutrientes.

Principios 4R
Cuando hablamos de la fuente de nutrientes adecuada , dos principios clave incluyen garantizar un suministro equilibrado de nutrientes que se adapten a las propiedades del suelo. Las fuentes de nutrientes pueden incluir fertilizantes comerciales, estiércol de las operaciones ganaderas, abono, residuos de cultivos y material orgánico de los sistemas de tratamiento de aguas residuales municipales. Otros principios incluyen:

Suministrar nutrientes en formas disponibles para las plantas.
Reconocer sinergias y antagonismos entre elementos y fuentes de nutrientes.
Reconozca la compatibilidad de la mezcla.
Reconocer los beneficios y las sensibilidades a los elementos asociados.
Controlar los efectos de los elementos no nutritivos.
Los principios que guían la tasa correcta incluyen evaluar el suministro de nutrientes de todas las fuentes y evaluar la demanda de las plantas. Ejemplos de prácticas que apoyan la tasa correcta incluyen analizar los suelos en busca de nutrientes, calcular la economía y equilibrar los nutrientes perdidos en la remoción de cultivos. Otros principios incluyen:

Seleccione un objetivo de rendimiento razonable.
Evaluar el suministro de nutrientes del suelo y tener en cuenta todas las fuentes de nutrientes disponibles.
Predecir la eficiencia del uso de las fuentes de nutrientes.
Considere los impactos sobre los recursos del suelo.
Considere la economía de tarifas específicas.
El momento adecuado evalúa la dinámica de la absorción de los cultivos y el suministro del suelo, para ajustar la disponibilidad de nutrientes lo más cerca posible a las necesidades del cultivo. Las decisiones que apoyan el momento adecuado evalúan el riesgo de pérdida de nutrientes. Las prácticas incluyen aplicaciones de nutrientes antes de la siembra y durante la siembra y una o más aplicaciones laterales. El tiempo es uno de los factores más críticos para que los agricultores de Delmarva reduzcan las pérdidas de nutrientes. Otros principios relacionados con el momento adecuado incluyen:

Reconocer la dinámica de las prácticas de manejo de cultivos y la pérdida de nutrientes del suelo.
Evaluar la logística de las operaciones de campo.
El lugar adecuado busca gestionar la variabilidad espacial y reconocer los patrones de enraizamiento de los cultivos. Las opciones incluyen difusión, bandas, perforación e inyección, así como prácticas de agricultura de precisión que incorporan aplicaciones de tasa variable. Los principios adicionales que apoyan la colocación correcta de nutrientes incluyen:

Considere las reacciones químicas del suelo.
Se adapta a los objetivos del sistema de labranza.
Gestionar la variabilidad espacial.
(La información anterior está adaptada de 4R Plant Nutrition ) .

4R Plus analiza todo el sistema.
Todos estos principios están relacionados entre sí y deben considerarse juntos. 4R Plus es un enfoque de sistema completo, que incorpora prácticas que ayudan a mejorar el hábitat, la salud del suelo y la gestión del drenaje. Los sistemas 4R Plus pueden incluir:

Agregar biodiversidad y raíces vivas continuas a un sistema a través de rotaciones de cultivos o cultivos de cobertura, para alimentar a los microorganismos del suelo, reciclar los nutrientes y mejorar la calidad del agua.
Reducción de perturbaciones mediante sistemas de labranza baja o nula
Apoyar el hábitat de la vida silvestre a través de la restauración de humedales, amortiguadores y otras prácticas.
Estrategias de Manejo Integrado de Plagas (MIP), utilizando prácticas culturales para reducir la presión de las plagas, apoyar a los insectos beneficiosos y reducir el uso y el impacto de los pesticidas.
Abordar las pérdidas de nutrientes en el borde del campo filtrando el agua de drenaje que sale de un campo a través de baldosas de drenaje o zanjas, como amortiguadores ribereños y de césped, amortiguadores saturados, cortinas de yeso, amortiguadores de desnitrificación (astillas de madera) y otros
Estas y otras prácticas de gestión agrícola afectan y se ven afectadas por la fuente, la tasa, el momento y la ubicación correctos de los nutrientes. ¡Adoptar un enfoque 4R Plus ayuda a garantizar un legado agrícola próspero para las generaciones futuras!

¿Cuales son los beneficios?
4R Nutrient Stewardship analiza la gestión de decisiones en el contexto de los impactos económicos, ambientales y sociales de una práctica. Otra forma de ver estos factores es Profit, Planet & People. El sistema de gestión «correcto» para una granja determinada debería beneficiar a cada uno de estos factores al reducir los costos de insumos y / o mejorar los rendimientos, reducir las pérdidas de nutrientes y sin comprometer la calidad de vida para agricultores, empleados o comunidades.

Un buen lugar para comenzar es identificar los objetivos para implementar un sistema de gestión 4R. La «tasa correcta» diferirá entre los objetivos para maximizar los rendimientos o aumentar las ganancias, por ejemplo. Tener objetivos de desempeño claramente definidos ayudará a orientar las decisiones sobre qué nuevas prácticas de gestión tienen el potencial de ajustarse a su operación, los criterios que deben usarse para evaluar el desempeño y si la nueva práctica está cumpliendo o no con el objetivo deseado.

Los beneficios de implementar la gestión de las 4R pueden incluir:

Reducción de insumos y costos de insumos
Mejor calidad de cultivo
Rendimientos mejorados
Reducción de la erosión y la lixiviación de nutrientes.
Incentivos financieros a través del comercio de nutrientes u otros mercados de sostenibilidad.
Las prácticas de las 4R y sus beneficios variarán de acuerdo con cada finca, campo y temporada de cultivo, pero deben alinearse con los objetivos identificados. Cada temporada de cultivo es una oportunidad para evaluar el resultado de la temporada anterior y hacer ajustes que ofrecerán una mejora continua hacia los objetivos de la granja.

Algunos ejemplos de los beneficios de prácticas específicas incluyen:

El modelado de nitrógeno respalda las decisiones que aplican la tasa correcta en el momento adecuado al estimar la cantidad de nitrógeno disponible para un cultivo en crecimiento durante la temporada, según la información de gestión y medioambiental específica del sitio. Un estudio que evaluó el uso de modelos de nitrógeno para guiar las tasas de fertilización lateral al maíz mostró que las tasas eran en promedio 47 lb / ac más bajas para los productores de Nueva York, sin diferencias estadísticamente significativas en los rendimientos. En promedio, el uso del modelo de Cornell, Adapt-N, aumentó las ganancias de los productores en $ 26 por acre y redujo las pérdidas ambientales simuladas de N en 25 lb / ac (38%).
Los cultivos de cobertura pueden ayudar a retener y reciclar los nutrientes en el suelo al eliminar el nitrógeno que queda al final de la temporada de crecimiento, evitando la erosión y creando materia orgánica del suelo. El manejo de cultivos de cobertura, incluida la selección de especies y mezclas y el tiempo de establecimiento / terminación, se puede adaptar para respaldar los objetivos de cada granja y campo. El centeno sembrado temprano puede absorber más de 70 libras de nitrógeno por acre, y se han medido hasta 140 libras / acre de nitrógeno de 7 a 10 después de la terminación de un rodal de arveja peluda pura. (El libro de SARE, Manejo de cultivos de cobertura de manera rentable , está disponible en línea).
Las aplicaciones de nutrientes de dosis variable apoyan la ubicación correcta y la dosis correcta para las aplicaciones de fertilizantes, al cuantificar la variabilidad espacial en las condiciones del suelo y administrar los insumos para abordar esa variabilidad. Las diferentes zonas de manejo pueden basarse en la variabilidad en los rendimientos históricos de los cultivos, los tipos de suelo, los resultados de muestreo de suelos de la red o de la zona, los sensores ópticos u otros criterios. El rendimiento de la inversión para las tecnologías de tasa variable parece depender de la cantidad de variabilidad espacial. También es fundamental asegurarse de que las estrategias de gestión aborden la razón correcta de la variabilidad. En un estudio, el uso de sensores de cultivosahorró un promedio de 23 lb N / acre en relación con la tasa que el productor usaría normalmente sin ningún efecto en el rendimiento promedio. Los investigadores atribuyeron los ahorros a una mejor sincronización de la aplicación de fertilizantes durante la temporada, así como a una mejor evaluación de la dosis correcta.

