Mes: noviembre 2020

i Old McDonald tuviera una granja hoy, podría administrarla desde su computadora portátil y mapearla con una aplicación en su dispositivo portátil. Cuando estaba en el campo, el sistema de guía de su tractor podía conocer su posición en menos de una pulgada, encendiendo y apagando sus sembradoras y pulverizadores en consecuencia. Un sistema de control de altura de la pluma se aseguraría de que su pulverizador no golpeara el suelo y un monitor de rendimiento en su cosechadora mediría el volumen exacto de su cosecha, en tiempo real. Los sensores de humedad del suelo conectados en red a través de módems celulares, sensores de densidad del suelo en sus sembradoras y sensores infrarrojos de salud de los cultivos en su tractor recopilarían una gran cantidad de datos que su agrónomo usaría para preparar un mapa de prescripción para la próxima temporada. En unos años, ese flujo de datos también incluiría imágenes aéreas recopiladas por su vehículo aéreo no tripulado (UAV) y su tractor también funcionaría sin tripulación como un robot en el campo. Si un polluelo, pato, pavo, cerdo, vaca, gato, mula, perro, tortuga o peón se interpusiera en su camino, el sistema de prevención de colisiones por radar del tractor lo reconocería y se detendría.

El término más utilizado para describir este complejo conjunto de tecnologías es la agricultura de precisión, y la adopción está aumentando. La mayoría de los tractores e implementos nuevos se venden con receptores del sistema global de navegación por satélite (GNSS) instalados de fábrica y una variedad de sensores. Revirtiendo una tendencia de larga data, los niños que nacieron y se criaron en granjas ahora regresan allí después de la universidad, porque el trabajo es mucho más desafiante intelectualmente y menos intensivo en mano de obra de lo que solía ser.

Abordar la variabilidad
Las características del suelo, incluida la cantidad de fósforo, potasio, calcio y magnesio, a menudo varían significativamente de un área de un campo a otra. La práctica de la tasa variable toma en cuenta esta variabilidad para reducir los insumos de agua, semillas, fertilizantes y combustible, así como para aumentar los rendimientos dividiendo los campos en sectores y prescribiendo tasas para cada uno.

30cm ndvi WEB

Figura 1: Mapa de prescripción de campo que muestra datos del índice de vegetación de diferencia normalizada (NDVI) con una resolución de 30 centímetros. Imagen cortesía de Simplot.

Los distribuidores de fertilizantes, los vendedores de semillas y los consultores de cultivos analizan los datos agrícolas y asesoran a los agricultores sobre estas tasas. Sin embargo, los agricultores también pueden crear mapas de prescripción ellos mismos, cargando datos del tipo de suelo, datos históricos de rendimiento e imágenes aéreas en el software de gestión agrícola de sus computadoras. Luego, pueden cargar esos mapas en los sistemas de guía de sus tractores, que los utilizan para variar las tarifas según la ubicación, con redes inalámbricas que crean un sistema para toda la granja.

La precisión también juega con los impactos ambientales, como la reducción del uso de agua o la cantidad de productos químicos agrícolas en el agua.

“Para ser más eficientes con nuestra agua y dejar de expulsar tanto nitrógeno a través del suelo hacia la capa freática”, dice Chris Gallo, un especialista en agricultura de precisión en Simplot, “muchos agricultores están cambiando del riego por inundación al riego por goteo y micro- rociadores «.

Al administrar sus campos en función de las propiedades del suelo y colocar fertilizante donde debe ir, los agricultores pueden administrar mejor sus nutrientes. Al establecer «zonas de exclusión», los agricultores también pueden cortar automáticamente la pulverización de fertilizante antes de que alcance una distancia crítica del suministro de agua. “Eso ha salvado a muchos agricultores de litigios y multas”, dice Mike Martinez, gerente de mercado de Trimble Agriculture.

Inyector Redball Coulter WEB

Figura 2: Un tractor remolcando un rociador de fertilizante usando el sistema GreenSeeker de Trimble. Imagen cortesía de Trimble.

Otro beneficio de la agricultura de precisión es que permite a los agricultores evitar lagunas y superposiciones al plantar. “También somos capaces de detectar geoespacialmente dónde ya hemos aplicado fertilizante y sembrado. De esa forma el sistema corta el suministro en esos puntos, para que no se desperdicien insumos ”, dice Martínez.

Equipamiento estandar
Así como los compradores de automóviles de hoy esperan la integración de Bluetooth y la radio satelital Sirius XM, los agricultores esperan que los nuevos tractores vengan con orientación. Los tractores, pulverizadores y cosechadoras Case IH se venden con un receptor GNSS habilitado para Glonass instalado de fábrica, una pantalla y un controlador, que consta de acelerómetros y giroscopios que compensan terrenos irregulares.

“Así como paga por diferentes niveles de radio XM en su vehículo, paga para desbloquear diferentes niveles de precisión de posicionamiento”, dice Trevor Mecham, gerente de marketing para América de Case IH, Advanced Farming Systems. «Puede obtener correcciones WAAS gratuitas o pagar por la precisión de DGPS que le otorga más o menos un par de pulgadas entre pasadas». señala, refiriéndose al Sistema de Aumento de Área Amplia de la Administración Federal de Aviación y al Sistema de Posicionamiento Global Diferencial de la Guardia Costera de los Estados Unidos. “Si necesita repetibilidad año tras año para la agricultura de tráfico controlado, de modo que pueda realizar las aplicaciones de faenado lateral y labrado en franjas, necesita RTK”, que significa navegación por satélite cinemática en tiempo real.

Asimismo, John Deere vende sus tractores y cosechadoras con un sistema de guiado integrado. “Los sensores de las cosechadoras ya vienen instalados de fábrica para el mapeo del rendimiento y la documentación de la cosecha”, dice Cole Murray, gerente de producto del Grupo de Soluciones Inteligentes (ISG) de la compañía. «También tenemos algunas oportunidades adicionales: por ejemplo, al agregar un receptor GPS a un pulverizador, puede controlar la franja».

John Deere es propietario de NavCom, que diseña y fabrica receptores GNSS y escribe software. También posee una red de correcciones diferenciales, la red StarFire, que funciona en todo el mundo.

FmX en cabina WEB

Figura 3: Agricultor usando una pantalla integrada Trimble FmX. Imagen cortesía de Trimble.

Kinze fabrica sembradoras y carros de granos que cuantifican la siembra y la cosecha. «Hemos agregado básculas a estos carros, de modo que cuando los agricultores descarguen el grano de la cosechadora en el carro, puedan usarlo para registrar la cantidad de grano que están sacando en el campo», dice Rhett Schildroth, uno de los productos de la compañía. gerentes.

“Cuando están plantando, los agricultores se preocupan por tres cosas: qué tan profundo plantan esa semilla en el suelo, lograr un buen contacto entre la semilla y el suelo y el espacio entre las semillas”, explica Schildroth. «Por lo tanto, hemos agregado sensores para asegurarnos de que podemos medir cada una de esas cosas y luego también controlarlas sobre la marcha, para que puedan variar en todo el campo».

