Mes: noviembre 2020

A lo largo de este artículo discutiremos acerca de la importancia de la variabilidad especial y la variabilidad temporal como factores determinantes del exito de la agricultura de precisión.

¿Qué es la Agricultura de Precisión y de qué depende el exito de su implementación?

La agricultura de precisión es la aplicación de tecnologías y principios relacionados con el manejo de la información, para gestionar de manera adecuada, la variabilidad espacial y temporal que está asociada con todos los aspectos de la producción agrícola. Su objetivo fundamental, es mejorar el rendimiento de los cultivos y la calidad ambiental.

El éxito en la agricultura de precisión, a pesar de que poco se discute al respecto, está relacionado con qué tan bien se puede aplicar para disgnosticar, analizar y gestionar el continuo espacio-tiempo en la producción de cultivos.

¿Cual es la importancia de la variabilidad espacial y temporal?

Se sabe que la agricultura de precisión está habilitada por la tecnología. Y en ese aspecto donde más se ha hecho énfasis. Concretamente, es a través de la integración de tecnologías específicas, que se crea el potencial para evaluar y gestionar la variabilidad a niveles de detalle nunca antes obtenidos y, cuando se hace correctamente, a niveles de calidad nunca antes alcanzados.

La viabilidad agronómica de la agricultura de precisión ha sido intuitiva, dependiendo en gran medida de la aplicación de las recomendaciones de gestión tradicionales a escalas más finas, aunque están apareciendo nuevos enfoques. En fin, lo que se ha hecho en muchas de las aplicaciones de agricyultura de precisión, es hacer lo mismo que se habia venido haciendo a nivel de finca, pero ahora adaptado a nivel de lotes. Sin embargo, su potencial es mucho mayor que eso.

Es por eso que el éxito agronómico de la agricultura de precisión ha sido limitado e inconsistente, aunque bastante convincente en algunos casos; por citar un ejemplo, en el manejo del N en la remolacha azucarera(Beta vulgaris L.).

El análisis sugiere que las perspectivas de una gestión de precisión eficaz, aumentan a medida que aumenta el grado en que se maneja adecuadamente la variabilidad espacial. Pero, a la vez, el grado de dificultad para lograr una gestión de precisión aumenta con la variación temporal.

Por poner un ejemplo, cuando se utilizan las tecnologias de agricultura de precision para la optimizar la aplicación de fertilizantes, se analiza la variabilidad espacial de la finca, a objeto de determinar qué lotes requieren más fertilizantes y cuáles requieren menos. Lo que poco se analiza, es el momento portuno en que ese fertiliante debe ser aplicado, para obtener resultados óptimos. Y esa variabilidad temporal es clave, ya que fisiológicamente se sabe, que no es lo mismo aplicar fertilizante nitrogenado durante la germinación que durante la floración. A manera de resumen, a la variabilidad temporal le hemos dado, en casi todos los sectores, una menor importancia.

Por lo antes planteado, los parámetros de manejo con alta dependencia espacial y baja varianza temporal serán manejados más fácilmente con precisión que aquellos con gran variación temporal .

A manera de resumen

El potencial de los beneficios económicos, ambientales y sociales de la agricultura de precisión es complejo y en gran parte no se obtiene, porque el continuo espacio-tiempo de la producción de cultivos no se ha abordado adecuadamente.

En Agricultura de Precision para el Desarrollo, hacemos una invitación a los principales actores de este proceso de transformación, para que analicen a plenitud, los factores de los que depende el exito de los programas de agricutra de precisión: La tecnologia, aunque necesaria, por si sola no es suficiente.

Leer más

dentificar la variabilidad dentro de un campo y gestionar los insumos para dar cuenta de esta variabilidad es uno de los principios subyacentes de la agricultura de precisión. Aunque la mayoría de los agrónomos reconocen que las poblaciones de malezas dentro de un campo generalmente son muy variables, ha habido relativamente poco esfuerzo para incorporar el conocimiento sobre las poblaciones de malezas en los planes de manejo de malezas. Este documento proporcionará una introducción a las características espaciales de las poblaciones de malezas y cómo podemos utilizar esta información para mejorar los programas de manejo de malezas.

Tipos de distribuciones espaciales
Se han utilizado tres tipos de distribuciones para caracterizar las poblaciones de malezas (Figura 1). En una disposición regular, cada maleza está espaciada equidistantemente de otra y la densidad de la maleza no varía a lo largo del campo. Este tipo de disposición rara vez ocurre excepto en campos mal manejados que tienen densidades de malezas uniformemente altas (> 10 malezas por pie 2). Con una distribución aleatoria, cada sitio en el campo tiene la misma probabilidad de ser ocupado por una maleza. La densidad de las malas hierbas varía a lo largo del campo, y el conocimiento de la densidad de las malas hierbas en un sitio de un campo no proporcionará información sobre la densidad de las malas hierbas en otro lugar dentro del campo. Las malezas con semillas arrastradas por el viento, como la cola de yegua, pueden aparecer en una disposición aleatoria, especialmente si la fuente de la semilla se encuentra a una distancia considerable del campo infestado. La disposición final y más común de las malezas es la distribución irregular o agregada. En esta situación, la densidad de las malezas varía ampliamente en el campo. La presencia de una maleza en un sitio aumenta la probabilidad de que haya maleza en un sitio cercano. La semilla arrastrada por el viento probablemente resultaría en una disposición irregular si la fuente de la semilla estuviera cerca del campo. En esta situación,

Causas de los arreglos de malezas irregulares
Cuando una persona observa un parche de malezas, una de las primeras preguntas que se hacen es «¿por qué hay más malezas en esa parte del campo?» Los parches de malezas en un campo pueden ser el resultado de la variabilidad del suelo, la introducción de semillas de fuentes externas o las prácticas de manejo de cultivos. En algunas situaciones, es fácil determinar el motivo de la presencia de las malas hierbas, como un salto del rociador o un bache donde la cosecha se ahogó a principios de la temporada. Sin embargo, en muchas situaciones es difícil explicar por qué las malas hierbas están presentes en una parte del campo pero no se encuentran en otra parte.

Las diferencias en las características del suelo en un campo pueden influir en las poblaciones de malezas directa o indirectamente. Un efecto directo sería una situación en la que una maleza se adapta mejor a crecer en un determinado tipo de suelo que otras, como un pH alto en comparación con un suelo de pH bajo. La mayoría de las malezas anuales se clasifican como colonizadoras, un grupo de plantas que se mueven rápidamente a áreas donde se ha alterado el suelo y se ha eliminado la vegetación anterior. En condiciones naturales, los colonizadores llenan un vacío en el ecosistema y luego son reemplazados rápidamente por tipos de vegetación más persistentes, como herbáceas perennes, arbustos y / o árboles. Por lo tanto, el requisito principal para las malezas anuales es el suelo desnudo, en lugar de una característica específica del suelo (textura, MO, equilibrio mineral, etc.).

Ocasionalmente se afirma que la presencia de una maleza es un indicador de una característica específica del suelo o un desequilibrio de nutrientes (Tabla 1). En la mayoría de los casos, estas declaraciones son un ejemplo de folclore inofensivo, pero ocasionalmente las personas intentan utilizar esta información para promover el uso de un producto para remediar un problema de suelo inexistente. Aunque las características del suelo pueden tener influencias sutiles sobre las poblaciones de malezas, si el suelo es una fuerza impulsora importante en la distribución de malezas en un campo, entonces probablemente el suelo esté lo suficientemente desequilibrado como para que las malezas no sean la principal preocupación del agricultor.