Leer más

El sistema de alimentación avícola es una de las industrias alimentarias más grandes y de más rápido crecimiento en todo el mundo. Se estima que cada año se crían más de 50 mil millones de pollos en todo el mundo, tanto para huevos como para carne (pollos de engorde). El sector avícola actualmente supera a otros mercados cárnicos, y se espera que más de la mitad de toda la carne producida para 2025 en todo el mundo provenga de pollos. Satisfacer las demandas de un mercado en expansión representa un desafío formidable para el manejo de la fertilidad para la industria avícola.

Un componente fundamental de este desafío se basa en garantizar tasas de fertilidad consistentemente altas. Sin embargo, el crecimiento de la industria avícola se ha correspondido con caídas en la fertilidad de las existencias comerciales. En junio pasado, el Wall Street Journal informó que durante los primeros cinco meses de 2017, el porcentaje de huevos que eclosionan en pollos de engorde de EE. UU. Fue el más bajo en más de una década, con drásticas repercusiones financieras para la industria avícola. Una caída del 1% se traduce en una pérdida estimada de 121 millones de dólares.

Si bien la industria avícola ha considerado históricamente la fertilidad como un problema fisiológico de algunos machos, las investigaciones en curso revelan que este punto de vista es engañosamente simplista. La realidad es que la variación en la fecundidad es un tema complejo porque la fecundidad está determinada por la interacción de factores masculinos y femeninos en múltiples niveles.

Efectos masculinos
Los experimentos de inseminación artificial combinados con los avances tecnológicos recientes en el análisis de esperma asistido por computadora (CASA), han iluminado los mecanismos que sustentan la eficiencia fertilizante de un eyaculado. Tanto el número de espermatozoides inseminados como su motilidad, a menudo medida como velocidad de nado, determinan la probabilidad de que una eyaculación fertilice los óvulos ovulados durante los días sucesivos después de la inseminación. Estos factores son especialmente importantes para predecir la paternidad cuando los eyaculados de diferentes machos compiten para fertilizar el mismo conjunto de huevos, como suele ocurrir en las gallinas.

Un avance significativo es el descubrimiento de que el rendimiento de los espermatozoides está fuertemente influenciado por el líquido seminal, el componente líquido fisiológico no espermático de un eyaculado. Estudios proteómicos recientes indican que el fluido seminal del pollo es muy complejo y comprende entre 1400 y 1500 proteínas implicadas en una amplia gama de funciones. La evidencia experimental sugiere que el líquido seminal puede influir en la velocidad de nado de los espermatozoides, y la proteómica del genoma completo del líquido seminal de los eyaculados con motilidades de espermatozoides divergentes ha comenzado a arrojar luz sobre las proteínas implicadas en la velocidad de nado de los espermatozoides. Este es un enfoque prometedor que puede aprovechar la publicación del genoma del pollo para identificar las proteínas responsables de la fertilidad masculina.

Las características de los eyaculados varían enormemente dentro de cada hombre. Gran parte de esta variación se explica por el comportamiento sexual. El número de espermatozoides, la motilidad de los espermatozoides y la abundancia de proteínas individuales del fluido seminal cambian drásticamente debido al agotamiento durante el apareamiento sucesivo y debido a la inversión preferencial del macho en ciertas oportunidades de apareamiento.

Por ejemplo, los machos suelen invertir preferentemente en el apareamiento con hembras sexualmente novedosas o hembras que se aparean con otros machos. Como forma extrema de asignación diferencial de espermatozoides, los machos a menudo se aparean sin entregar semen. Hemos demostrado que este comportamiento desconcertante tiene sentido evolutivo porque reduce la receptividad de una hembra al apareamiento con otros machos al mismo tiempo que permite al macho ahorrar recursos para oportunidades de apareamiento más valiosas pronto. Estas respuestas de comportamiento tienen repercusiones cruciales, pero poco apreciadas, en los patrones de fertilización.

Efectos femeninos
Cada vez está más claro que las hembras juegan un papel fundamental en su comportamiento de apareamiento y su respuesta a las inseminaciones posteriores al apareamiento. Por ejemplo, nuestro trabajo ha demostrado que las hembras pueden controlar la frecuencia de apareamiento y pueden cambiar el día en que se aparean plásticamente en respuesta al entorno social. Esto es importante porque la probabilidad de que una inseminación produzca fertilización cambia drásticamente durante el día. Las respuestas de las hembras después del apareamiento también tienen un impacto crucial en el éxito de la fertilización de una inseminación.

Nuestro trabajo ha demostrado que las hembras pueden expulsar hasta el 90% de una inseminación inmediatamente después del apareamiento y que la probabilidad de expulsión de semen cambia de forma predecible entre los machos y con el orden de apareamiento, reduciendo drásticamente las posibilidades de que algunos machos logren la fertilización a pesar del apareamiento. Otras respuestas posteriores al apareamiento son más sutiles pero no menos influyentes. Los espermatozoides se almacenan en órganos de almacenamiento de espermatozoides femeninos especializados hasta por tres semanas.

Si bien los mecanismos que sustentan el almacenamiento de esperma femenino siguen sin resolverse, nuestro trabajo sugiere que los eyaculados no son tratados por igual por el tracto reproductivo femenino. La utilización diferencial de los espermatozoides femeninos está influenciada por la similitud genética entre las respuestas inmunológicas masculinas y femeninas a su esperma. Estos efectos femeninos son importantes para determinar el éxito de la fertilización de diferentes parejas y también pueden reducir la cantidad de huevos fertilizados, particularmente junto con los efectos masculinos.

Efectos a nivel de bandada
Si bien la noción de que la fertilidad está fuertemente influenciada por los efectos de los machos o las hembras puede no sorprender, menos apreciado es el papel fundamental que juegan las interacciones sociales entre aves individuales dentro de la bandada. De hecho, este es un aspecto de la fertilidad que ha sido ignorado en gran medida por la industria avícola. Las bandadas de pollos están estrechamente estructuradas en jerarquías sociales específicas por sexo. La posición de las aves individuales dentro de la jerarquía determina el acceso a las oportunidades de apareamiento y la exclusividad de estas interacciones de apareamiento.

Factores como el tamaño de la parvada, la proporción de sexos y la estructura del medio ambiente modulan aún más estos efectos, al determinar quién se apareará con quién, con qué frecuencia y cuándo durante el día. Estos efectos pueden dar como resultado que los individuos fisiológicamente fértiles tengan un rendimiento inferior con consecuencias para la fertilidad de toda la parvada, con consecuencias drásticas para el éxito reproductivo de las aves individuales y la fertilidad de toda la parvada. Es importante destacar que las dinámicas sociales que conducen a una baja fertilidad a menudo también conducen a un mal bienestar animal con un intenso acoso sexual de los machos a las hembras.