Desafíos de conexión
Los campos abiertos parecerían un entorno ideal para la navegación por satélite, porque permiten una visión clara del cielo. Esto suele ser cierto en el medio oeste, por ejemplo, en Kansas o Missouri, donde solo hay espacios abiertos, colinas onduladas y tierra plana. “Sin embargo, hay muchas otras áreas alrededor del mundo donde algunos campos están totalmente rodeados por árboles de 100 pies con copas muy densas que hacen un muy buen trabajo bloqueando las señales de los satélites”, señala Martínez.

Los desafíos técnicos incluyen múltiples rutas, dificultades del terreno, un número reducido de satélites visibles en latitudes más altas y máximos solares. Estos son los mismos que enfrentan los topógrafos pero con el desafío adicional de que los sistemas agrícolas están operando continuamente. “Si un topógrafo tiene que esperar 30 segundos para obtener una buena señal, eso no es gran cosa, pero en 30 segundos en el campo ha cubierto mucho terreno”, dice Schildroth. Además, los usuarios de RTK pueden enfrentarse a la dificultad de la comunicación por radio entre la estación base y el móvil en distancias largas y terreno irregular.

“Para asegurarse de tener una conexión en todo momento, necesita un sistema portátil o una señal muy fuerte de su estación base”, agrega Schildroth. «Si está utilizando una conexión celular, por ejemplo, en una red CORS, debe asegurarse de tener cobertura celular en todo su campo». Para abordar este problema, hace aproximadamente un año, Trimble lanzó un servicio llamado CenterPoint RTX. “Es el primer servicio de corrección entregado por satélite en tiempo real de la industria que puede lograr una precisión absoluta de pulgada a pulgada y media, todo entregado desde el satélite directamente al tractor”, dice Martínez.

UK Autopilot Fendt Lettuce WEB

Figura 4: Plantación de lechuga con una sembradora automática en el Reino Unido. Imagen cortesía de Trimble.

Analizando los datos
Varios servicios analizan los datos de la granja y generan mapas de prescripción. Los distribuidores de fertilizantes, los consultores de cultivos y los agrónomos toman los datos, los analizan y ayudan a los agricultores a tomar decisiones.

Nick Achen, un ingeniero agrícola, y su hermano, un agricultor, cofundaron y son copropietarios de www.easyfarmmaps.com . “Identificamos una necesidad en nuestra comunidad de poder procesar todos estos datos que los agricultores recolectan en el campo”, dice. “Hay software a la venta que es caro y complicado, por lo que muchos agricultores no saben cómo usarlo o no quieren aprender a usar estos sistemas. Así que creamos un sitio web para tomar esos archivos y procesarlos en mapas legibles «.

AgJunction, un sistema de agronomía basado en la web operado por HemisphereGPS, permite a los usuarios importar datos de pruebas de suelo y las ubicaciones de las muestras de suelo, así como datos de John Deere, Raven, Trimble y otros sistemas, y generar mapas de prescripción. Sus clientes son principalmente minoristas agrícolas, como minoristas independientes de fertilizantes químicos o cooperativas.

Según John Lueger, director de Gestión de Productos en Hemisphere GPS, “Un minorista podría usar nuestro sistema para enviar un mapa de prescripción directamente a una de nuestras terminales en un tractor o un pulverizador y luego el agricultor, cuando haya completado ese trabajo, puede enviar esos datos al minorista y archivarlos automáticamente con fines históricos «.

Otras opciones y enfoques de los diferentes fabricantes adoptan un enfoque similar. Raven Industries tiene un producto llamado Slingshot que registra lo que está haciendo con varios conjuntos de datos y se sincroniza con software basado en la nube. Connected Farm de Trimble extrae de forma inalámbrica los datos de las aplicaciones de los productores a lo largo de las temporadas y los consolida. En general, los fabricantes afirman que estas tecnologías se amortizan en aproximadamente una temporada de uso.

WEB de Kinze Autonomous Harvest

Figura 5: Un sistema de cosecha autónomo de Kinze, que consta de un tractor, un carro de granos y una cosechadora. Imagen cortesía de Kinze.

Sensores
Casi todos los equipos agrícolas tienen sensores y controles en estos días. Los rociadores ahora tienen sensores que detectan si las plantas están privadas de nutrientes o no, y los sensores arrastrados por el campo muestran la variación de textura en el suelo.

“Usamos celdas de carga en carros de granos, sensores de flujo magnético para detectar cuando los ejes de toma de fuerza (PTO) están girando y el grano está descargado, sensores infrarrojos para contar la semilla a medida que baja por el tubo de semillas, celdas de carga en sembradoras para entender la fuerza descendente necesaria para plantar las semillas y los receptores GPS para el posicionamiento ”, dice Schildroth.

El uso de sensores de humedad del suelo, conectados en red mediante módems celulares, está creciendo muy rápidamente. “Cuando estaba en la granja de nuestra familia, a principios de los 90, la tarea que más me desagradaba era ir al campo y leer los medidores del contenido de humedad del suelo”, dice Mecham. “Las granjas familiares corporativas pueden tener hasta 35,000 acres y una persona lo hace todo el día. Por lo tanto, esto es extremadamente importante, especialmente en áreas donde tiene que bombear agua desde sistemas de pozos profundos. Ahora los agricultores pueden recibir esa información por correo electrónico o mensajes de texto «.

“Nuestro sistema de guía básico vendrá de manera estándar con una serie de sensores inerciales que brindan información al sistema de guía sobre la inclinación del campo o el cabeceo, balanceo, guiñada o rumbo del vehículo”, dice Martínez. “Las cosechadoras tienen sensores ópticos que registran el volumen que pasa a través de su elevador de granos, así como sensores de humedad. Entonces, en tiempo real, conocemos el volumen y sabemos el contenido de humedad de la cosecha que se está cosechando ”.

Ahora se utilizan sensores para controlar la altura de las barras de pulverización, que pueden tener hasta 120 pies de ancho. “Entonces, como viajan a altas velocidades por el campo, si no tienes un campo perfectamente plano, vas a golpear ese brazo en el suelo”, señala Martínez. “Ya no es posible que el conductor controle la altura de su brazo lo suficientemente rápido. Por lo tanto, acabamos de anunciar un sistema que utiliza sensores ultrasónicos para detectar, muy rápidamente, el perfil del suelo para que luego, a través del sistema hidráulico, pueda mover la pluma hacia arriba y hacia abajo según sea necesario «.

El sensor GreenSeeker de Trimble es un sensor localizado en tiempo real que se monta directamente en el vehículo de pulverización. Utiliza un sensor óptico y algunas bandas de luz diferentes para medir la salud del cultivo en tiempo real.