Cuadro 1. Especies indicadoras de las condiciones del suelo. Fuente: Ehrenfried E. Pfeiffer. 1970. Malezas y lo que dicen. Asociación de Agricultura y Jardinería Biodinámica. Kimberton, Pensilvania.

Característica del suelo Especies
Ácido hierba inteligente, fiebre de fregado, hawkweed
Salado bolso de pastor, cardo ruso,
Piedra de cal pennycress de campo, peppergrass de campo
Potasio alto trébol rojo, ajenjo, malva de pantano
Aunque ha habido una investigación considerable que analiza las relaciones entre las características del suelo y las poblaciones de malezas, la mayoría de los datos indican que la mayoría de las malezas anuales están adaptadas para crecer en cualquier suelo con características favorables para el crecimiento de los cultivos. Estudios más recientes que investigan los patrones espaciales de las malezas en campos completos han identificado algunas correlaciones entre los tipos de suelo y la densidad de las malezas que no se detectaron en estudios anteriores. Investigadores de la Universidad de Nebraska informaron que las hojas de terciopelo y el girasol eran más frecuentes en suelos con alta materia orgánica y una elevación relativa baja, mientras que los pastos anuales eran más comunes en los suelos de tierras altas y mejor drenados.

Los factores del suelo pueden tener un gran efecto en la aparición de malezas a través de impactos adversos en el crecimiento de los cultivos. La supresión del dosel de los cultivos aumenta los recursos disponibles para apoyar el crecimiento de malezas, particularmente las ligeras. Retrasar el desarrollo del cultivo durante un período relativamente corto al comienzo de la temporada de crecimiento (1-2 semanas) puede proporcionar a las malas hierbas una ventaja competitiva sobre el cultivo durante el resto de la temporada de crecimiento. En la mayor parte de Iowa, el drenaje deficiente del suelo sería la característica del suelo con más probabilidades de favorecer las malezas, aunque el pH alto puede ser un problema en ciertas asociaciones de suelos.

Las prácticas de producción de cultivos (labranza, aplicación de herbicidas, cosecha) pueden tener una gran influencia en la disposición espacial de las malezas en los campos. Estos parches suelen ser fáciles de identificar, ya que suelen estar orientados en la dirección de funcionamiento de la máquina. Los parches de malezas se pueden crear mediante: aplicación incorrecta de herbicidas, introducción de una nueva especie mediante maquinaria agrícola en la entrada de un campo, espacios entre pasadas de la sembradora o sembradora y propagación de semillas de malezas por la cosechadora. Los herbicidas ejercen más presión de selección sobre las poblaciones de malezas que cualquier otro factor y, por lo tanto, las diferencias en la actividad de los herbicidas en el campo, ya sea debido a suelos variables o aplicación desigual, pueden conducir a poblaciones de malezas agregadas. Un estudio en el centro de Iowa encontró que la característica del suelo más estrechamente asociada con las poblaciones anuales de malezas era la adsorción de herbicidas.

Estabilidad de los parches de malezas
El costo de obtener datos espaciales ha obstaculizado muchos aspectos de la agricultura de precisión, y las malezas plantean un problema particular debido a su naturaleza dinámica. Las características del suelo permanecen relativamente estables a lo largo del tiempo, por lo que se puede utilizar un mapa de las características del suelo durante varios años antes de que se requiera un nuevo muestreo. Dado que la distribución de malezas en un campo puede cambiar rápidamente, un mapa de malezas solo puede proporcionar información precisa para una o dos temporadas de cultivo. Aunque algunos estudios recientes han investigado si los parches de malezas permanecen en la misma parte de un campo de un año a otro, nuestra comprensión de esta característica de las poblaciones de malezas es limitada.

Los parches de malezas perennes tienden a ser más estables que los parches de malezas anuales. La mayoría de las malezas perennes que se encuentran en cultivos agronómicos se propagan principalmente por estructuras vegetativas (portainjertos, rizomas, estolones) en lugar de por semillas. Ejemplos de plantas perennes rastreras incluyen quackgrass, cáñamo aderezo, algodoncillo común y cardo de Canadá. Dado que la mayoría de los herbicidas utilizados en el maíz y la soja son marginalmente efectivos en las plantas perennes, estas malezas tienden a estar presentes en el mismo lugar dentro de los campos de un año a otro. La expansión del parche de plantas perennes es relativamente lenta ya que dependen del nuevo crecimiento de las estructuras de reproducción vegetativa. En un hábitat no perturbado durante un período de cuatro años, una sola plántula de algodoncillo común produjo un parche que consta de 56 tallos y cubrió 100 pies 2. La tasa de expansión del borde del parche para algodoncillo en este estudio fue de menos de 1,5 pies por año. La propagación de las plantas perennes a menudo se ve favorecida por la labranza, lo que da como resultado parches orientados en la dirección de operación del implemento.

Aunque las poblaciones anuales de malezas normalmente se agregan, los parches tienden a ser menos estables que los parches perennes. La investigación ha demostrado que la ubicación de los parches de malezas anuales dentro de un campo permanece relativamente estable de un año a otro, pero el tamaño del parche puede variar ampliamente. La gran capacidad de producción de semillas de muchas especies anuales es un factor importante que contribuye a la naturaleza irregular de las poblaciones de malezas. Aunque el banco de semillas de malezas fluctúa rápidamente en respuesta a las entradas y las pérdidas de semillas, la latencia de las semillas mantiene una fuente de nuevas infestaciones durante varios años. El potencial de movimiento de semillas de malezas permite que las anuales se propaguen más rápidamente que las perennes. Las especies de malezas con semillas que permanecen en la planta hasta la cosecha se pueden esparcir rápidamente por el campo mediante la cosechadora, mientras que las especies con semillas que se rompen antes de la cosecha se moverán con menos rapidez.

Las prácticas de manejo de malezas generalmente están dirigidas a especies anuales, por lo que la efectividad de las tácticas de control es un factor principal que influye en la distribución de las anuales en un campo. Se ha demostrado que los factores del suelo que afectan la actividad herbicida (adsorción, persistencia) influyen en la distribución de las malezas. La actividad herbicida también se ve influenciada por la densidad de las malezas, y es más probable que las malezas escapen al control en áreas con poblaciones altas. Este factor contribuye a la estabilidad de los parches, ya que las malezas que escapan al control producen semillas que aumentan el banco de semillas. Al año siguiente, es probable que las áreas con un gran banco de semillas tengan altas densidades de malezas y, por lo tanto, es más probable que las malezas escapen nuevamente del control en estas áreas. El tamaño del parche se reducirá en años con las condiciones climáticas favorables para la actividad herbicida,

Implicaciones de la distribución de malezas en el manejo de malezas
Uno de los objetivos de la agricultura de precisión es tomar mejores decisiones de manejo a través de una mayor comprensión de la variabilidad dentro de un campo. Aunque nuestra comprensión de los factores que impulsan las infestaciones de malezas ha mejorado mucho en los últimos años, aún no está claro el potencial de usar esta información para mejorar los programas de manejo de malezas.

Aunque los umbrales económicos no se han utilizado ampliamente para orientar las decisiones de manejo de malezas en maíz y soja, continúan los esfuerzos para mejorar estas herramientas para que sean más aceptadas. La mayoría de los umbrales económicos se basan en el supuesto de que las malezas se distribuyen uniformemente en el campo, mientras que esto rara vez ocurre en el campo. No tener en cuenta la distribución de malezas en el campo reduce la precisión de las predicciones de pérdida de rendimiento en las que se basan los umbrales económicos. Si una infestación irregular de malezas aumenta la pérdida de rendimiento esperada en comparación con una infestación uniforme, los modelos de umbral recomendarían dejar una infestación de malezas que podría resultar en pérdidas de rendimiento superiores al costo de control.