Nuevos enfoques
La naturaleza compleja de la fertilidad significa que las herramientas tradicionales basadas en ensayos individuales de los rasgos de fertilidad masculina a menudo son inadecuadas. En cambio, se requiere un enfoque de precisión, desarrollando estrategias de gestión adaptadas a las parvadas individuales. Estas estrategias deben integrar información a diferentes niveles, combinando múltiples rasgos de fertilidad masculina con datos sobre la utilización del esperma femenino y, fundamentalmente, patrones de comportamiento socio-sexual. Este enfoque integrado promete ofrecer un manejo más eficiente de la fertilidad en las parvadas comerciales, con posibles beneficios para el bienestar animal.

Leer más

La agricultura parece preparada para una transformación digital que podría generar $ 500 mil millones al producto interno bruto global para 2030, informa McKinsey & Company.

Según el documento de consulta, la agricultura sigue siendo la industria menos digitalizada del mundo, a pesar de que la población mundial, que necesitará alimentación, se espera que crezca a 9.700 millones en 2050.

El informe de McKinsey & Company, El futuro conectado de la agricultura: cómo la tecnología puede generar un nuevo crecimiento, adoptando la tecnología digital, señala que la tecnología que se usa actualmente en la agricultura tiende a tener fines mecánicos y genéticos.

“Ahora se necesitan herramientas digitales mucho más sofisticadas para ofrecer el próximo salto de productividad”, destaca el informe.

“La agricultura se encuentra en los primeros días de otra revolución, en el centro de la cual se encuentran los datos y la conectividad. La inteligencia artificial (IA), el análisis, los sensores conectados y otras tecnologías emergentes podrían aumentar aún más los rendimientos, mejorar la eficiencia del agua y otros insumos y generar sostenibilidad y resiliencia en el cultivo de cultivos y la cría de animales «.

Futuro de la conectividad

Durante la próxima década, las tecnologías existentes como fibra, redes de área amplia de baja potencia (LPWAN), Wi-Fi 6, 5G de banda baja a media y conexiones de corto alcance como identificación por radiofrecuencia (RFID) ampliarán su alcance a medida que se construyen las redes y crece la adopción.

“Si la conectividad se implementa con éxito en la agricultura, la industria podría agregar $ 500 mil millones en valor adicional al producto interno bruto global para 2030, según nuestra investigación. Esto equivaldría a una mejora del siete al nueve por ciento de su total esperado y aliviaría gran parte de la presión actual sobre los agricultores ”, comentó McKinsey.

Para 2030, McKinsey & Company predice que una infraestructura de conectividad avanzada cubrirá aproximadamente el 80% de las áreas rurales del mundo (la excepción es África).

A medida que la conectividad se afianza cada vez más, el informe describe que estas herramientas permitirán nuevas capacidades en la agricultura y allanarán el camino para una transformación digital:

Internet masivo de las cosas (IoT) .

Las redes de baja potencia y los sensores más baratos prepararán el escenario para que IoT se amplíe; riego de precisión de cultivos de campo, seguimiento de grandes rebaños de ganado y seguimiento del rendimiento de edificios remotos y grandes flotas de maquinaria.

Servicios de misión crítica

La latencia ultrabaja y la estabilidad mejorada de las conexiones fomentarán la confianza para ejecutar aplicaciones que exigen confiabilidad y capacidad de respuesta absolutas, como operar maquinaria autónoma y drones.

Cobertura casi global

Si los satélites LEO alcanzan su potencial, permitirán que incluso las zonas rurales más remotas del mundo utilicen una digitalización extensa, lo que mejorará la productividad agrícola mundial.

“Inicialmente, el valor potencial se acumulará en las grandes granjas que tienen más poder de inversión y mejores incentivos para digitalizar”, comenta el informe de McKinsey & Company.

“La conectividad promete un levantamiento más fácil de grandes extensiones, y los costos fijos de desarrollar soluciones de IoT se compensan más fácilmente en grandes instalaciones de producción que en pequeñas granjas familiares. La conectividad permite más casos de uso en estos sectores que en la carne y los lácteos, debido al gran tamaño promedio de las granjas, una consolidación relativamente mayor de jugadores y una mejor aplicabilidad de las tecnologías conectadas, ya que las redes de IoT están especialmente adaptadas al monitoreo estático de muchas variables «.

Cinco casos de uso de conectividad

Seguimiento de cultivos
La conectividad ofrece una variedad de formas de mejorar la observación y el cuidado de los cultivos. La integración de datos meteorológicos, riego, nutrientes y otros sistemas podría mejorar el uso de recursos y aumentar los rendimientos al identificar y predecir con mayor precisión las deficiencias.

El monitoreo inteligente también podría ayudar a los agricultores a optimizar la ventana de cosecha, lo que podría ayudar a los agricultores a maximizar los ingresos de sus cultivos.

Seguimiento de ganado
La prevención de brotes de enfermedades y la detección de animales en peligro son fundamentales en el manejo del ganado a gran escala, donde la mayoría de los animales se crían en lugares cerrados con un régimen que garantiza que se muevan fácilmente a través de un sistema de procesamiento altamente automatizado. Los chips y los sensores corporales que miden la temperatura, el pulso y la presión arterial podrían detectar enfermedades a tiempo, prevenir infecciones en el rebaño y mejorar la calidad de los alimentos.

Gestión de edificios y equipos
Los chips y sensores para monitorear y medir los niveles de los silos y almacenes podrían desencadenar un reordenamiento automatizado, reduciendo los costos de inventario para los agricultores, muchos de los cuales ya están usando tales sistemas de compañías como Blue Level Technologies.

Agricultura por drone
La próxima generación de drones está comenzando a impactar en el sector, con la capacidad de inspeccionar cultivos y rebaños en vastas áreas de manera rápida y eficiente. Los drones también podrían usar la visión por computadora para analizar las condiciones del campo y brindar intervenciones precisas como fertilizantes y pesticidas donde los cultivos más los necesitan. O podrían plantar semillas en lugares remotos, reduciendo los costos de equipo y mano de obra. Al reducir los costos y mejorar los rendimientos, el uso de drones podría generar entre $ 85 mil millones y $ 115 mil millones en valor.

Maquinaria agrícola autónoma
Los controles GPS más precisos combinados con la visión por computadora y los sensores podrían impulsar el despliegue de maquinaria agrícola inteligente y autónoma. Los agricultores podrían operar una variedad de equipos en su campo simultáneamente y sin intervención humana, liberando tiempo y otros recursos.

“Aún así, mucho de esto no puede suceder hasta que muchas áreas rurales tengan acceso a una red de banda ancha de alta velocidad. Visualizamos tres formas principales en las que se podría realizar la inversión necesaria para hacer esto realidad:

Implementación impulsada por las telecomunicaciones: las empresas de telecomunicaciones podrían beneficiarse de un fuerte aumento en la demanda rural de su ancho de banda
Implementación impulsada por el proveedor : los proveedores de insumos podrían asociarse con empresas de telecomunicaciones o LPWAN para desarrollar redes de conectividad rural
Implementación impulsada por los agricultores : los propietarios de granjas, solos o en conjunto con grupos LPWAN o empresas de telecomunicaciones, también podrían impulsar la inversión y retener más control sobre los datos.
“El éxito y la sostenibilidad de una de las industrias más antiguas del planeta pueden depender de esta transformación tecnológica, y quienes la adopten desde el principio pueden estar mejor posicionados para prosperar en el futuro impulsado por la conectividad de la agricultura”, concluye el informe.