“Inmediatamente, mientras el aspersor viaja y registra estos datos, está creando una receta para luego aplicar nitrógeno en la cantidad correcta necesaria en esa parte particular del campo”, explica Martínez. El sistema de aspersión localizada WeedSeeker de la compañía utiliza ópticas avanzadas para detectar si hay una maleza presente y envía una señal a una boquilla de aspersión para que suministre una cantidad precisa de químico, rociando solo la maleza y no el suelo desnudo.

Futuro
Los desarrollos futuros en la agricultura de precisión incluyen vehículos agrícolas autónomos, el uso de imágenes de UAV y telemetría, que transmiten de forma inalámbrica a la oficina datos sobre la salud de los cultivos, las características del suelo y el rendimiento, así como sobre el estado de las máquinas agrícolas, lo que permitir a los agricultores mejorar la planificación del servicio y el mantenimiento de los vehículos, dice Swain. Los sensores que pueden analizar y gestionar la compactación del suelo también están en el futuro, según Achen.

Actualmente, los productores obtienen códigos de desbloqueo de funciones de su distribuidor. “En el futuro”, dice Mecham, “nos gustaría que los distribuidores pudieran enviarlos directamente a los dispositivos de los vehículos, a través de módem, para permitir a los clientes probar nuevas funciones. Nuestros clientes exigen ese nivel de simplicidad «.

Leer más

Según la FAO, la producción agrícola debe aumentar en un 60% para 2050 con el fin de alimentar a una población que llegará a diez mil millones según datos de la ONU.

Layers_agricultura de precisión con tecnología dron

Después de décadas de continuo crecimiento y tecnificación, existen dos temas principales que siguen siendo las grandes preocupaciones a las compañías del sector agroalimentario en todo el mundo: la producción y la calidad.

Los agricultores y las explotaciones agrarias deben hacer frente a un sector cada vez más competitivo, con una mayor demanda a unos precios más ajustados. Esto impulsa al sector a sumarse a las nuevas tecnologías y a la agricultura de precisión.

Los campos están cada vez más tecnificados con la finalidad de aumentar la eficiencia, la productividad y la calidad. Existen múltiples compañías dedicadas a la agricultura de precisión, pasando por la tecnología dron, sistemas de fertiirrigación inteligentes, hasta cosechadoras inteligentes. Vivimos en la era de la tecnología y la infoxicación (sobrecarga de información) pero a pesar de ello, todavía no hay una tecnología en el mercado enfocada en la predicción y orientación temprana de los cultivos.

Conocer el tiempo óptimo de recolecta, el alcance del trabajo de la poda y las recomendaciones agronómicas del cultivo son el sueño futurista para los equipos agritech más tecnificados, y una pesadilla para sus equipos financieros. Los técnicos agrónomos no están explotando el máximo potencial de la tecnología ya implementada en sus campos, y también el máximo potencial de producción de sus cultivos.

futuro agricultura de precisión

El futuro de la agricultura pasa por la tecnología basada en Visión por Computador, el Big Data, la Inteligencia Artificial y la Observación de la Tierra, que permitirá identificar los valores cualitativos y cuantitativos de los cultivos con alta precisión y de forma predictiva.

Las empresas de Agritech podrán ajustar sus costos logísticos para cumplir con los volúmenes de producción, identificar el mejor momento para cosechar, mejorar la calidad o estimar los beneficios con precisión con meses de anticipación.

El gran desafío por delante es obtener el conocimiento necesario para optimizar las actividades agrícolas. Las actividades de Agritech, como el riego inteligente, la fertilización inteligente o la cosecha inteligente, solo pueden basarse en conocimientos precisos y sólidos; ‘Inteligente’ significa actuar de la manera más eficiente sobre los cultivos teniendo en cuenta la tecnología que se aplica.

Además, ser capaz de predecir el rendimiento y la calidad de los cultivos permite a las entidades agritech trabajar en el campo agro fintech: anticipando los precios de logística, futuros de bolsa, etc.

El punto débil en este sector radica en el análisis de datos. Hasta la fecha, la industria no ha podido proporcionar información útil al agricultor desde una perspectiva global. Las grandes empresas agrícolas han intentado utilizar la información obtenida por satélites, drones o sensores y su respuesta es siempre la misma: No podemos obtener datos útiles y prácticos que puedan aplicarse con la tecnología ya existente en nuestros campos. Necesitamos datos de extremo a extremo que nos digan cuánto beneficio podemos obtener .

futuro agricultura de precisión

HEMAV, ofrece análisis de datos a través de Inteligencia Artificial y del uso de imágenes de drones y satelitales, ha desarrollado una solución disruptiva para el sector de Agritech. Adelantándose al futuro, Hemav ha desarrollado Layers, una solución que permite identificar los valores cualitativos y cuantitativos de los cultivos con alta precisión y de forma predictiva.

Este sistema único basado en Inteligencia Artificial utiliza datos agronómicos y datos captados con tecnología dron y satélite, para ofrecer al sector agrícola recomendaciones agronómicas para eficientar los tratamientos y generar estimaciones de producción de los cultivos a nivel producción y calidad.

Layers, consigue trabajar planta a planta y tener un total de 25 descriptores agronómicos para cada una de ellas. Layers permite además introducir el plan de riego, abonado, análisis foliares, condiciones climatológicas e índices espectrales; así como los datos radiométricos provenientes del dron para la realización de informes.

A través de la digitalización del campo el agricultor consigue tener un mayor control y seguimiento de la evolución de tus cultivos y tomar la decisión correcta en cada momento; optimizar la gestión de la compra y la venta del producto en base la previsión de estimación de producción y calidad y orientar la cosecha en función del contenido de proteína de cada parcela, aumentando así la rentabilidad de tu cultivo.

El futuro de la agricultura pasa por la combinación de inteligencia artificial y datos obtenidos con sistema dron y teledetección satelital, permitiendo a los agricultores maximizar el resultado de sus cosechas.

Leer más

software de agricultura de precisión Participación en la industria del mercado, tamaño: 2020 Investigación de mercado con crecimiento, fabricantes, segmentos y 2025

Los agricultores y agricultores de todo el mundo utilizan cada vez más software y servicios para la agricultura de precisión. Son muy útiles para los agricultores que planifican y mantienen sus bases de datos de manera eficiente y, como resultado, aumentan la productividad agrícola. La adopción de las últimas soluciones tecnológicas, como la tecnología GPS / GNSS y otras tecnologías de detección similares, dispositivos de visualización, agiliza el mecanismo de trabajo de los agricultores y agricultores.

Mercado de servicios de software de agricultura de precisión en: www.orionmarketreports.com/precisi…rt_pane1-1

Los actores clave del mercado descritos en el informe incluyen Deere & Company, Trimble Navigation, Ltd., Topcon Precision Agriculture, SST Development Group, Inc., Monsanto Company, Raven Industries, Inc., Dickey-John Corporation, Ag Leader Technology, AgJunction y CNH Industrial NV.