Las malas hierbas reducen el rendimiento de los cultivos principalmente al competir con el cultivo por recursos limitados (luz, agua, nutrientes, etc.). Una maleza aislada compite solo con las plantas de cultivo que se encuentran a cierta distancia. Por ejemplo, se descubrió que el berberecho común reduce el rendimiento de todas las plantas de soja a 20 pulgadas de su tallo. Si dos plantas de berberecho se encuentran a 20 pulgadas una de la otra, compiten por los recursos entre ellas (competencia intraespecífica) así como con las plantas de soja adyacentes (competencia interespecífica). Dado que la competencia entre las dos plantas de berberecho reduce su crecimiento, el impacto combinado de las dos malas hierbas en las plantas de cultivo adyacentes es menor que si las malas hierbas estuvieran fuera del área de influencia de la otra. Así, la misma cantidad de malezas en un campo causa menos pérdida de rendimiento cuando se presentan en una distribución irregular que si se distribuyen uniformemente por el campo (Figura 2). La competencia intraespecífica entre malezas en parches densos da como resultado estimaciones conservadoras de pérdidas de rendimiento cuando las predicciones se basan en densidades promedio de malezas, lo que reduce la probabilidad de que se subestime la verdadera pérdida de rendimiento de una competencia de malezas.

El conocimiento de la distribución de malezas en el campo crea una oportunidad para el manejo de malezas específico del sitio. Una forma potencial de utilizar esta información es mediante la aplicación de herbicidas de tasa variable (VRA). La premisa de VRA es que la tasa óptima de herbicidas varía a lo largo del campo y que la tasa óptima para un área específica se puede predecir basándose en la información conocida sobre el campo. Algunos de los factores que influyen en el rendimiento de los herbicidas incluyen las características del suelo (principalmente herbicidas aplicados al suelo), las poblaciones de malezas y las condiciones ambientales. El potencial de beneficios económicos con VRA varía según la importancia relativa de estos tres factores.

El impacto del tipo de suelo sobre la actividad herbicida está bien documentado. La mayoría de los herbicidas se adhieren a los coloides del suelo, y la porción del herbicida adsorbida a estos coloides no está disponible de inmediato para controlar las malezas. Las dosis de herbicidas aplicados al suelo se ajustan de forma rutinaria de acuerdo con el tipo de suelo presente en el campo. Tradicionalmente, la tasa se ha seleccionado con base en el tipo de suelo «promedio» encontrado en el campo. Sin embargo, con la tecnología actual es posible ajustar las tasas «sobre la marcha» de acuerdo con la variabilidad del suelo en el campo. Los fabricantes de herbicidas han desarrollado ecuaciones para calcular las tasas de herbicidas para una textura de suelo y materia orgánica específicas. Por ejemplo, la etiqueta Dual II MAGNUM recomienda aumentar la tasa en 0.1 pt / A por cada uno por ciento de aumento de materia orgánica en un suelo de textura media. Basado en esta información, en un campo típico de Iowa, la tasa Dual variaría en un 15-30% debido a cambios en la materia orgánica del suelo. Si bien esto puede parecer un cambio de tasa significativo, es relativamente pequeño según el nivel de precisión de la aplicación de herbicidas en cultivos de campo. El potencial de beneficios económicos con VRA según el tipo de suelo disminuye con la capacidad de respuesta de los herbicidas a los cambios del suelo.

El rendimiento del herbicida generalmente tiende a disminuir a medida que aumenta la densidad de malezas. Por lo tanto, el manejo de malezas podría hacerse más eficiente ajustando la tasa de herbicidas de acuerdo con los cambios en las poblaciones de malezas. El costo de recopilar los datos necesarios para mapear con precisión las poblaciones de malezas es un problema importante en este momento. En la mayoría de las situaciones, los métodos tradicionales utilizados para detectar plagas en los cultivos no permiten el desarrollo de mapas de malezas con suficiente detalle para basar los ajustes de la dosis de herbicida. La investigación actual está investigando el potencial del uso de sensores remotos para mapear poblaciones de malezas, reduciendo así el costo de recopilar esta información.

Si bien el efecto del tipo de suelo y la población de malezas en el desempeño de los herbicidas está bien documentado, también se sabe que las condiciones ambientales influyen fuertemente en el desempeño. Comprender la contribución relativa de estos tres factores es importante para determinar los beneficios potenciales de VRA. En estudios de ISU a finales de la década de 1980, la tasa de Dual necesaria para el control del 80% de la hierba de la taza varió de menos de 2 pts / A a más de 10 pts / A durante 6 años de investigación. Esta investigación se realizó en el mismo campo con poblaciones de cupgrass uniformemente altas, por lo que las diferencias en el medio ambiente fueron en gran parte responsables de la amplia gama de eficacia dual. Si el medio ambiente tiene una mayor influencia en la actividad herbicida que el tipo de suelo o la población de malezas, entonces puede haber poco beneficio económico, si es que hay alguno, para VRA.

Otra oportunidad para el manejo de malezas en un sitio específico es el uso de aplicaciones intermitentes. Debido a la naturaleza irregular de las poblaciones de malezas, muchos campos pueden tener grandes áreas libres de malezas. Las aplicaciones intermitentes permitirían al administrador rociar solo aquellas áreas del campo que están realmente infestadas. Se han utilizado dos enfoques para controlar los pulverizadores para aplicaciones intermitentes, mapas históricos de distribución espacial o el uso de sensores en tiempo real para detectar la presencia de malezas a medida que el pulverizador se mueve por el campo.

El uso de mapas históricos para dirigir la aplicación intermitente está limitado por el costo de obtener mapas precisos de la distribución de malezas dentro de los campos. El potencial de beneficio económico de este enfoque aumenta a medida que aumenta el porcentaje del campo libre de malezas. Investigadores de la Universidad de Nebraska mapearon intensivamente las malezas en una sección de 10 acres de un campo. Encontraron que el 59, 40 y 34% del área de muestreo no estaba infestada por girasol común, velvetleaf y cola de zorra, respectivamente. Aunque había grandes áreas del campo no infestadas por las especies individuales, cuando se superpusieron los mapas de las diferentes especies, había muy poca área libre de malezas en el campo. En esta situación, no habría ningún beneficio de la aplicación intermitente si el tratamiento que se estaba aplicando fuera un tratamiento de amplio espectro dirigido a las tres especies.

Los rociadores inteligentes utilizan sensores para detectar la presencia de malezas. Los sensores están conectados al pulverizador a través de una computadora y encienden y apagan el brazo o la boquilla dependiendo de si hay malezas o no. Se han comercializado rociadores inteligentes para su uso en terrenos en barbecho, donde pueden distinguir entre el suelo desnudo y el follaje de las plantas; sin embargo, los aspersores que pueden distinguir entre cultivos y malezas aún se encuentran en la etapa experimental. La ventaja obvia de esta tecnología es que elimina la necesidad de una exploración detallada y un mapeo de las poblaciones de malezas. Una aplicación lógica para estos rociadores sería para tácticas de control suplementarias dirigidas a las malezas que escapan a las tácticas de control primarias. Sin embargo, el bajo nivel de umbral para las malezas puede limitar el potencial de esta tecnología en el maíz y la soja. Existe una alta probabilidad de que el sensor no detecte las malezas que crecen bajo el dosel del cultivo y, por lo tanto, escapen al control. Estas malezas pueden ser las más competitivas con el cultivo debido a su proximidad a la hilera de cultivos.