Leer más

¿Tu granja es eficiente o una granja agrónoma? Habitualmente, encontramos que las granjas pequeñas están centradas en la agronomía mientras que las más grandes están centradas en la eficiencia para mantener márgenes de beneficios viables. Pero no siempre es así. Muchas granjas combinan técnicas de eficiencia con la ciencia agrónoma. De hecho, las mejores granjas a veces están en la línea intermedia entre eficiencia y agronomía para producir cosechas fantásticas de cultivos que dominan el mercado sin aumentar en exceso los gastos de la granja o sus desperdicios.

Granjas Eficientes

La eficiencia es de alta importancia para muchas granjas. Cuanto mayor sea la granja, mayor necesidad de ser eficiente. La eficiencia no es solo hacer crecer los cultivos de a forma más sencilla, también es reducir costes, materiales y horas de trabajo sin impactar en el resultado final – una buena cosecha.

Una granja que se centre en la eficiencia puede comprar un único rociador de fertilizante multiuso para todos sus campos, incluso aunque estén creciendo una variedad de cultivos diferentes. Pueden labrar y fertilizar al mismo tiempo y trabajar de la forma más rápida para cubrir todos los campos de una pasada.

Esto te da más tiempo, dinero y energía para cubrir una área más grande de la misma manera, dejándote plantar más cultivos. La desventaja es que en general tus cultivos serán de menor calidad o más propensos a la malnutrición, por ejemplo.

Tu granja es eficiente si te centras en la manera más rápida de gestionar de forma efectiva todos tus cultivos para aumentar tus números y beneficios. A veces, es a costa de parte de tu cosecha.

Granjas Agrónomas

La agronomía es la es la forma tradicional de cultivar, por así decirlo. Las granjas que se centran en la agronomía son las que están más dispuestas a utilizar agricultura de precisión. Son las granjas en las que no solo analizan sus tipos de suelo, sino que también calculan cómo cambiar esos tipos de suelo para rendimientos óptimos a largo plazo… incluso si eso significa obtener beneficios más bajos durante un par de años en el futuro más inmediato.

La eficiencia aún está en consideración porque producir cultivos de alta calidad y rendimiento y tomarse el tiempo de gestionar una granja para hacerlo aún es la principal preocupación de los granjeros.

Si tu granja es una granja agrónoma si utilizas prácticas de alta calidad para centrarte en trabajar cultivo a cultivo para aumentar los beneficios. El precio de centrarte en mejorar todos tus cultivos es que a corto plazo te adelantarán tus competidores, ya que tus gastos serán mayores.

Fertilización de Proporción Variable

La fertilización aplicando ratios de proporción variables es el proceso de fertilizado de tus campos de una manera precisa y eficiente, mientras cambia la proporción de fertilizante que aplicas para seguir varianzas agrónomas.

¡Es más fácil entenderlo con un ejemplo!

Para comenzar, tendrás solo un fertilizante. Si tienes un rango de campos con cultivos en crecimiento que necesitan diferente proporción de nitrógeno para un crecimiento óptimo, solo necesitarás un fertilizante alto en nitrógeno. Todo lo que tienes que hacer es cambiar cuánta cantidad de fertilizante necesita cada cultivo.

Después, necesitas la tecnología para que un fertilizante aplicado en diferentes proporciones funcione. Cambiar el ratio y presión de aplicación del fertilizante mientras avanzas por el campo es la manera menos precisa y más costosa de cambiar la proporción de fertilizante utilizada… Si vas en serio con la agricultura de precisión y el aumento del rendimiento de tus cosechas, puedes hacerlo mejor. Hay formas de programar que tu fertilizante aumente automáticamente o reducir el esparcido del fertilizante según avanzas. Tu tractor necesitará estar conectado con un GPS para saber cuándo has entrado en el área que necesita más o menos fertilización.

Aún más. Con la tecnología de agricultura de precisión más avanzada puedes de hecho cambiar tu ratio de fertilización para diferentes áreas del campo.

Esta tecnología de fertilización con proporción variable te permite llevar a cabo prácticas agrónomas e impulsar el rendimiento de cada cultivo de forma individual, mientras que rocías de forma eficiente tus campos en un gran barrido sin pausas.

Leer más

Los sensores de cámara de imágenes multiespectrales en los aviones teledirigidos agrícolas permiten al agricultor gestionar los cultivos, el suelo, los fertilizantes y el riego de forma más eficaz.

Hay enormes beneficios tanto para el agricultor como para el medio ambiente en general, ya que se minimiza el uso de aerosoles, fertilizantes, desperdicio de agua y, al mismo tiempo, se aumenta el rendimiento de los cultivos.

La tecnología de teledetección con cámaras multiespectrales utiliza bandas de ondas verdes, rojas, rojas e infrarrojas cercanas para capturar imágenes visibles e invisibles de los cultivos y la vegetación.

Las imágenes multiespectrales se integran con un software especializado en agricultura que produce la información en datos significativos.

Estos datos de telemetría terrestre, suelo y cultivos permiten al agricultor monitorear, planificar y administrar la finca de manera más efectiva, ahorrando tiempo y dinero, además de reducir el uso de pesticidas.

En este artículo, explicamos los fundamentos de la tecnología de imágenes multiespectrales, la reflectancia, las bandas de ondas y los índices de vegetación como NDVI y NDRE. Toda esta información le da al agricultor una visión fantástica de la salud del suelo y de las plantas.

También le mostramos los últimos sensores multiespectrales para drones en la agricultura, junto con algunos vídeos fantásticos.

Imagenología multiespectral Drones agrícolas
Beneficios de la imagen multiespectral
Las imágenes multiespectrales son una herramienta muy eficaz para evaluar la productividad del suelo y analizar la salud de las plantas. Ver la salud del suelo y de los cultivos a simple vista es muy limitado y reaccionario. La tecnología de sensores multiespectrales permite al agricultor ver más allá del ojo humano.

Los datos de las imágenes multiespectrales tienen las siguientes ventajas;

Identificar plagas, enfermedades y malezas. Optimizar el uso de pesticidas y rociadores de cultivos a través de la detección temprana.
Proporcionar datos sobre la fertilidad del suelo y refinar la fertilización mediante la detección de deficiencias de nutrientes. Ayudar en la gestión de la tierra y en la toma de tierras agrícolas para entrar o salir de la producción o para rotar los cultivos, etc.
Contar las plantas y determinar los problemas de población o espaciamiento.
Estimación del rendimiento de la cosecha.
Medir el riego. Controlar el riego de los cultivos mediante la identificación de áreas donde se sospecha que hay estrés hídrico. Luego, haga mejoras en las áreas de la tierra tales como instalar sistemas de drenaje y vías fluviales basados en los datos multiespectrales.
Ver los daños a los cultivos de la maquinaria agrícola y hacer las reparaciones necesarias o reemplazar la maquinaria problemática.
Inspeccione las cercas y los edificios de la granja.
Monitorear el ganado. Ahora, los drones con cámaras térmicas pueden ser utilizados para localizar ganado durante la noche, junto con muchos otros usos estupendos.
Solución todo el año
Lo que es fantástico de las imágenes multiespectrales es que esta tecnología de sensores se puede utilizar durante todo el ciclo de cultivo. Ya sea durante la siembra, el riego, la fertilización o la cosecha, los drones que proporcionan imágenes multiespectrales se pueden utilizar en cada paso, lo que permite al agricultor gestionar sus cultivos de forma muy eficaz en cada estación.