Mercado de software y servicios de agricultura de precisión por software

Software de gestión agrícola
Local / basado en web
Basado en la nube
Software y servicios de agricultura de precisión mercado por servicio

Integración y consulta de diseño
Servicios gestionados
Mantenimiento y soporte
Mercado de software y servicios de agricultura de precisión por aplicación

Manejo de cultivos
Gestión financiera
Gestión de inventario agrícola
Gestión de personal
Seguimiento y pronóstico del tiempo
Otros
Un informe completo del mercado global de servicios de software de agricultura de precisión está disponible en: www.orionmarketreports.com/precisi…ket/40413/

Alcance del informe

El estudio de investigación analiza la industria global de Servicios de software de agricultura de precisión a partir de un análisis de 360 ​​grados del mercado, brindando información detallada sobre el mercado para tomar mejores decisiones comerciales, considerando múltiples aspectos, algunos de los cuales se enumeran a continuación como:

Desarrollos recientes

o Descripción general del mercado y análisis de crecimiento
o Descripción general de las importaciones y exportaciones
o Análisis de volumen
o Tendencias actuales del mercado y perspectivas futuras
o

Cobertura geográfica del segmento de inversión atractivo y oportunista

del mercado o Tamaño y / o volumen del mercado de América del Norte o Tamaño y / o volumen del
mercado de América Latina
o Tamaño del mercado de Europa y / o Volumen
o Tamaño y / o volumen del mercado de Asia-Pacífico
o Tamaño del mercado y / o volumen del resto del mundo

Preguntas clave respondidas por el Informe de mercado de servicios de software de agricultura de precisión

1. ¿Cuál fue el tamaño del mercado de servicios de software de agricultura de precisión en 2018 y 2019? Cuáles son las tendencias de crecimiento estimadas y el pronóstico del mercado (2019-2025).

2. ¿Cuál será el CAGR del mercado de servicios de software de agricultura de precisión durante el período de pronóstico (2019-2025)?
3. ¿Qué segmentos (tipo de producto / aplicaciones / usuario final) fueron más atractivos para las inversiones en 2018? Cómo se espera que crezcan estos segmentos durante el período de pronóstico (2019-2025).
4. ¿Qué fabricante / proveedor / actores en el mercado de servicios de software de agricultura de precisión fue el líder del mercado en 2018?
5. Descripción general de la cartera de productos existente, productos en proceso e iniciativas estratégicas tomadas por proveedores clave en el mercado.

Leer más

Las tecnologías de agricultura de precisión que se consideraban casi de la «era espacial» a principios de la década (por ejemplo, autodirección GPS, drones, etc.) se han convertido en algo común. Si bien muchas de estas tecnologías, sin duda, tienen potencial, hay poca información sobre cómo su aplicación mejora el desempeño financiero en la granja.

Para evaluar el costo-beneficio de la agricultura de precisión, hemos utilizado el modelo Loam Farm de Andersons para probar la agricultura de precisión en su empresa de trigo (300 Ha). Loam Farm es una empresa ficticia, con sede en el este de Inglaterra, que ha estado en funcionamiento desde 1991 y rastrea la suerte de las granjas de cultivos combinables. Comprende 600 hectáreas en una rotación simple de molienda de trigo, colza, trigo forrajero y frijoles de primavera, y se basa en datos de la vida real. El desempeño financiero de Loam Farm en su conjunto (es decir, todas las empresas) se muestra en la Figura 1 para 2017 bajo los escenarios de statu quo y agricultura de precisión. Las técnicas de agricultura de precisión aplicadas incluyeron mapeo del suelo y dirección automática por GPS, mientras que la aplicación de tasa variable también se incorporó al equipo utilizado.

El desempeño se evaluó dividiendo la empresa de trigo en una serie de cuadrículas de 10 × 10 metros donde las tasas de siembra y aplicación se variaban de acuerdo con la capacidad y las necesidades de la tierra. Esto significó que en algunas áreas, la aplicación de insumos aumentó y disminuyó en áreas de bajo rendimiento mientras que la tierra más pobre (3% aprox.) No fue cultivada. Al aplicar técnicas de agricultura de precisión, el rendimiento medio de trigo mejoró en un 1,3%; el margen bruto aumentó un 2.0% en toda la finca. Los costos generales aumentaron levemente (0.3%) ya que el costo de la tecnología de agricultura de precisión (£ 10,000) eclipsó los ahorros, particularmente en mano de obra, generados por la dirección automática. En general, al aplicar técnicas de agricultura de precisión en la empresa de trigo, Loam Farm aumentó su rentabilidad en alrededor de £ 8.400. Por lo tanto, indica una recuperación en el año 2.

Figura 1 – Agricultura de precisión aplicada a la empresa de trigo de Loam Farm *

£ por hectárea (a menos que se indique) Status quo Agricultura de precisión
Rendimiento de trigo (t / Ha) 9.05 9.17
Salida 1,163 1,171
Costos variables 394 387
Margen bruto 769 784
Gastos generales 414 415
Alquiler y financiación 243 243
Dibujos 77 77
Margen de producción 35 49
* Prueba en empresa de trigo, resultados mostrados para toda la finca.
Fuente: The Andersons Center

por hectárea (a menos que se indique) Status Quo Agricultura de precisión
Rendimiento de trigo (t / Ha) 9.05 9.17
Producción 1,163 1,171
Costos variables 394387
Margen bruto 769 784
Gastos generales 414415
Renta y financiamiento 243243
Dibujos 77 77
Margen de producción 35 49
* Prueba en empresa de trigo , los resultados se muestran para toda la granja.
Fuente: The Andersons Center

Michael Haverty, The Andersons Center
Michael Haverty, Economista agrícola senior en The Andersons Center

Por su propia naturaleza, el costo-beneficio de la agricultura de precisión variará de una granja a otra. Algunas granjas pueden lograr mayores ahorros, mientras que para otras, el beneficio general será marginal. Es evidente que existe un mayor margen para que la agricultura de precisión genere un rendimiento en las granjas más grandes. De hecho, para muchos usuarios es un medio clave para gestionar la escala de forma eficaz. Una vez que los datos se capturan en un sistema de información de gestión agrícola (SIAF), permanece fácilmente accesible para su análisis. El administrador de una finca puede retener en su memoria la información clave de una pequeña cantidad de campos durante las últimas temporadas. Pero a medida que aumenta el tamaño de las explotaciones y se requieren conocimientos de análisis a más largo plazo, esto ya no será suficiente. La capacidad de un agricultor para administrar un negocio más grande se puede mejorar significativamente mediante la agricultura de precisión. Sin embargo, Los agricultores deben tener cuidado para garantizar que el tiempo dedicado a analizar y gestionar sus sistemas de agricultura de precisión se utilice de forma eficaz. Es fácil verse envuelto en un torrente de datos que pueden terminar inhibiendo la toma de decisiones.