Resumen
La naturaleza agregada de las poblaciones de malezas está bien documentada y nuestra comprensión de los factores que conducen al desarrollo de parches de malezas está aumentando. El objetivo de estudiar la estructura de las poblaciones de malezas es mejorar los sistemas de manejo de malezas. A corto plazo, el conocimiento sobre la variación espacial en suelos y malezas puede proporcionar beneficios en el área de aplicación de herbicidas de tasa variable. Si bien la influencia de los suelos y las poblaciones de malezas en el desempeño de los herbicidas se conoce desde hace mucho tiempo, la contribución relativa de estos factores en comparación con la influencia de las condiciones ambientales es poco conocida. Se requiere investigación adicional para determinar si el costo adicional de la aplicación de dosis variable está justificado considerando la gran influencia que tiene el clima en el desempeño del herbicida.

A largo plazo, la investigación actual sobre poblaciones espaciales de malezas puede proporcionar una mejor comprensión de las características del suelo que favorecen el desarrollo de parches de malezas. Esta información puede conducir a nuevos métodos de manipulación del suelo para crear un ambiente menos favorable para las especies de malezas. Si bien es poco probable que estas tácticas sean tan efectivas como la tecnología actual de herbicidas, podrían emplearse para mejorar la actividad de otras estrategias de control (herbicidas, cultivo, etc.).

Leer más

¿Recuerda los viejos tiempos cuando el mercado del maíz cotizaba en un rango de cotización de tres centavos y los frijoles estaban dentro de un rango de cotización de diez centavos? Oh espera; ese ha sido el caso últimamente. Los mercados tranquilos han sido el nombre del juego, por decir lo menos, y cuando el mercado se ha movido fuera de su rango de negociación limitado, ha sido más bajo. Esto ha sido un desafío desde la cosecha, ya que los productores intentan encontrar precios atractivos para mover el grano este invierno.

Es fácil volverse complaciente con un movimiento de mercado tan silencioso y deprimente, sin embargo, la complacencia es lo último que desea a medida que nos acercamos a la primavera. Los mercados solo se moverán silenciosamente y hacia los lados durante un tiempo. Entonces, algo como un evento global o el clima puede sacudir las cosas rápidamente. Por múltiples razones, la planificación será clave este año.

Primero hablemos de la oferta de maíz. Las existencias finales actuales de maíz de 1.800 millones de bushels en 2015 implican que hay una amplia oferta disponible. Sin embargo, la relación entre existencias y uso de EE. UU., Que mide la relación entre la oferta y la demanda, ofrece una imagen diferente. Con un 13,6 por ciento, la proporción sugiere que las existencias de maíz no son tan abundantes como se percibe generalmente. Lo mismo ocurre con la soja. La relación actual entre existencias y uso de frijoles es del 12,2 por ciento. Una relación entre existencias y uso por debajo del 10 por ciento sería optimista para los precios.

Otro factor a recordar es que el dólar estadounidense ha estado cerca de su precio de fin de mes de enero de 2016 de aproximadamente 99 desde marzo de 2015. Una disminución en el dólar probablemente sería beneficiosa para los precios de las materias primas. Bajo este escenario, los productores de granos de EE. UU. Se volverían más competitivos, lo que resultaría en una mayor demanda de granos de EE. UU., Una disminución en las relaciones entre existencias y uso de EE.

A medida que avanzamos hacia los próximos meses, el mercado se centrará en la preocupación por el clima. Haga un balance del inventario, divida las ventas y tenga ofertas para mover el grano con cada oportunidad posible. En caso de que el mercado suba 10 centavos, 20 centavos o más, tenga ofertas vigentes. La resistencia psicológica del maíz es de $ 4 y el frijol de $ 9. Cualquier cosa cercana a estos niveles para las ventas de cultivos nuevos y viejos debería ser el objetivo de este año. Recuerde tener ofertas en maíz, digamos $ 3.92 en lugar de $ 4, ya que ese nivel activará muchos niveles diferentes de resistencia.

Lo mismo ocurre con los frijoles. No seas codicioso. Muchas veces, una oferta con números redondos como $ 9 no tendrá éxito a menos que el mercado se mueva a través de esa área de resistencia. Es mejor tener $ 8,98 en un rebote, en lugar de esperar $ 9 y terminar vendiendo a $ 8,30.

Se ha hablado mucho sobre cómo una temporada de cultivo menos que perfecta podría darnos una reducción en la oferta, una reducción suficiente en la oferta para proporcionar un repunte de precios. ¿Quién sabe cuánto durará El Niño y si seguirá La Niña, trayendo un clima seco al Cinturón de Cereales? La otra cara de todo esto es que si el clima es normal y el tamaño de la cosecha es normal o simplemente la línea de tendencia, los precios bajarán. Los precios podrían caer a niveles que no hemos visto en un tiempo, como el maíz a $ 3 y los frijoles a $ 7,50 como precio de futuros.

Aunque el flujo de caja es reducido, este es un año en el que debe invertir en cobertura para protegerse contra esos niveles de precios más bajos. Una vez que haya realizado ventas y haya gestionado su riesgo de precio, y en caso de que ocurra una sequía significativa, puede volver a ingresar al mercado si es necesario con opciones de compra. La clave es formular su plan ahora mientras el mercado está tranquilo, la volatilidad es baja y los rangos de precios son estrechos. Puedes hacerlo.

Leer más

El proceso básico de análisis del suelo como herramienta de gestión de la fertilidad no ha cambiado mucho desde la década de 1950, pero ha cambiado la forma en que se cultiva ese suelo y lo que se espera de él. En un momento, sacar cuatro o cinco núcleos de suelo de un campo de 40 acres, mezclarlos en un balde y enviar una sola bolsa de muestra a la oficina de Extensión local para su análisis fue «suficientemente bueno».

Pero justo cuando los campos y las granjas se hicieron más grandes, se reconoció la variabilidad del suelo y la tecnología avanzó. GPS introdujo la versión de agricultura de precisión del clásico juego Battleship: dividía los campos en cuadrículas de 2.5 acres. Transformó totalmente la forma en que abordamos el muestreo del suelo y la fertilidad del campo. Con la capacidad de aplicar con precisión cantidades variables de fertilizante en cada cuadrícula dentro de un campo utilizando esa misma tecnología GPS, el negocio del muestreo de suelos finalmente se aceleró.

Tal renacimiento del muestreo de suelos solo hiperexpuso el problema principal que ha plagado el proceso desde el principio. Ese problema es que todavía es un esfuerzo intensamente manual. Comenzar y detenerse en un campo cada 330 pies, extraer de seis a ocho núcleos y embolsar y etiquetar cada muestra de cuadrícula es abrumador y físicamente insostenible a gran escala. Entonces, dado que las pruebas de las propiedades del suelo ahora están arraigadas como la base de la mayoría de los programas de agronomía de agricultura de precisión, tiene sentido que las tecnologías finalmente estén surgiendo para redefinir cómo son el «muestreo» y el «análisis» del suelo en el siglo XXI.

Un verdadero “muestreador” robótico de suelos es solo una de esas tecnologías. Va directamente después de la cuestión del «trabajo» en el corazón del régimen actual de muestreo de suelos. Rogo Ag LLC, con sede en West Lafayette, Indiana, ha desarrollado su sistema autónomo de muestreo de suelos SmartCore. Con un chasis de dirección deslizante Bobcat con orugas, navega por los campos utilizando algoritmos de límites de campo digitales y sensores Lidar, que transmiten haces de luz para detectar objetos en el entorno circundante. El sistema robótico recolecta muestras a través de una barrena hidráulica, que está configurada para que no se escape tierra del núcleo. SmartCore puede regresar a cada ubicación en cualquier momento en el futuro utilizando RTK GPS y programación de navegación incorporada. Esto asegura precisión, pureza y control de profundidad. Los creadores de SmartCore dicen que tal precisión reduce los errores de muestreo hasta en un 20%,

Pero, ¿y si no necesitara un laboratorio de suelos real? Un pequeño pero significativo paso hacia un laboratorio de suelos virtual es un modelo híbrido de muestreo de suelos que actualmente está implementando SoilOptix, una empresa de Ontario, Canadá. El sistema utiliza sensores de radiación junto con el muestreo de suelo tradicional. Funciona conduciendo sobre un campo con un pequeño vehículo equipado con el escáner que mide la radiación gamma natural emitida por el suelo.