Con sensores multiespectrales avanzados y capacidades de imagenología, esto ofrece a los agricultores nuevas formas de aumentar el rendimiento y reducir los daños en los cultivos.

Drones de Detección Remota con Cámara Multiespectral
Levantamiento / Inspeccionar / Mapas 3D / Imágenes multiespectrales
Drones para la agricultura – SenseFly eBee AG Con sensor multiespectralAntes de profundizar en el tema de la tecnología de imágenes multiespectrales en la agricultura, una de las tareas más básicas en cualquier granja es inspeccionar visiblemente los cultivos, las cercas y los edificios.

Los mejores drones para este tipo de trabajo necesitan contar con Satélite de Posicionamiento Global (GPS), Vista en Primera Persona (FPV), gimbals estabilizados, excelentes cámaras e incluso navegación autónoma por waypoints.

Los drones que se enumeran a continuación se pueden utilizar para inspeccionar cultivos, cercas y edificios, ya que tienen cámaras fantásticas montadas en los mejores balancines estabilizados. Estos drones también pueden construir modelos de elevación y mapas de fotogrametría utilizando software como Pix4D. También pueden adaptarse para transportar sensores multiespectrales como el sensor UAS de Sequoia (ver más abajo).

DJI Mavic Pro 2 / Zoom (Nuevo).
DJI Mavic 2 Enterprise.
DJI Phantom 4 Pro.
DJI Phantom 3.
DJI Mavic Pro.
DJI Inspire 1.
3DR SOLO.
SenseFly eBee.
DJI MG-1S.
El DJI MG-1S fue diseñado específicamente para uso agrícola. Puede cubrir más de 60 acres y utiliza GPS y sensores de visión para seguir el terreno permitiendo la fumigación de los cultivos. El DJI MG-1S utiliza un software de waypoints autónomo para cubrir el área de pulverización. El DJI MG-1S ahorrará tiempo y dinero a los agricultores.

El DJI Mavic 2 Enterprise, Inspire 1, Inspire 2, DJI Phantom 4 y 3DR Solo también pueden ser adaptados para el sensor térmico FLIR Vue, que puede producir excelentes datos utilizados en la agricultura de precisión, especialmente en el área de gestión del riego.

DJI Inspire 1 para imágenes multiespectrales
Uno de los drones más innovadores del mercado hasta la fecha y perfecto para cualquier granja es el DJI Inspire 1. Este dron viene con una excelente tecnología de estabilización y una cámara de 4k. El Inspire 1 le proporcionará imágenes y vídeos perfectamente nítidos de su inspección visual en la granja.

El Inspire 1 tiene un montón de modos de vuelo inteligentes, incluidos los waypoints. Utilizando el software Pix4D junto con los waypoints, puede crear mapas de fotogrametría 3D de su terreno.

El DJI Inspire 1 es muy adaptable. El cardán Zenmuse XT fue diseñado específicamente para el Inspire 1 para llevar la cámara FLIR Thermal. Además, el último sistema de detección de imágenes multiespectrales de Parrot Sequoia puede añadirse al Inspire 1, lo que lo convierte en el avión teledirigido perfecto para cualquier explotación.

Tecnología de imágenes multiespectrales
¿Qué son las imágenes multiespectrales ?
Un sensor de imagen multiespectral captura datos de imagen en frecuencias específicas a través del espectro electromagnético. Las longitudes de onda pueden estar separadas por filtros o por el uso de instrumentos que son sensibles a longitudes de onda particulares, incluyendo la luz de frecuencias más allá de nuestra vista visible, como el infrarrojo. Las imágenes espectrales también permiten la extracción de información adicional que el ojo humano no puede captar.

Importancia de las imágenes multiespectrales
El ojo humano es sensible sólo a longitudes de onda entre 400 y 700 nm, lo que se conoce como el espectro visible. Los humanos pueden percibir una variedad de colores que van desde el violeta hasta el rojo. Sin embargo, las longitudes de onda también pueden ser más cortas (ultravioleta) o más largas (infrarrojo) que las de nuestra vista visible.

Aunque no podamos verlas, estas bandas de ondas invisibles son muy indicativas de las características agronómicas del suelo, las plantas y los cultivos.

Aquí un excelente vídeo que explica un poco más sobre el tema de la teledetección y la cartografía espectral.

Cámara de imágenes multiespectrales para la agricultura
Fundamentos de las imágenes multiespectrales
Cada superficie refleja parte de la luz que recibe. Los objetos con diferentes características superficiales reflejan o absorben la radiación solar de diferentes maneras. La relación entre la luz reflejada y la luz incidente se conoce como reflectancia y se expresa como porcentaje.

Índices de vegetación
Las propiedades de reflectancia de la vegetación se utilizan para obtener índices de vegetación (VIs). Los índices se utilizan para analizar varias ecologías. Los índices de vegetación se construyen a partir de mediciones de reflectancia en dos o más longitudes de onda para analizar características específicas de la vegetación, como el área foliar total y el contenido de agua.

La vegetación interactúa con la radiación solar de forma diferente a otros materiales naturales, como los suelos y las masas de agua. La absorción y reflexión de la radiación solar es el resultado de numerosas interacciones con diferentes materiales vegetales, que varían considerablemente según la longitud de onda.

El agua, los pigmentos, los nutrientes y el carbono se expresan en el espectro óptico reflejado de 400 nm a 2500 nm, con comportamientos de reflexión a menudo superpuestos, pero espectralmente distintos. Estas firmas conocidas permiten a los científicos combinar mediciones de reflectancia en diferentes longitudes de onda para mejorar las características específicas de la vegetación mediante la definición de VIs.

Se han publicado más de 150 índices de vegetación en la literatura científica, pero sólo un pequeño subconjunto tiene una base biofísica sustancial o ha sido probado sistemáticamente. El índice de vegetación más popular es el NDVI (Normalized Difference Vegetation Index). NDRE (Normalized Difference Red Edge) también es bastante común con el sensor único de Sentera que tiene un filtro NDRE opcional.

Índice de vegetación NDVI
NDVI y NDRE Sensores multiespectrales en dronesEl Índice de Diferencia Normalizada de Vegetación (NDVI) es un índice de «verdor» o actividad fotosintética de las plantas, y es uno de los índices de vegetación más utilizados. Los índices de vegetación se basan en la observación de que diferentes superficies reflejan diferentes tipos de luz de forma diferente.

La vegetación fotosintéticamente activa, en particular, absorbe la mayor parte de la luz roja que le llega mientras refleja gran parte de la luz infrarroja cercana. La vegetación muerta o estresada refleja más luz roja y menos luz infrarroja cercana. Asimismo, las superficies no vegetadas tienen una reflectancia mucho más uniforme en todo el espectro de luz.

Tomando la proporción de bandas rojas e infrarrojas cercanas de una imagen de teledetección, se puede definir un índice de «verdor» de la vegetación. El Índice de Diferencia Normalizada de Vegetación (NDVI) es probablemente el más común de estos índices de relación para la vegetación. El NDVI se calcula por píxel como la diferencia normalizada entre las bandas roja y cercana al infrarrojo de una imagen.

El NDVI puede calcularse para cualquier imagen que tenga una banda roja y otra de infrarrojo cercano. La interpretación biofísica del NDVI es la fracción de la radiación fotosintéticamente activa absorbida.