Es de esperar que continúe avanzando la adopción de la agricultura de precisión. Sin embargo, para las empresas que ofrecen productos agrícolas de precisión, es vital que muestren en términos realistas el rendimiento que los agricultores podrían generar al invertir en dicha tecnología.

Leer más

Las tecnologías de producción basada en información (agricultura de precisión) están ganando popularidad entre los agricultores porque su uso puede conducir a un seguimiento más estrecho de las decisiones de gestión de la producción agrícola y posibles ahorros de costes. Según la Encuesta de Manejo de Recursos Agrícolas del USDA, cuatro tecnologías son las más comúnmente utilizadas: mapeo de rendimiento, mapeo de suelos, dirección de maquinaria de autoguiado y tecnologías de tasa variable (VRT).

Las tres primeras de estas tecnologías se pueden utilizar independientemente unas de otras. Los recolectores de monitoreo de rendimiento producen datos de rendimiento de cultivos específicos de la ubicación que informan las condiciones de crecimiento durante el período de crecimiento anterior. Estos datos se pueden utilizar para crear un mapa de rendimiento. Los mapas de suelos creados con tecnología de sistema de posicionamiento global (GPS) brindan información sobre las condiciones de crecimiento relacionadas con el suelo en las granjas de maíz. Los niveles de nitrógeno, potasio y fósforo se mapean comúnmente, pero se pueden incluir el tipo de suelo y los micronutrientes. Los agricultores, proveedores de insumos agrícolas (por ejemplo, semillas y fertilizantes) y proveedores de servicios personalizados están utilizando ambos tipos de mapas de suelo y rendimiento de mapas GPS para las recomendaciones y decisiones de gestión de la producción agrícola.

Los sistemas de autoguiado de cosechadoras y tractores que conducen automáticamente los equipos agrícolas también requieren el uso de tecnología GPS para determinar los límites del campo. La guía automática proporciona el beneficio de operaciones de campo más precisas que las que normalmente se pueden realizar mediante señales visuales, como la conducción manual a lo largo de una hilera de cultivos.

VRT es la única de las cuatro tecnologías que generalmente se adopta junto con otras tecnologías de precisión. Se considera que la VRT es complementaria a la cartografía y puede generar diferentes ahorros de costes cuando se utiliza con diferentes tipos de cartografía. Por ejemplo, los agricultores pueden programar equipos compatibles con VRT que se utilizan para aplicar insumos agrícolas mediante mapas de rendimiento o mapas de suelos para aplicar diferentes niveles de insumos, incluso semillas, a diferentes tasas dentro de un campo.

Para estimar el ahorro de costos del uso de tecnologías de agricultura de precisión en la producción de maíz, los investigadores de ERS analizaron factores relacionados con la adopción de tecnología y las prácticas de producción de maíz. Los investigadores tomaron en cuenta los efectos de los acres cultivados, el nivel de educación superior del operador y la edad del operador. El costo de producción por acre se midió como los costos operativos de semillas, fertilizantes, pesticidas, mano de obra remunerada y no remunerada, gastos de maquinaria (no inversiones de capital), combustible y reparaciones y gastos de servicios personalizados.

Entre los productores de maíz que utilizan estas cuatro tecnologías de agricultura de precisión, los que utilizan el mapeo de rendimiento de forma independiente o con VRT informaron los mayores ahorros de costos (alrededor de $ 25 por acre). Los monitores de rendimiento recopilan información sobre las condiciones de cultivo a lo largo del año que se reflejan en los rendimientos, y la variabilidad del rendimiento en los campos de un agricultor brinda una rica fuente de información sobre la efectividad de las prácticas recientes. Los agricultores que utilizaron el mapeo de suelos con GPS tuvieron ahorros de costos de más de $ 13 por acre, menos de la mitad que los agricultores que utilizaron el mapeo de rendimiento, ya que cada punto de datos en un mapa de suelos requiere una prueba de suelo geolocalizada individual.

Al comparar los ahorros de costos de VRT con mapeo de rendimiento con los ahorros de costos de VRT con mapeo de suelos, se podría esperar que la densidad adicional de información en un mapa de rendimiento valga la pena cuando se combina con VRT, y los resultados del modelo confirman este efecto: VRT con rendimiento el mapeo está asociado con ahorros por acre ligeramente más altos ($ 22 frente a $ 21). Los sistemas de guiado requieren un tractor y un equipo de dirección combinado, además de un receptor GPS, pero su uso aún genera mayores ahorros de costos ($ 15 por acre) que el mapeo del suelo. Los sistemas de guía ahorran combustible y el desgaste de las máquinas mediante una gestión más sencilla de las actividades de campo. La reducción de la fatiga del operador y otros factores relacionados con el estrés son difíciles de medir y sus efectos no se tienen en cuenta en los ahorros de costos de los sistemas de guía. En relación con los costos de producción totales por acre, los ahorros estimados son 4.

Leer más

Un pequeño agricultor de caña de azúcar en el oeste de Maharashtra posee aproximadamente 4 hectáreas de tierra, tiene dos hijos que se graduaron y trabajan en Pune. Cuando se le preguntó por qué no alentaba a su hijo a tomar la agricultura como profesión, respondió que la agricultura requiere trabajo duro, no remunerativo y es difícil conseguir mano de obra para diversas operaciones agrícolas. Además, también piensa que el hijo de un granjero es un bien que no se puede casar y que su hijo puede tener una vida mejor en Pune. Está envejeciendo y con la edad planea vender su tierra al mejor postor.

Pueblo tras pueblo y estado tras estado, esta es la historia de la mayoría de los agricultores de la India. Quieren vender su tierra y dejar la agricultura. La agricultura india está en crisis. “No importa cuán avanzados o ricos seamos, todos tenemos que comer. No podemos sobrevivir con software / tuercas y / o tornillos «.

La riqueza y la seguridad del país provienen de su tierra y, por lo tanto, lo que se necesita es una agricultura sostenible, de alta tecnología y alta productividad, que sea remunerativa y proporcione alimentos y seguridad al país. En este contexto, la agricultura de precisión ayudará a introducir la próxima revolución verde en la agricultura india.

Un sistema de producción agrícola es el resultado de una interacción compleja de semillas, agua y agroquímicos, incluidos fertilizantes y pesticidas. Por lo tanto, la gestión cuidadosa de todos los insumos es esencial para la sostenibilidad de un sistema tan complejo. El enfoque en mejorar la productividad sin considerar los impactos ecológicos de los recursos de entrada ha resultado en la degradación ambiental. El aumento de la conciencia ambiental del público en general nos obliga a modificar las prácticas de gestión agrícola para la conservación sostenible de los recursos naturales como el agua, el aire y la calidad del suelo, sin dejar de ser económicamente rentables. La productividad se puede aumentar sin ningún efecto adverso maximizando la eficiencia de la entrada de recursos. También es cierto que la disponibilidad de mano de obra para la actividad agrícola será escasa en el futuro. Ha llegado el momento de unir la tecnología de la información y la ciencia agrícola para mejorar la producción agrícola económica y ambientalmente sostenible. Esto da origen a la agricultura de precisión o la agricultura de precisión.