Después de que los datos se recolectan y se “comprueban” con muestras de suelo anticuadas, el resultado es una resolución de más de 335 puntos por acre y hasta 25 capas diferentes de datos. SoilOptix puede mapear micro y macronutrientes, agua disponible para las plantas, textura del suelo, pH y salinidad a niveles de metros cuadrados.

Pero, ¿qué pasaría si pudiera ver lo que sucede con su suelo las 24 horas del día, los 7 días de la semana y no esperar un año o incluso cuatro años para obtener una actualización sobre su salud? Teralytic es una empresa de análisis de suelos con sede en Nueva York que ha desarrollado lo que podría describirse mejor como un Fitbit para sus campos. Cada una de las sondas de suelo de la compañía contiene dos sensores, incluido el que afirman es el primer sensor NPK del mundo.

A través de la tecnología inalámbrica, las sondas pueden transmitir el clima, la humedad del suelo, el pH, la salinidad, la luz e incluso la aireación y la respiración que tiene lugar dentro del cultivo en crecimiento. Actualiza toda esa información cada 15 minutos.

SmartFirmer de Precision Planting, que se introdujo en 2017, también proporciona datos en tiempo real. SmartFirmer es un endurecedor de semillas cargado de sensores que se adhiere a las unidades de hileras de su sembradora. El sensor de la firmeza mide la temperatura, la humedad, la uniformidad del surco, los residuos y la materia orgánica.

Tener tal información de suelo “en tiempo real” permite prescripciones de fertilidad y siembra de tasa variable “sobre la marcha”. La cantidad de puntos de datos creados por dichos sensores debido a sus conjuntos continuos de transmisión de datos es asombroso. Estoy seguro de que habrá mucho más seguimiento basado en implementos o plantadoras por venir.

El proceso de análisis del suelo está listo para mejoras. El análisis del suelo es el más básico de los conceptos básicos cuando se trata de producir un cultivo. Y como a uno de mis buenos colegas de agricultura de precisión le gusta decir: «Si no pruebas, es solo una suposición».

Leer más

Internet de los frijoles
Se están llenando «granos de plástico» del tamaño de un pulgar con sensores y se arrojan a contenedores de granos e instalaciones de almacenamiento para la agricultura de precisión, eliminando la necesidad de dispositivos portátiles o sistemas elaborados de monitoreo de humedad, según un artículo en AGWeb de Farm Journal .

Las vainas del sensor se pueden dejar caer en un sinfín y formar parte del almacenamiento de granos. Se cargan de forma inalámbrica y envían datos a lo largo del día a un teléfono inteligente o concentrador remoto.

fuente: Bean IoT
Fuente: Bean IoT

Los beans pueden enviar una señal cuando leen mediciones fuera de las condiciones normales. Actualmente en prueba, BeanIoT utiliza sensores y conectividad inalámbrica para aplicaciones agrícolas prácticas. Mide la temperatura, la humedad, la calidad del aire, la altitud, los gases, incluido el CO2, y el movimiento del grano almacenado a granel.

Cómo trabajan para proporcionar agricultura de precisión
Diseñado para ser usado, transportado o desplegado por toda la casa o la fábrica, cada bean contiene una radio bluetooth, brújula electrónica, giroscopio y sensores. Todos los componentes «hablan» entre sí mediante una red de malla inalámbrica adaptativa de nodos estáticos o móviles.

Cada dispositivo tiene una serie común de sensores ambientales que, cuando se combinan con redes de área amplia de bajo consumo, recopilan grandes datos y funcionan con servicios en la nube para su análisis, según BeanIoT .

“Existe un punto óptimo para obtener una imagen precisa de la humedad, la temperatura y la actividad del CO2”, dijo Andrew Holland, director ejecutivo y fundador de BeanIoT. «Imagine tener acceso a un flujo continuo de datos sobre las condiciones de almacenamiento».

RFMOD, el productor de BeanIoT, está desarrollando una aplicación multiplataforma capaz de programar beans sobre la marcha. Los beans se pueden configurar individualmente o en grupos para medir diferentes parámetros y límites según lo requiera el usuario. Una vez que los frijoles están en su lugar, un productor tiene múltiples opciones de monitoreo. Los datos se muestran en una tableta o teléfono inteligente como una visualización de mapa sensorial en capas.

Los frijoles solo enviarán información cuando sea necesario, permaneciendo inactivos y conservando energía hasta entonces. Si existe un problema, el bean despierta a sus vecinos y envía alertas inalámbricas. La carga de la batería dura 14 meses y se recarga en pocas horas.

Interés y varios casos de uso
Los frijoles no solo son aptos para contenedores de granos. Holland dijo que un productor puede reasignar los sensores para su uso en un establo de ganado, cobertizo de químicos, colmena de abejas o equipo agrícola. Mediante el seguimiento de la ubicación, se puede colocar un frijol dentro o debajo del equipo de modo que si la maquinaria sale de la propiedad agrícola, los frijoles restantes hacen sonar la alarma y envían alertas instantáneas al propietario.

fuente: BeanIoT
Fuente: BeanIoT

Las pruebas de BeanIoT ya están atrayendo la atención. Fengrain , una operación de almacenamiento y comercialización de granos del Reino Unido propiedad de agricultores que mueve 700.000 toneladas de cultivos cada año, se ha interesado en la tecnología, según AGWeb.

“Las capacidades multisensores propuestas de BeanIoT ciertamente se relacionan bien con nuestro incesante impulso para mejorar la calidad del producto, mientras ahorramos dinero a través de nuevas eficiencias”, según Paul Randle, director de desarrollo comercial de Fengrain.

Holland espera completar las pruebas en 2016 e ingresar al mercado estadounidense en 2017.

“Queremos hacer estos sensores de frijoles a escala y baratos para todos”, dijo. «[El» Internet de las cosas «] está listo para la agricultura, y el mundo de posibilidades para la agricultura es infinito».

La funcionalidad de BeanIoT no se limita a la agricultura. Está diseñado para presentar una serie de casos de uso en varios mercados, que incluyen:

Edificio inteligente
Calidad del aire, HVAC, control de iluminación por gestos
Rastrear y buscar
Localizar llaves / anteojos / bolso / teléfono / reloj inteligente
Registrador de datos de tránsito de paquetes
Deportes y bienestar
Evaluar el rendimiento y la interacción en equipo
Vivienda asistida, incluida la detección de caídas y la proximidad
Agri-Tech
Almacenamiento y acondicionamiento a granel (por ejemplo, cereales / patatas)
Seguimiento de activos valorados
Entretenimiento
Multitud / entretenimiento
Gestos / controlador de juegos / Air-Mouse
Minorista / Publicidad
Promoción de baliza / en la tienda
Información del producto en el punto de venta

Leer más

Los drones aéreos permiten observar, analizar y actuar específicamente en diferentes zonas de cultivo mediante la toma de imágenes aéreas. El trabajo con drones para registrar imágenes de campos, fincas y entornos rurales supone una reducción de tiempo y costes. La tecnología de nuestros amigos voladores y sus cámaras permiten obtener una visión más clara del terreno. Los drones aéreos llegan a lugares de difícil acceso, permiten un mejor análisis del cultivo y aseguran una mayor calidad.