Varios factores pueden afectar los valores del NDVI, como la actividad fotosintética de la planta, la cubierta vegetal total, la biomasa, la humedad de la planta y del suelo, y el estrés de la planta. Debido a esto, el NDVI está correlacionado tanto con los atributos agrícolas como con los de los ecosistemas, que son de interés para los investigadores y los gestores (por ejemplo, productividad primaria neta, cubierta de copas, cubierta vegetal, cubierta vegetal desnuda).

Además, como se trata de una relación de dos bandas, el NDVI ayuda a compensar las diferencias en la iluminación dentro de una imagen debido a la pendiente y al aspecto, y las diferencias entre las imágenes debidas a cosas como la hora del día o la estación del año en que se tomaron las imágenes. Así, los índices de vegetación como el NDVI permiten comparar imágenes a lo largo del tiempo para buscar cambios agrícolas y ecológicos significativos.

Beneficios de la gestión de cultivos NDVI
Cobertura de la cubierta y detección de densidad.
NDVI con el tiempo proporciona una tendencia de crecimiento precisa.
Detección de daños por heladas.
Brotes de plagas a gran escala.
Optimizar la duración de la rotación de cultivos.
Beneficios ecológicos.
Dinámica de la vegetación o cambios fenológicos de la planta a lo largo del tiempo.
Producción de biomasa.
Impactos o atributos del pastoreo relacionados con el manejo del pastoreo (por ejemplo, carga ganadera).
Cambios en las condiciones de los pastizales.
Clasificación de la vegetación o de la cubierta vegetal.
Humedad del suelo.
Secuestro de carbono o flujo de CO2.
Índice de vegetación NDRE
El índice de diferencia normalizada de borde rojo (NDRE) es una métrica que puede utilizarse para analizar si las imágenes obtenidas a partir de sensores de imágenes multiespectrales contienen vegetación sana o no. Es similar al Índice de Vegetación por Diferencia Normalizada (NDVI), pero utiliza la proporción de infrarrojo cercano y el borde de rojo.

NDRE utiliza un filtro de borde rojo para ver la reflectancia desde el dosel del cultivo. El borde rojo es una región en la zona de transición rojo-NIR del espectro de reflectancia de la vegetación y marca el límite entre la absorción por la clorofila en la región roja visible y la dispersión debida a la estructura interna de la hoja en la región NIR.

Esto permite al agricultor determinar las diferentes variables para el manejo del cultivo. La comprensión de los niveles de clorofila puede proporcionar al agricultor la capacidad de monitorear la actividad de la fotosíntesis.

Con la información NDRE el cultivador puede optimizar los tiempos de cosecha basándose en las transiciones de la actividad fotosintética. Durante los eventos de cosecha como: corte de la cáscara en almendras, o contenido máximo de azúcar en las uvas, se produce un cambio notable en los valores de NDRE.

Este cambio ocurre porque las moléculas de azúcar producidas por la fotosíntesis ya no son necesarias en una demanda tan alta, ya que la fruta/nuez ha alcanzado la madurez. Esta información es invaluable como una herramienta de gestión de cultivos para la programación de la cosecha que permite al agricultor tener un producto de la más alta calidad.

Otros factores que pueden cambiar los niveles de clorofila y causar estrés en los cultivos son las infestaciones de insectos. Utilizando NDRE se puede determinar la gravedad de un brote de ácaros en un campo de almendros y luego utilizar una forma precisa de terminar con la infestación. Esto no sólo le permite monitorear los brotes, sino también reducir los costos asociados con el control de plagas.

Aplicaciones de software multiespectrales
En torno a los índices de vegetación se construyen diversas herramientas y aplicaciones para la agricultura de precisión y el estrés de los cultivos agrícolas con el fin de ofrecer una solución completa, que incluye el procesamiento, almacenamiento, presentación y análisis de datos multiespectrales. Más información sobre las aplicaciones de software multiespectrales a continuación.

Además, algunos de los mejores programas de fotogrametría pueden analizar el NDVI y los índices de vegetación. Un ejemplo es la aplicación de mapeo 3D DroneDeploy.

Espectro de Vegetación
Las propiedades de reflexión de un objeto dependen del material y de su estado físico y químico (p.ej. humedad), de la rugosidad de la superficie así como de las circunstancias geométricas (p.ej. ángulo de incidencia de la luz solar). Las características más importantes de la superficie son el color, la estructura y la textura de la superficie. El color percibido de un objeto corresponde a la longitud de onda del espectro visible con mayor reflectancia.

Estas diferencias permiten identificar diferentes características de la superficie terrestre o materiales analizando sus patrones de reflectancia espectral o firmas espectrales. Estas firmas pueden ser visualizadas en las llamadas curvas de reflectancia espectral en función de las longitudes de onda.

El siguiente diagrama muestra las curvas de reflectancia espectral típicas de tres tipos básicos de características de la Tierra: vegetación verde, suelo seco y desnudo y agua clara. El verde, el rojo y el infrarrojo son los principales utilizados en la agricultura. El borde rojo (banda corta correspondiente al punto de entrada del infrarrojo cercano) también se utiliza a veces para obtener índices adicionales.

La imagen del espectro de vegetación que se muestra a continuación contiene detalles y explicaciones sobre la reflectancia y las bandas de ondas de vegetación.

Sensores de imágenes multiespectrales para la agricultura que utilizan bandas espectrales de vegetación

Curva de vegetación
La curva de reflectancia espectral de la vegetación verde sana tiene un mínimo significativo de reflectancia en la parte visible del espectro electromagnético resultante de los pigmentos en las hojas de las plantas. La vegetación sana se absorberá tanto en las bandas azules como en las rojas, dando lugar a lo que se denomina el «bulto verde de la vegetación sana».

La reflectancia aumenta drásticamente en el infrarrojo cercano. La vegetación estresada también puede ser detectada porque la vegetación estresada tiene una reflectancia significativamente menor en el infrarrojo.

Curva del suelo
La curva de reflectancia espectral del suelo desnudo es considerablemente menos variable. La curva de reflectancia se ve afectada por el contenido de humedad, la textura del suelo, la rugosidad de la superficie, la presencia de óxido de hierro y materia orgánica. Estos factores son menos dominantes que las características de absorbancia observadas en los espectros de reflectancia de la vegetación.

Curva de agua
La curva de agua se caracteriza por una alta absorción en el rango de longitudes de onda del infrarrojo cercano y más allá. Debido a esta propiedad de absorción, los cuerpos de agua, así como los elementos que contienen agua, pueden ser fácilmente detectados, localizados y delineados con datos de teledetección. El agua turbia tiene una mayor reflectancia en la región visible que el agua clara.

Esto también es cierto para las aguas que contienen altas concentraciones de clorofila. Estos patrones de reflectancia se utilizan para detectar colonias de algas.

Bandas multiespectrales de vegetación
Bandas de ondas de imágenes multiespectrales de rojo, verde, borde rojo e infrarrojo

Verde
El verde corresponde a la energía reflejada en la banda espectral de 500-600 nm y tiene la mayor reflectancia de una planta en esta banda. El pico de reflectancia está alrededor de los 550 nm. Se ha comprobado que esta banda espectral está fuertemente correlacionada con la cantidad de clorofila contenida en la planta.

En esta parte visible del espectro de la vegetación, la curva de reflectancia de una planta sana muestra la mayor reflectancia en una onda verde (en el rango de 550 nm). Es por eso que las plantas nos parecen verdes.

Un compuesto químico en las hojas llamado clorofila absorbe fuertemente la radiación en las longitudes de onda roja y azul, pero refleja las longitudes de onda verdes. Las hojas nos parecen «más verdes» en verano, cuando el contenido de clorofila es máximo.