El concepto de agricultura de precisión se basa estrictamente en el Sistema de Posicionamiento Global (GPS), que fue inicialmente desarrollado por científicos de defensa de Estados Unidos (Estados Unidos de América) para uso exclusivo del Departamento de Defensa de Estados Unidos. El carácter único del GPS es la precisión en el tiempo y el espacio. La agricultura de precisión (AP), como su nombre lo indica, se refiere a la aplicación de cantidades precisas y correctas de insumos como agua, fertilizantes, pesticidas, etc. en el momento adecuado al cultivo para aumentar su productividad y maximizar sus rendimientos. El uso de insumos (es decir, fertilizantes químicos y pesticidas) en base a la cantidad correcta, en el momento adecuado y en el lugar adecuado. Este tipo de gestión se conoce comúnmente como «Gestión específica del sitio».

La agricultura de precisión o agricultura de precisión se define generalmente como un sistema de gestión agrícola basado en información y tecnología para identificar, analizar y gestionar la variabilidad espacial y temporal dentro de los campos para una productividad y rentabilidad óptimas, sostenibilidad y protección de los recursos de la tierra minimizando los costos de producción. El aumento de la productividad en el suministro mundial de alimentos se ha basado cada vez más en la expansión de los planes de riego durante las últimas décadas, y más de un tercio de los alimentos del mundo ahora requieren riego para la producción. Los rápidos cambios socioeconómicos en algunos países en desarrollo, incluida la India, están creando nuevos alcances para la aplicación de la agricultura de precisión (AP). La competencia global de productos agrícolas basada en el mercado en conjunto está desafiando la viabilidad económica de los sistemas agrícolas tradicionales,

HERRAMIENTAS Y EQUIPO
La agricultura de precisión es una combinación de aplicación de diferentes tecnologías. Todas estas combinaciones están mutuamente interrelacionadas y son responsables de los desarrollos. Los mismos se discuten a continuación:

1. Sistema de posicionamiento global (GPS): Es un conjunto de 24 satélites en la órbita terrestre. Envía señales de radio que pueden ser procesadas por un receptor terrestre para determinar la posición geográfica en la tierra. Tiene un 95% de probabilidad de que la posición dada en la tierra esté dentro de los 10-15 metros de la posición real. El GPS permite un mapeo preciso de las fincas y junto con el software apropiado informa al agricultor sobre el estado de su cultivo y qué parte de la finca requiere qué insumos, como agua o fertilizantes y / o pesticidas, etc.

2. Sistema de Información Geográfica (SIG): Es un software que importa, exporta y procesa datos distribuidos espacial y temporalmente geográficamente.

3. Muestreo de cuadrículas: es un método de dividir un campo en cuadrículas de aproximadamente 0,5 a 5 hectáreas. El muestreo del suelo dentro de las rejillas es útil para determinar la tasa apropiada de aplicación de fertilizantes. Se toman varias muestras de cada cuadrícula, se mezclan y se envían al laboratorio para su análisis.

4. Tecnología de velocidad variable (VRT): la maquinaria de campo existente con la unidad de control electrónico (ECU) y el GPS integrado pueden cumplir con el requisito de entrada de velocidad variable. Las barras de pulverización, el aplicador de disco giratorio con ECU y GPS se han utilizado eficazmente para la pulverización de parches. Durante la creación del mapa de requerimientos de nutrientes para VRT, se debe considerar más la tasa de fertilizante que maximiza las ganancias que la tasa de fertilizante que maximiza el rendimiento.

5. Mapas de rendimiento: Los mapas de rendimiento se producen procesando datos de una cosechadora combinada adaptada que está equipada con un GPS, es decir, integrado con un sistema de registro de rendimiento. El mapeo de rendimiento implica el registro del flujo de grano a través de la cosechadora, mientras se registra la ubicación real en el campo al mismo tiempo.

6. Sensores remotos: generalmente son categorías de sensores aéreos o satelitales. Pueden indicar variaciones en los colores del campo que corresponden a cambios en el tipo de suelo, desarrollo del cultivo, límites del campo, caminos, agua, etc. Se pueden procesar imágenes ariales y satelitales para proporcionar índices vegetativos, que reflejan la salud de la planta.

7. Sensores próximos: Estos sensores se pueden usar para medir parámetros del suelo como el estado de N y el pH del suelo y las propiedades del cultivo a medida que el tractor conectado al sensor pasa sobre el campo.

8. Hardware y software de computadora: Para analizar los datos recopilados por otros componentes de la tecnología de agricultura de precisión y hacerlos disponibles en formatos utilizables como mapas, gráficos, cuadros o informes, el soporte de computadora es esencial junto con el soporte de software específico.

9. Sistemas de riego de precisión: Se están lanzando desarrollos recientes para uso comercial en riego por aspersión mediante el control del movimiento de las máquinas de riego con controladores basados ​​en GPS. Se están desarrollando tecnologías de sensores y comunicación inalámbrica para monitorear las condiciones ambientales y del suelo, junto con los parámetros de operación de las máquinas de riego (es decir, flujo y presión) para lograr una mayor eficiencia en el uso del agua.

10. Agricultura de precisión en tierras arables: El uso de técnicas de AP en tierras arables es el más utilizado y más avanzado entre los agricultores. CTF (agricultura de tráfico controlado) es un enfoque de toda la granja que tiene como objetivo evitar daños innecesarios a los cultivos y la compactación del suelo por maquinaria pesada, reduciendo los costos impuestos por los métodos estándar. Los métodos de tráfico controlado implican confinar todos los vehículos de campo al área mínima de carriles de tráfico permanentes con la ayuda de sistemas de apoyo a la toma de decisiones. Otra aplicación importante de la agricultura de precisión en tierras cultivables es optimizar el uso de fertilizantes especialmente, Nitrógeno, Fósforo y Potasio.

Necesidad de agricultura de precisión en la India: para satisfacer la enorme necesidad de cereales alimentarios de 480 millones de toneladas (Mt) para el año 2050, con los crecientes desafíos de estrés biótico y abiótico que experimentan los cultivos, la introducción y adopción de tecnología moderna en la agricultura india es inevitable. .

El sistema alimentario mundial se enfrenta a desafíos formidables y eso aumentará en los próximos 40 años. Se requieren cambios más radicales en el sistema alimentario y la inversión en investigación para hacer frente a los desafíos futuros y sus soluciones. La disminución de la productividad total, la disminución y degradación de los recursos naturales, el estancamiento de los ingresos agrícolas, la falta de un enfoque ecorregional, la disminución y fragmentación de la propiedad de la tierra, la liberalización del comercio agrícola, las limitadas oportunidades de empleo en el sector no agrícola y la variación climática global se han convertido en preocupaciones importantes en el crecimiento y desarrollo agrícola. Por lo tanto, el uso de la adopción de tecnología de reciente aparición se considera una clave para aumentar la productividad agrícola en el futuro.