El uso de drones durante la vendimia permite realizar una cosecha selectiva de las uvas. Las imágenes captadas por drones nos ayudan a dibujar un mapa de los campos de cultivo. La observación de estos mapas facilita conocer la calidad de las uvas de cada parcela y realizar una vendimia selectiva. Así, los agricultores pueden tomar mejores decisiones sobre su cosecha, como modificar su cuidado o planificar periodos de recolección.

De hecho, la presencia de drones en la agricultura no es exclusiva de la fase recolectora. Los drones están presentes desde el principio del proceso y hasta el final. Sirven para determinar el uso del agua y de los fertilizantes, realizar tratamientos localizados y detectar plagas. Facilitan la supervisión de las áreas fumigadas, la generación de inventarios y el control de calidad de los cultivos. Son, en definitiva, un buen complemento para el trabajo manual en los campos.

El futuro de la agricultura: Precisión
Con la ayuda de la evolución reciente de la tecnología de los aviones no tripulados y de las reglamentaciones de la AESA, un área que se está revolucionando rápidamente con la tecnología de los aviones no tripulados es la agricultura. Como resultado, los aviones no tripulados se han incorporado ahora a la agricultura, y estos desarrollos no podrían ser más oportunos. Se prevé que la población mundial superará los 9.000 millones de personas en 2050, por lo que se espera que el consumo agrícola aumente en un 70%, una cifra complicada por los impredecibles patrones climáticos y los desastres naturales.

Los drones pueden ser una gran parte de la solución crítica a este aumento exponencial de la demanda, junto con una colaboración más estrecha entre los gobiernos, los líderes tecnológicos y la industria. Los drones pueden ayudar a los agricultores en una serie de tareas que van desde el análisis y la planificación, hasta la plantación de cultivos y el posterior monitoreo de los campos para determinar la salud y el crecimiento. A medida que las granjas se hacen más grandes y más eficientes para satisfacer esta creciente demanda, los aviones teledirigidos resultarán invaluables para manejar con precisión las operaciones vitales de una granja.

Aplicaciones Particulares
Con avances como la automatización y el guiado por GPS que ya han cambiado la industria agrícola, los aviones teledirigidos están listos para modernizarla una vez más. Aquí hay algunas maneras en las que los drones pueden cumplir una serie de funciones para ayudar a los agricultores a lo largo del ciclo de cultivo.

Análisis de suelos y campos
Los drones son capaces de producir mapas precisos para el análisis del suelo al principio del ciclo de cultivo, lo que ayuda a dirigir los patrones de plantación de semillas. Después de la siembra, estos datos ayudan a determinar el riego y el manejo del nivel de nitrógeno.

Monitoreo de cultivos
En la actualidad, el mayor obstáculo de la industria agrícola es la baja eficiencia en el monitoreo de cultivos como resultado de la escala masiva de la agricultura industrial, exacerbada por condiciones climáticas cada vez más inestables que intensifican el riesgo y los costos de mantenimiento.

Los drones permiten el monitoreo en tiempo real a un nivel mucho más preciso y rentable que las imágenes satelitales utilizadas anteriormente. El kit de accesorios Microdrones +m está específicamente diseñado para este propósito, ofreciendo a los usuarios un paquete de imágenes aéreas diseñado para monitorear los nutrientes, los niveles de humedad y el vigor general de la poliomielitis con el fin de ayudar a mantener los cultivos saludables y estimar los rendimientos.

Riego
Los drones equipados con sensores hiperespectrales, multiespectrales o térmicos son capaces de identificar áreas que requieren cambios en el riego. Una vez que los cultivos han comenzado a crecer, estos sensores son capaces de calcular su índice de vegetación e indicador de salud, midiendo la señal de calor del cultivo. El kit +m de Microdrones utiliza el aclamado sensor Micasense Rededge para capturar imágenes en cinco bandas espectrales, permitiendo a los agricultores un método más rápido y preciso para evaluar sus cultivos y condiciones de riego.

Evaluación de la salud
Escaneando cultivos con luz visible e infrarroja (IR), los drones pueden identificar qué plantas pueden estar infectadas por bacterias u hongos, ayudando a prevenir que la enfermedad se propague a otros cultivos. Con las imágenes multiespectrales, se pueden detectar enfermedades y/o malestares antes de que sea posible detectarlos con un ojo humano.

Leer más

Drone by Drone realiza trabajos utilizando drones de agricultura de precisión para optimizar el riego, la aplicación de fitosanitarios y la cosecha.

En el caso de trabajar en frutales, uno de los índices más útiles es el índice PRI, que nos permite conocer el estrés hídrico de las plantas.

El correcto uso del índice PRI requiere modelar a nivel hoja y cobertura aquellos parámetros que tienen una gran influencia en la reflectancia, por lo que el trabajo realizado utiliza una metodología basada en modelos de transferencia radiativa que simulan el «PRI teórico» para determinar su valor en el ausencia de estrés. Las mediciones se han realizado en frutales evaluando los diferentes tratamientos de riego llevados a cabo.

Las imágenes multiespectrales son de alto valor para la optimización de los recursos hídricos de la explotación. Además, permiten ver a través de las redes anti-granizo o anti-pájaros, por lo que la afectación a los cultivos es nula.

El dron Sensefly eBee Ag equipado con cámaras multiespectrales como el Parrot Sequoia es una herramienta perfecta para este tipo de trabajo.

El operador de drones de Bilbao sigue trabajando en agricultura de precisión en toda la geografía española.

Leer más

Durante la última década, el proceso de creación de mapas y modelos 3D precisos a partir de fotos de drones ha recorrido un largo camino. Las capacidades de captura de drones y el software y los servicios de procesamiento de fotogrametría han mejorado en costo y eficiencia hasta un punto en el que los gemelos digitales 3D son un elemento básico para la topografía e inspección.

Hacer que estos modelos sean precisos y probar la precisión, lo fundamental de cualquier encuesta, también ha recorrido un largo camino.

En el proceso de captura de un dron típico, conocemos la ubicación del dron cuando cada foto se tomó con una precisión de 35 m con el GNSS integrado (GPS y otras constelaciones de posicionamiento global por satélite). ¡Aplátelos juntos en el software de fotogrametría y tenemos un modelo 3D! Sin embargo, este modelo está flotando en el espacio; puede parecer impresionante, pero no es necesariamente una buena representación de la Tierra real.

El software de fotogrametría hace todo lo posible para hacer coincidir los píxeles en las fotos superpuestas, haciendo suposiciones de la distancia focal de la cámara y las distorsiones de la lente, las orientaciones de la cámara, las posiciones de la cámara y si el píxel en una foto es el mismo punto que un píxel en otra foto. Son muchos los errores que ocurren a través de este proceso, que se gestionan para lograr estadísticamente el mejor resultado posible: el modelo 3D.

Este modelo puede considerarse efectivamente maleable, o flexible, y cuando podemos fijar algunos parámetros al mundo real, podemos tomar ese modelo y ajustarlo, estirarlo y doblarlo para que se ajuste a las restricciones que podemos encontrar en el mundo real. Luego, los topógrafos deben poder confirmar que sus medidas en el modelo equivalen a valores del mundo real.