En otoño, hay menos clorofila en las hojas, por lo que hay menos absorción y proporcionalmente más reflexión de las longitudes de onda rojas, haciendo que las hojas aparezcan rojas o amarillas (el amarillo es una combinación de longitudes de onda rojas y verdes).

La estructura interna de los cultivos sanos actúa como excelentes reflectores difusos de longitudes de onda infrarrojas cercanas. Medir y monitorear la reflectancia cercana al infrarrojo es una forma de determinar cuán saludable (o no) puede ser la vegetación.

Aún así, la mayor parte de la luz en el espectro visible reflejada por una planta bajo estrés se encuentra en el rango verde. Por lo tanto, a simple vista, una planta bajo estrés es indistinguible de una planta sana. Por otro lado, la diferencia se puede ver en la reflectancia de la luz en el rango infrarrojo, que es mucho menor.

Rojo

Corresponde a la energía reflejada en la banda espectral de 600-700 nm. La fuerte absorción de clorofila en esta banda resulta en una baja reflectancia. La reflectancia varía significativamente en relación con factores como la biomasa, el LAI (Leaf Area Index), la historia del suelo, el tipo de cultivo, la humedad y el estrés de la planta.

Para la mayoría de los cultivos esta banda ofrece un excelente contraste entre las plantas y el suelo y se utiliza ampliamente para compilar la mayoría de los índices de vegetación en la agricultura.

Borde Rojo

Esta es una banda muy estrecha (700-730 nm) que corresponde al punto de entrada del infrarrojo cercano. Es el punto de un cambio repentino en la reflectancia, de una fuerte absorción del rojo a una reflexión sustancial del infrarrojo cercano. Esta banda es muy sensible al estrés de la planta y proporciona información sobre la clorofila.

Análisis de la salud de los cultivos.
Recuento de plantas.
Gestión del agua.
NIR (infrarrojo cercano)
Corresponde a las longitudes de onda en el rango de 700 nm a 1,3 µm, tiene la mayor reflectancia de las bandas estudiadas. Existe una fuerte correlación entre esta reflectancia y el nivel de clorofila en la planta. Una variación muy significativa de la reflectancia en esta banda se produce cuando una planta está bajo tensión.

Junto con la banda espectral roja, el infrarrojo se utiliza ampliamente para compilar la mayoría de los índices de vegetación en la agricultura.

NIR es sensible a la estructura celular de la hoja y proporciona datos críticos para monitorear los cambios en la salud del cultivo.

Propiedades del suelo y análisis de humedad.
Análisis de la salud de los cultivos y del estrés.
Gestión del agua.
Análisis de erosión.
Recuento de plantas.
La vegetación sana absorbe energía azul y roja para alimentar la fotosíntesis y crear clorofila. Una planta con más clorofila reflejará más energía infrarroja cercana que una planta poco saludable. Por lo tanto, el análisis del espectro de absorción y reflexión de una planta en longitudes de onda visibles e infrarrojas puede proporcionar información sobre la salud y productividad de la planta.

Infrarrojos térmicos
La radiación infrarroja térmica es la parte del espectro electromagnético que tiene una longitud de onda de entre 3,0 y 20 micrómetros. La mayoría de las aplicaciones de teledetección utilizan el rango de 8 a 13 micrómetros. La principal diferencia entre el infrarrojo térmico y el infrarrojo (color infrarrojo – CIR) es que el infrarrojo térmico es la energía emitida que se percibe digitalmente, mientras que el infrarrojo cercano (también llamado infrarrojo fotográfico) es la energía reflejada.

Los drones con cámaras de visión térmica han crecido rápidamente y han desempeñado un papel importante en varios campos de la agricultura, como por ejemplo;

Monitoreo de viveros.
Análisis de la fisiología de la planta.
Programación del riego.
Detección del estrés de salinidad del suelo.
Detección de enfermedades de las plantas.
Evaluación de madurez.
Detección de hematomas en frutas.
Previsión de rendimientos.
Sensores de cámara de profundidad ToF 3D
Además de los sensores multiespectrales para la agricultura, las cámaras 3D de tiempo de vuelo pueden ayudar a mejorar los datos y proporcionar datos adicionales de dos maneras;

Los sensores de la cámara ToF se pueden utilizar como altímetros reactivos de alta precisión que proporcionan una estabilidad adicional al avión teledirigido mientras se capturan imágenes multiespectrales.
La tecnología de profundidad ToF 3D es excelente para medir volúmenes. Estos sensores de cámara se pueden utilizar para medir reservas como abono orgánico, estiércol y mantillo.
RGB (rojo/verde/azul)
La luz visible se define como la que tiene longitudes de onda en el rango de 400 a 700 nm. En agricultura, un dron de calidad con un excelente cardán y cámara puede ser utilizado para inspecciones visuales de la granja, modelado de elevación e incluso conteo de plantas.

Este video ofrece más detalles sobre el mapeo multiespectral.

Sensores de cámara multiespectral para agricultura
Veamos ahora algunos de los últimos sensores remotos de imágenes multiespectrales, el software necesario para analizar, procesar y emitir los datos y los drones compatibles en los que está montado el sensor.

Sentera – 3 sensores multiespectrales para drones
Los sensores de drones multiespectrales Sentera ofrecen un rendimiento excepcional y son muy competitivos en precio, calidad y función. Sentera dispone de 3 sensores multiespectrales para drones destinados a la agricultura. Estos sensores también se pueden montar en los aviones no tripulados DJI, incluyendo los modelos DJI Mavic, Phantom 3, Phantom 4 e Inspire.

Sus sensores producen datos de color ricos en contexto e imágenes de infrarrojo cercano (NIR) para proporcionar los mejores datos NDVI a los cultivadores.

Sentera Alta Precisión NDVI & NDRE Single Sensor: El sensor se integra en una multitud de plataformas de aviones teledirigidos, lo que permite a cualquier cultivador acceder de forma rápida y asequible a los datos críticos y precisos de los cultivos en TrueNDVI™

El sensor único de alta precisión está disponible en dos variantes: índice de vegetación de diferencia normalizada (NDVI) y borde rojo de diferencia normalizada (NDRE), los filtros de sensor único de alta precisión Sentera rechazan eficazmente las fugas fuera de banda antes de que puedan contaminar la medición y provocar errores de índice.

Estos sensores avanzados facilitan a los usuarios la integración de los datos índice basados en satélites con los datos índice basados en drones. Utilizando filtros de alta precisión, usted recibe información invaluable de NDVI o NDRE sobre la salud, madurez y vigor del cultivo.

Los sensores producen imágenes RGB nítidas y detalladas o imágenes de infrarrojo cercano (NIR), lo que permite a los cultivadores producir rápidamente mapas de cultivos con índice de diferencia de vegetación normalizado (NDVI). El nivel de información detallada proporciona a los usuarios información invaluable sobre la salud y madurez de los cultivos.

Se integra fácilmente en prácticamente cualquier sistema, incluyendo varias plataformas de aviones no tripulados DJI.
Recoge de forma efectiva sólo las bandas precisas necesarias para realizar mediciones precisas de NDVI y NDRE.
La óptica de baja distorsión y la tecnología de obturador global garantizan imágenes nítidas y claras.
Captura datos para crear mapas NDVI precisos, lo que proporciona a los usuarios un informe completo sobre la salud de los cultivos.
Ayuda a personalizar la aplicación de fertilizantes, pesticidas y herbicidas en base a la información de la unidad de datos.
El flujo de datos sin fisuras en el software AgVault permite ver las imágenes desde el borde del campo y tomar medidas inmediatas.
Sentera Quad: Este es el sensor multiespectral más ligero, compacto y de mayor rendimiento disponible hoy en día para los drones.