Se espera que la aplicación de tecnologías de AP blandas y duras equilibradas basadas en la necesidad de la condición socioeconómica específica de un país haga que las AP sean adecuadas también para los países en desarrollo. La AP ‘blanda’ depende principalmente de la observación visual del cultivo y del suelo y de la decisión de manejo basada en la experiencia y la intuición, más que en análisis estadístico y científico. El PA ‘duro’ utiliza todas las tecnologías modernas, como GPS, RS y VRT. Se han identificado tres componentes, a saber, ‘tecnología de AP única’, ‘paquete de tecnología de AP’ (para que el usuario seleccione uno o una combinación) y ‘tecnología de AP integrada’, como parte de las estrategias de adopción de AP en los países en desarrollo como India .

La agricultura de precisión en la agricultura de caña de azúcar es inevitable, ya que India es el segundo mayor productor de azúcar y caña de azúcar. La caña de azúcar se cultiva en aproximadamente 4.09 millones de hectáreas, produciendo alrededor de 283 millones de toneladas de caña con una productividad promedio de 69.19 TM / ha. De los diversos cultivos agrícolas, la caña de azúcar es el más remunerativo, su requerimiento de agua y fertilizantes también es muy alto.

Agricultura de precisión dentro de los sectores de frutas y verduras y viticultura: En la agricultura de frutas y verduras, la reciente adopción rápida de sistemas de automatización para registrar parámetros relacionados con la calidad del producto, permite a los productores clasificar los productos y monitorear la calidad y seguridad de los alimentos, incluido el color, el tamaño, forma, defectos externos, contenido de azúcar, acidez y otras cualidades internas. Además, el seguimiento de las operaciones de campo, como la pulverización de productos químicos y el uso de fertilizantes, puede ser posible para proporcionar métodos completos de procesamiento de frutas y verduras.

Alcance y adopción de la agricultura de precisión en India:
La AP para pequeñas granjas puede utilizar maquinaria y robots para pequeñas granjas que no compactan el suelo y también pueden funcionar con combustibles renovables como bioaceite, biogás comprimido y electricidad producida en granjas por residuos agrícolas. Para las granjas pequeñas, la agricultura de precisión puede incluir riego por goteo subterráneo para la aplicación precisa de agua y fertilizantes, eliminación de malezas, cosecha y otras operaciones culturales. Algunos de estos robots ya se están utilizando en pequeñas granjas en los EE. UU. Y Europa y se espera que puedan implementarse a gran escala en un futuro próximo. Para las granjas pequeñas, la agricultura de precisión puede ayudar en el riego por goteo subterráneo para una aplicación precisa de agua y fertilizantes y robots para el control de malezas, la cosecha y otras operaciones. De manera similar, también se han introducido drones en Japón y los EE. UU. Para mapear las granjas, identificar enfermedades y así sucesivamente. La mayoría de las máquinas robóticas y los drones son compactos y, por lo tanto, adecuados para pequeñas granjas. Las pequeñas granjas de la India, por lo tanto, son ideales para la aplicación a gran escala de la agricultura de precisión.

El camino a seguir
El componente más importante para hacer avanzar la AP será la creación de un enorme recurso de ingenieros, científicos y agricultores para desarrollar varios componentes de la tecnología. Sin una mano de obra excelente y, en consecuencia, una buena I + D, la AP no tendrá éxito. Desafortunadamente, la mayoría de los buenos estudiantes quieren ingresar a las corrientes de ingeniería y medicina e ignorantemente, la agricultura se convierte en una ocurrencia tardía. También existe la necesidad de excelentes ingenieros de instituciones como IIT, NIT, etc. para diseñar maquinaria como robots y drones para PA. Esto puede facilitarse mediante el establecimiento de una nueva rama de la ingeniería denominada mecanotécnica agrícola o robótica, donde profesores y estudiantes de institutos ICAR, IIT, industrias y agricultores trabajan juntos, interactúan y colaboran para desarrollar sistemas inteligentes para AP.

Conclusión:La agricultura de precisión en muchos países en desarrollo, incluida la India, ofrece numerosas oportunidades para que los agricultores identifiquen cultivos específicos de mejor rendimiento de alto rendimiento e infectar que un agricultor recurra a un obtentor para producir variedades mejores y de mayor rendimiento mediante el uso del sistema de AP. Se han identificado tres componentes, a saber, ‘tecnología de AP única’, ‘paquete de tecnología de AP’ y ‘tecnología de AP integrada’, como parte de las estrategias de adopción general de AP en los países en desarrollo. Se han destacado los sectores de aplicación adecuados de estos componentes estratégicos. La AP puede proporcionar una plataforma para la actividad de responsabilidad social empresarial (RSE) industrial ayudando a los pobres de las zonas rurales a mejorar sus medios de vida mediante la agricultura de alta tecnología. El gobierno de la India puede facilitar este proceso otorgando préstamos blandos a la industria para que se animen y se involucren en la agricultura y las actividades de la AP. Por lo tanto, la AP de alta tecnología puede ayudar a lograr la próxima revolución verde en la India y puede producir una enorme riqueza rural de una manera sostenible y ecológica. A la luz de la necesidad urgente de hoy, debería haber un esfuerzo total para utilizar nuevos insumos tecnológicos para hacer de la ‘Revolución Verde’ como una ‘Revolución Evergreen’.

Leer más

Hay varios obstáculos por delante antes de que los productores obtengan suficiente valor de la agricultura intensiva en datos, según un nuevo informe de Rabobank , el banco mundial de alimentos y agronegocios.

El informe titulado Bungle in the Ag Tech Jungle – Cracking the Code on Precision Farming and Digital Agriculture identifica cuatro olas clave de innovación agrícola, con la primera ola que comenzó en 1700 con la invención de maquinaria como las sembradoras tiradas por caballos.

La segunda ola se lanzó en la década de 1950 con el aumento tanto de la agricultura de producción como del uso de insumos químicos. Fue durante este tiempo que las operaciones agrícolas se volvieron menos diversificadas, centrándose en cambio en unos pocos monocultivos.

La agricultura de precisión nació durante las décadas de 1980 y 1990, junto con innovaciones en el fitomejoramiento y otras herramientas centradas en la biotecnología, como las modificaciones genéticas, según el informe.

Ahora, en la cuarta y última ola de innovación, la agricultura está experimentando un cambio de imagen digital. Las herramientas de agricultura digital adoptan muchas formas y «van desde herramientas de software basadas en la nube hasta productos híbridos de hardware / software que son ‘inteligentes’ en el sentido de que pueden comunicarse con otros dispositivos conectados de forma inalámbrica y digital, con una mínima intervención humana», afirma el informe. .