La primera forma en que se hizo esto fue utilizar GCP (Ground Control Points): objetivos en el suelo, normalmente colocados por un topógrafo, con coordenadas conocidas en un sistema de coordenadas conocido. Esto requería mucho tiempo en el sitio, ya que requería viajar por todo el sitio con equipo de inspección o colocar y recopilar GCP «inteligentes». El tiempo de procesamiento también fue más largo para que el operador eligiera esos GCP y el procesamiento para repetir las posiciones de la cámara una y otra vez en función de los GCP y los puntos de enlace. Los errores en el sistema debido a las distorsiones de la lente y la coincidencia de superficies se introducirían entre los GCP.

Poner el control en la cámara cambia el flujo de trabajo. Al saber dónde estaba la cámara para cada foto, el proceso AT (triangulación aérea o emparejamiento) en fotogrametría es más confiable y mucho más rápido, ya que ya no estamos aplicando ingeniería inversa a las posiciones asumidas de la cámara. AT funciona mejor en superficies difíciles. Todo el proyecto está cubierto por una manta de cientos de puntos de control. Más preciso, más confiable, más eficiente.

RTK (cinemática en tiempo real) fue la primera forma de habilitar esto. Utilizado por topógrafos durante décadas, RTK calcula coordenadas precisas del dron en tiempo real, utilizando datos transmitidos desde una estación base (en una ubicación conocida) al dron. Precisión de 5 cm normalmente. Sin embargo, RTK a menudo demuestra ser poco confiable en un entorno de drones, con pérdida de ‘bloqueo’ debido a obstrucciones o inclinaciones de drones, a veces una inicialización incorrecta y el alcance limitado debido al enlace de radio de la estación base.

PPK (cinemática postprocesada) demostró ser una alternativa más robusta a RTK. En lugar de intentar calcular las coordenadas precisas en tiempo real, lo que normalmente no es necesario de todos modos, los datos GNSS se almacenan en el dron y en el receptor de la estación base. Después del vuelo, los datos se reúnen y procesan hacia adelante y hacia atrás para determinar los resultados más precisos y confiables para cada posición de la cámara.

Existe mucha discusión sobre si las coordenadas confiables de la cámara PPK eliminan la necesidad de GCP . Ellos pueden. El principal error que queda en el sistema es la lente de la cámara, su distancia focal real y las distorsiones. Si los parámetros de la cámara están calibrados, son conocidos y estables, entonces pueden pasar a la solución de fotogrametría para lograr excelentes resultados sin GCP. Sin embargo, como cualquier topógrafo sabría, no es ahí donde termina. Es esencial tener comprobaciones en tierra, ya sean objetivos o características conocidas, que pueda medir y comparar, para saber exactamente qué tan preciso es su modelo 3D.

Entonces, sigamos con la evolución. PPK es similar a RTK, ya que utiliza datos de fase de portadora GNSS de frecuencia dual de múltiples constelaciones de relojes en satélites, aplicando modelos ionosféricos para determinar la resolución de ambigüedad del ciclo y datos de rango relativo entre una base y un móvil. ¡Tecnología de alta resistencia! Esencialmente una forma compleja de medir con mucha precisión el vector desde la estación base hasta el dron, muchas veces por segundo. Por lo tanto, necesita una estación base (con una coordenada conocida) o datos de una estación de referencia de funcionamiento continuo (CORS). Con PPK puede ir mucho más lejos de su base que RTK, pero todavía es mejor por debajo de los 30 km (20 millas).

Lo que nos lleva a la siguiente ‘especie’ en nuestra evolución: Make It Accurate (MIA). MIA hará que los datos de su drone rover sean precisos, en cualquier parte del mundo, sin datos de la estación base. MIA se basa en la tecnología PPP (posicionamiento de punto preciso) que aplica correcciones precisas de reloj y órbita a datos GNSS de fase de portadora sin procesar. Sabiendo exactamente dónde estaba cada satélite y sus errores de reloj precisos, la posición independiente del dron se puede determinar con una precisión de 5 cm. Este resultado se mejora aún más en muchos países al fusionar datos de estaciones terrestres en la región, para obtener una precisión absoluta de 2-3 cm. Sin estación base ni entradas CORS, simplemente vuele su dron a cualquier lugar Múltiples sitios, áreas remotas, pasillos largos… en cualquier lugar. Es exacto.

Una vez más, no podemos enfatizar lo suficiente, no importa qué sistema use, tenga sus controles en su lugar, mida qué tan preciso es.

Leer más

Desde sus albores hace 9000 años, la agricultura ha enfrentado varias revoluciones, incluida la Revolución Neolítica, la transformación al sistema moderno y productivo en Gran Bretaña entre los siglos XVII y XVIII, y finalmente, el uso generalizado de fertilizantes y pesticidas artificiales que inició una hace algunas décadas. Ahora, en el siglo XXI, somos testigos de la agricultura de precisión, el cambio que tiene todo el potencial para llamarse la revolución.

agricultura de precisión

¿Qué es la agricultura de precisión?
La agricultura de precisión se trata de cuantificación y medidas que racionalizan las acciones. Su objetivo es optimizar el rendimiento de los insumos al tiempo que se conservan los recursos. La agricultura moderna implica el uso de tecnología de punta, como inteligencia artificial, visión por computadora, vehículos aéreos no tripulados, sensores remotos, GIS (Sistemas de Información Geográfica), etc. De hecho, la “tecnología agrícola” ya se ha convertido en una necesidad más que en una novedad, ya que aborda desafíos comunes de los productores modernos, como:

Abordar la necesidad interminable de aumentar la productividad agrícola,
Limitar el uso de fertilizantes y pesticidas artificiales,
Asegurar la utilización eficiente de los recursos hídricos,
Tratar las malezas y las especies nocivas de forma sostenible.
Hacer frente al cambio climático, los desastres naturales y la erosión del suelo,
Satisfacer la creciente demanda de alimentos de alta calidad y bajo costo.

En Picterra, estamos orgullosos de hacer posible este cambio al ofrecer una plataforma geoespacial impulsada por IA que se usa ampliamente en la agricultura de precisión, específicamente para contar cultivos, detectar plantas muertas o faltantes, especies invasoras y malezas. Obtener acceso a datos aéreos ya ha cambiado las reglas del juego, ya que ya no es necesario realizar inspecciones manuales. Permite:

Tener una visión y medidas holísticas,
Planificación y control eficientes,
Intervención anterior,
Optimización de costes e impacto medioambiental,
Reducir el trabajo manual con una intervención centrada en el sitio,
Aplicar cantidades de fertilizantes locales y precisas,
Reclamaciones precisas de daños y seguros.

Sin embargo, en muchos casos, no es suficiente. Las imágenes necesitan interpretación y el análisis manual de cantidades colosales de datos todavía requiere mucho tiempo y es propenso a errores. Aquí viene Picterra: todo lo que necesita hacer es cargar imágenes y entrenar un detector rápida y fácilmente. Echemos un vistazo a un par de ejemplos de la vida real de cómo Picterra marca la diferencia.