Este sensor avanzado tiene la capacidad de reconocer seis bandas específicas de luz, así como de medir el espectro completo de RGB para generar imágenes en color verdadero. El sensor Quad proporciona una visión más profunda sobre la salud y el vigor de los cultivos para la industria agrícola.

Ahorra tiempo al capturar imágenes RGB de espectro completo y datos de borde rojo completos en un solo vuelo.
Permite la aplicación personalizada de fertilizantes, pesticidas y herbicidas, basándose en información basada en datos.
Facilita la detección y el diagnóstico de problemas de crecimiento.
Compatible con AgVault™ para que los datos puedan organizarse, almacenarse, visualizarse y compartirse con un equipo.
Sensor Sentera Doble 4k: Este sensor agrícola es el sensor dual más pequeño y ligero disponible en la actualidad. También es compatible con cualquier dron. El Double 4k captura imágenes de alta resolución de 12 megapíxeles y cuenta con un procesador mejorado que acelera la entrega de imágenes precisas de la salud del cultivo a las herramientas de costura más populares, incluyendo Pix4D y Agisoft.

Con una mayor resolución de imagen y una mayor velocidad de procesador, los usuarios quedarán completamente satisfechos con los mapas de recorte nítidos, con archivos de formas y costuras mejoradas.

El vídeo NDVI se transmite en directo al dispositivo móvil a través de la tecnología LiveNDVI™
Captura simultáneamente imágenes NDVI de 12 megapíxeles e imágenes RGB de alta resolución.
Acelera la descarga de imágenes utilizando un procesador mejorado.
Descarga instantánea de imágenes a través de WiFi o conexión por cable.
Fácilmente modificable para avanzar con las tecnologías de la industria.
Capaz de capturar video de ultra alta definición de 4k.
Se integra perfectamente con AgVault™ Software.

Sensor multiespectral Parrot Sequoia

El Parrot Sequoia es uno de los sensores remotos multiespectrales UAS más pequeños y ligeros del mercado hasta la fecha. Captura imágenes de cultivos a través de las cuatro bandas espectrales altamente definidas, visibles y no visibles, además de imágenes RGB. Esta solución utiliza dos sensores.

Sensor multiespectral Sequoia para agricultura de precisiónEl segundo sensor es el sensor de sol y se monta en la parte posterior del avión no tripulado. Durante el vuelo, el sensor de luz solar detecta y registra continuamente las condiciones de luz en las mismas bandas espectrales que el sensor multiespectral. Los datos de luz así recogidos permiten confirmar los valores de las firmas espectrales identificadas.

El sensor Sequoia tiene su propio GPS, IMU y magnetómetro, por lo que no depende del dron para estos datos de posición. Es quizás el mejor sensor multiespectral del mercado hasta la fecha. Algunos de sus beneficios son los siguientes;

Identificar áreas problemáticas en un campo que requieren atención y exploración adicional.
Refinar la fertilización detectando los síntomas de deficiencia de nutrientes.
Optimizar la entrada de pesticidas mediante la detección temprana del estrés biótico.
Controlar el riego de los cultivos mediante la identificación de áreas donde se sospecha que hay estrés hídrico.
Estimar el rendimiento de los cultivos mediante el procesamiento y la explotación de los índices agronómicos.

Drones compatibles con sensores Sequoia
El sistema de teledetección multiespectral Sequoia es totalmente compatible con los siguientes drones:

SenseFly eBee Ag.
DJI Mavic 2 Pro.
3DR Solo.
DJI Phantom 3/4.
DJI Inspire 1.
Yuneec Typhoon H.
Sensor ADC Lite de Tetracam
El ADC Lite de Tetracam es un sistema de teledetección multiespectral ligero (7 onzas) que es una solución ideal para vehículos aéreos no tripulados. El ADC Lite contiene un único sensor de 3,2 megapíxeles optimizado para la captura de longitudes de onda de luz visible superiores a 520 nm y longitudes de onda de infrarrojos cercanos de hasta 920 nm.

Tetracam Software Multiespectral
PixelWrench2: es el software de procesamiento de imágenes incluido con la cámara multiespectral y permite la extracción de índices de vegetación estándar (como NDVI, SAVI, segmentación del dosel y relaciones NIR/Verde) de las imágenes capturadas.

Sensor MicaSense RedEdge

RedEdge sistema de detección multiespectral captura simultáneamente cinco bandas espectrales discretas, permitiendo la creación de índices personalizados para aplicaciones personalizadas.

El diseño global del obturador crea imágenes sin distorsiones en todas las plataformas. Una variedad de opciones de interfaz que incluyen modo autónomo, serie, Ethernet y WiFi, ofrecen a los integradores de RedEdge una mayor flexibilidad.

El sensor de luz de fondo (DLS) de RedEdge permite medir las condiciones de luz ambiental durante el vuelo para obtener datos más precisos en condiciones de luz variables.

Drones RedEdge
RedEdge está listo para integrarse con cualquier dron. Viene con interfaces flexibles que incluyen Ethernet, serie y disparador PWM/GPIO,

MicraSense es la mejor solución de software para analizar datos del sensor multiespectral RedEdge. Vea abajo para más detalles sobre MicraSense.

Airinov multiSPEC 4C Sensor Agronómico
Estas son las principales características del sistema de teledetección por imágenes multiespectrales Aironov para la agricultura de precisión.

El sensor multiSPEC 4C mide la luz reflejada de los cultivos en las cuatro bandas espectrales diferentes: verde, rojo, borde rojo y NIR.
10 puntos de vista del mismo tipo para mejorar la precisión.
Corrección de la señal de reflectancia para una precisión absoluta.
El luxómetro integrado mide la intensidad de la luz y el color.
El sensor también registra la posición geológica y la fecha de cada imagen.
La lente gran angular permite realizar mapas de alta velocidad gracias a la gran superposición.
Resolución terrestre típica de 5 a 15 cm.
El obturador global proporciona imágenes claras y sin distorsiones incluso en condiciones de viento.
Adaptable a cualquier dron.
Empresas de imágenes multiespectrales
Pix4DMappter AG: Este software le permite tomar imágenes multiespectrales y convertirlas en mapas de índice precisos, como NDVI y ortomosaicos de sus campos, dándole información vital para una respuesta rápida, mejor rendimiento y eficiencia operativa.

MicaSense: proporciona una solución completa para el procesamiento, almacenamiento, presentación y análisis de datos multiespectrales. Proporcionan tecnologías que recopilan información sobre la salud de los cultivos de forma rentable sin tener que esperar a recibir pases de satélite ni pagar los elevados costes de los vuelos tripulados.

Las imágenes pueden ser recogidas a resoluciones medidas en sólo pulgadas por píxel. Los datos recopilados con frecuencia permiten a los agricultores y agrónomos trazar un mapa de la salud y el vigor de los cultivos en la actualidad, así como observar los cambios en la salud de los cultivos a lo largo del tiempo.

Airinov: proporciona soluciones de teledetección basadas en aviones teledirigidos para la agricultura de precisión. Ayudan a los profesionales de la agricultura a convertir sus imágenes y datos multiespectrales en una verdadera herramienta de gestión agrícola. Parrot Airinov apoya al agricultor desde los primeros pasos de la logística de vuelo, pasando por la interpretación agronómica, hasta la integración final del mapa en el sistema de guía del tractor.

Leer más