Contando plantas
Hay muchas razones para contar plantas. Da la vista del campo y permite detectar dificultades para reaccionar lo más rápido posible. Sin embargo, realizar un conteo manual es particularmente tedioso, lento y propenso a errores. Si necesita controlar la cantidad de plantas con regularidad, los métodos manuales son completamente ineficaces. Picterra resuelve este problema. A continuación, puede encontrar un ejemplo del detector que cuenta tomates que se construyó y entrenó en menos de una hora. También puedes acceder al proyecto y ver los resultados directamente en nuestra plataforma.

ejemplo de agricultura de precisión: contar tomates

La detección y el recuento de árboles jóvenes es otro ejemplo interesante del uso de Picterra en la agricultura. Estos pequeños árboles jóvenes son particularmente difíciles de detectar manualmente en la imagen porque, como puede ver en la captura de pantalla a continuación, son difíciles de diferenciar de otras plantas. Con Picterra, solo necesita anotar algunos ejemplos y contraejemplos para enseñarle al modelo cómo se ve un árbol joven.

agricultura de precisión – recuento de árboles jóvenes

Detección de plantas muertas o faltantes
En Picterra, puede detectar no solo plantas, sino también espacios entre ellas, lo que es un indicador importante de la calidad de la plantación. Es un desafío evitar las brechas por completo: son causadas por varios factores, como la erosión local, las plagas, las máquinas pesadas, etc. Sin embargo, el análisis de imágenes de drones permite llenar estos vacíos de la manera más eficiente. Consulte este artículo para leer más sobre cómo detectar brechas en los cultivos de caña de azúcar.

brechas en los cultivos de caña de azúcar
Los resultados de la detección de brechas de caña de azúcar en la plataforma Picterra. Derechos de autor de la imagen: Indshine.

Detectando malezas y enfermedades
Las malezas y las especies invasoras son una amenaza significativa para la agricultura en términos de productividad y sostenibilidad. A menudo crecen rápidamente, compiten agresivamente con el cultivo y se transfieren rápidamente de un campo a otro. Lo que empeora las cosas, las malas hierbas tienden a introducir bacterias y hongos, lo que provoca que el productor disminuya el rendimiento y los ingresos de la cosecha. Por eso es crucial detectarlos lo antes posible para eliminarlos de manera eficiente del campo. Ya hemos descrito cómo un cultivador estadounidense manejó este problema con muy buenos resultados, así que consulte este artículo sobre la detección de Shuttercane para obtener más información al respecto.

agricultura de precisión: detección de malezas

Estimación y mejora del rendimiento
La estimación del rendimiento es la clave para comprender la productividad de los campos. Está relacionado con un conjunto de varios parámetros, como elementos específicos del cultivo (por ejemplo, granos, frutos, etc.), tipo de suelo, condiciones climáticas, índice de área foliar, etc. En general, el software utilizado en agricultura de precisión permite analizar NDVI (índice de vegetación de diferencia normalizada) del rendimiento, no es suficiente en muchos casos. Sin embargo, combinado con el aprendizaje automático, los productores pueden obtener todos los detalles necesarios, incluida la identificación, el conteo y la localización de objetos en imágenes satelitales y de drones.

Leer más

Las granjas han cambiado mucho en los últimos 50 años. Las granjas son más grandes, el ganado generalmente se cría en el interior, los rendimientos son más altos, se necesita menos mano de obra y no es común ver vacas lecheras, ganado de carne, cerdos y aves de corral en la misma granja. ¿Por qué es esto? La respuesta es simple. Tecnología.

Piense en cuánto ha mejorado la tecnología la medicina y la atención médica, las comunicaciones y el transporte en los últimos 50 años. El campo de la agricultura también ha cambiado.

Echemos un vistazo a algunas de las formas en que la tecnología ha cambiado la agricultura.

1. Genética y cría de ganado. La mejora de las razas de ganado no es una práctica nueva. Los humanos comenzaron a domesticar animales hace más de 10,000 años. Los primeros agricultores seleccionaron ganado para su adaptación a climas específicos y los criaron para mejorar la productividad, el temperamento y la calidad de la carne, el cuero y la lana. Si bien la práctica no es nueva, la tecnología utilizada para mejorar la genética del ganado y criar animales ha cambiado drásticamente en los últimos años.

Los genetistas de animales trabajan para identificar elementos dentro de los genes que pueden mejorar el crecimiento, la salud y la capacidad de los animales para utilizar los nutrientes. Estos avances genéticos pueden aumentar la producción al tiempo que reducen los impactos ambientales.

Es común que los criadores de ganado vacuno y porcino compren pajitas de semen de animales machos con genética superior y utilicen la inseminación artificial para criar hembras. La transferencia de embriones también está ganando popularidad en las industrias de ganado lechero y de carne.

soja

2. Genética de cultivos y manejo de plagas. Como ocurre con la cría de ganado, la idea de mejorar la genética vegetal no es nueva. Los agricultores y científicos han utilizado técnicas de selección y mejoramiento de plantas para mejorar el rendimiento de los cultivos durante años. Los fitomejoradores han trabajado para mejorar el germoplasma para desarrollar semillas con la mejor combinación de características para brindar el mejor rendimiento para condiciones específicas de suelo y clima.

Hoy en día, los fitomejoradores utilizan una combinación de métodos tradicionales y modernos para mejorar las plantas. Los métodos de reproducción modernos incluyen la reproducción asistida por marcadores , que ayuda a acelerar el tiempo necesario para obtener la mejora deseada, y la ingeniería genética (GE). La tecnología transgénica puede mejorar la resistencia a los insectos, la tolerancia a la sequía, la tolerancia a los herbicidas y la resistencia a las enfermedades de una planta. Esta tecnología brinda a los agricultores una herramienta adicional para ayudar a aumentar el rendimiento de los cultivos.

Strip-Tillers_Putting_Manure_1

3. Mano de obra y mecanización. El equipo agrícola mejorado probablemente ha tenido el impacto más significativo en la forma en que los agricultores cultivan y cuidan el ganado. Los tractores, sembradoras y cosechadoras son mucho más grandes y eficientes. Los establos de ganado tienen comederos automáticos. Las máquinas de ordeño robotizadas ordeñan vacas. Estas y otras tecnologías han permitido a los agricultores producir más con menos mano de obra.

4. Instalaciones ganaderas. Aparte del ganado de carne, el ganado generalmente se cría dentro de graneros con clima controlado. Los agricultores hacen esto para protegerlos de los depredadores, las condiciones climáticas extremas y las enfermedades transmitidas por animales y personas. La cría de ganado en el interior también permite a los agricultores utilizar la tecnología. Muchos establos de ganado tienen Wi-Fi y sistemas automatizados de control de clima y alimentación. Los agricultores pueden controlar una vaca en trabajo de parto o ajustar la temperatura en un establo desde sus teléfonos inteligentes. Si se corta la energía, se encienden los generadores de respaldo y se alerta al agricultor con un mensaje de texto. Esta tecnología permite a los agricultores ser más eficientes y cuidar mejor a sus animales.

IMG_3888

5.Especialización. Cuando mis abuelos tenían mi edad, las granjas se parecían a las de los libros para niños. Criaban un poco de todo en su finca. Se ganaban la vida y alimentaban a su familia con 160 acres de maíz y heno, algunas vacas, gallinas ponedoras, algunos cerdos y el gran jardín de mi abuela. Con el paso de los años, su granja cambió. A medida que invirtieron en tractores y mejores instalaciones ganaderas, concentraron sus esfuerzos para aprovechar al máximo esas inversiones. Vendieron gran parte del ganado y se concentraron en la cría de cerdos, maíz y soja.

Las granjas de hoy están aún más especializadas. Si los agricultores crían ganado, generalmente crían un tipo e incluso se enfocan en una etapa de crecimiento. La mayoría de las granjas de cerdos se especializan en el parto o el engorde. Los ganaderos de carne generalmente tienen rebaños de vacas y terneros y se enfocan en operaciones de cría, parto y destete, o de terminación, donde crían cuevas destetadas hasta el peso de mercado. La especialización permite a los agricultores adquirir las instalaciones, la tecnología, el conocimiento y las habilidades necesarias para producir el cultivo o animal elegido y producirlo bien.

La agricultura ha cambiado mucho. ¿Cómo crees que se verá en el futuro? ¿Cómo continuarán los avances en la tecnología permitiendo que los agricultores sean más sostenibles económica, social y ambientalmente?

Leer más