Invierta con impacto. Haga clic aquí.

El informe también contó los algoritmos, la inteligencia artificial y el aprendizaje automático entre la revolución digital de la agricultura, y señaló la capacidad de estas innovaciones para proporcionar recetas personalizadas granja por granja.

La promesa de agtech
Por supuesto, estas innovaciones no están exentas de costos que incluyen tanto la inversión financiera como la inversión de tiempo que los productores deben hacer para aprender cómo funcionan estas nuevas innovaciones.

El informe define la promesa de la agricultura digital para la agricultura como la capacidad de acceder a «rendimientos óptimos ajustados al riesgo financiero del capital utilizado para la agricultura». La agronomía optimizada, las aplicaciones precisas en torno al momento y el tipo de aplicaciones de nutrientes, y la consideración de las condiciones locales, o incluso las variaciones dentro del campo, brindarán a los agricultores una experiencia que antes no conocían.

Cinco barreras clave para la adopción de agtech
Rabobank identifica 12 tecnologías en uso en todo el mundo en la actualidad, que incluyen todo, desde robots de ordeño hasta estaciones meteorológicas inalámbricas y software de gestión de datos agrícolas. Sin embargo, el informe establece de manera inequívoca que los agricultores no están implementando fácilmente estas tecnologías, identificando cinco barreras clave para la adopción de tecnología digital.

Muchas nuevas tecnologías de software carecen de una propuesta de valor claramente articulada.
Por un lado, el informe identifica la propuesta de valor de la agricultura digital como una mejor experiencia y conocimiento en la agricultura. Pero cuando se trata de las tecnologías actualmente disponibles, señala que la propuesta de valor a menudo no está “probada” cuando se trata de calcular exactamente lo que los agricultores pueden ganar financieramente con la adopción de la nueva herramienta. Además, el informe caracteriza la comprensión de las tecnologías digitales por parte de algunas empresas emergentes y capitalistas de riesgo como una comprensión “imperfecta”, y muchas personas olvidan que recopilar y transmitir datos es solo el primer paso. Los datos deben someterse a análisis adicionales para crear valor.

2. En realidad, muchas granjas carecen de la infraestructura tecnológica necesaria para interactuar digitalmente con el software de gestión agrícola de la industria.

Haciendo referencia a Conservis, Farmers Business Network, Granular y SST, el informe señala lo difícil que puede ser convencer a los agricultores de que inviertan y se cambien a sistemas de gestión completamente nuevos, especialmente considerando la persistente recesión económica que ha experimentado la agricultura desde 2012/2013. temporada.

3. La venta de software como servicio (SaaS) a clientes agrícolas con problemas financieros ha sido una estrategia de generación de ingresos muy difícil, dada esta dinámica.

En cambio, el informe postula proporcionar a los productores plataformas de software básicas gratuitas para promover la adopción de agtech , al tiempo que vende una versión premium que ofrece servicios adicionales y conocimientos agronómicos.

4. La propiedad y la privacidad de los datos ha sido un tema acalorado y ampliamente debatido desde que los macrodatos entraron en la conversación agrícola mundial.

Al igual que con la digitalización de cualquier industria, las preocupaciones sobre la privacidad y la propiedad son desenfrenadas. El informe sugiere la creación de una cooperativa de datos de agricultores sin fines de lucro para abordar los problemas de privacidad, y señala que algunas empresas ya han creado tales medios . En el extranjero, las cooperativas de agricultores y otros grupos han tomado medidas para cultivar una cultura de datos abiertos.

5. La agricultura digital carece de una plataforma operativa universal en la que conectar todo el ecosistema operativo.

De las cinco barreras clave para la adopción que identifica el informe, señala la falta de una plataforma operativa universal como la más crítica. Superar este obstáculo implicará la difícil tarea de organizar y alinear la industria y decidir qué partido o partidos asumirán la responsabilidad de cada paso del proceso.

La adopción de Agtech está aumentando
A pesar de estos obstáculos, el informe concluye afirmando que la demanda de información a lo largo de la cadena de suministro de alimentos será un factor importante en la evolución de las soluciones digitales para la agricultura y el aumento de la adopción de tecnologías agrícolas. Y, aunque la adopción se ha convertido en un diálogo sólido en agtech , algunas fuentes indican que la implementación continúa aumentando a pesar de los desafíos y las dudas que enfrentan algunos agricultores.

“La creación de una plataforma de datos universal es fundamental. Sin embargo, pasar de la etapa de ‘concepto’ a la etapa de ‘anteproyecto’ es un ejercicio complicado. La forma en que esto suceda y quién lo pague dependerá de qué partido o partidos tomen el liderazgo en la organización y alineación de la industria, y cuánto capital se reserva para construir, probar y mantener los sistemas requeridos «.

Leer más

Tradicionalmente el control de las plantaciones agrícolas se lleva a cabo a pie de campo por agrónomos y personal cualificado que verifica el correcto desarrollo de las plantas, identifica anomalías en el cultivo y detecta la aparición de plagas. El tamaño de las fincas y este control tradicional de las plantaciones lleva en ocasiones a detectar anomalías en el cultivo o la aparición de plagas cuando estas ya se han extendido más de lo deseado y, por tanto, el problema ha alcanzado unas dimensiones de difícil solución. Esto ocasiona pérdidas muy importantes, y obliga a realizar tratamientos fitosanitarios en zonas más amplias de lo que sería necesario si fuéramos capaces de detectar estos problemas en una etapa más incipiente.

Otro aspecto relevante es que en la finca pueden aparecer deficiencias en el sistema de riego que pueden provocar una aportación inadecuada, por exceso o defecto, en determinadas zonas del cultivo. Los problemas son similares al caso anterior, es decir, se pueden generar pérdidas de plantas en una zona determinada más o menos amplia, o simplemente retrasos en la recolección que rompen el calendario de producción de la empresa.

Además, en la actualidad, los encargados de corte en las fincas deben hacer un seguimiento del estado de desarrollo del cultivo, informando diariamente al resto de la empresa acerca de la producción esperada para los próximos días. Esta es una labor tediosa que obliga a recorrer cada una de las fincas para calcular, a partir de una estimación visual, el momento idóneo en el que llevar a cabo el corte y la cantidad de producto que podrá ser recolectado en próximas fechas.

Para obtener las imágenes aéreas, se utiliza un dron de ala fija que puede volarse a 100 metros de altura sobre las fincas

Ante esta situación, Finca La Carretilla (situada en San Javier) se planteó abordar un proyecto para que estos factores pudieran ser minimizados partiendo de la detección temprana de las diferentes problemáticas que habitualmente surgen en la finca de cultivo, además de poder proporcionar información en tiempo real de la evolución del cultivo.

Para ello, confió en el grupo de investigación Computación Móvil y Visión Artificial de la Universidad de Murcia que dirige Félix Jesús García Clemente: «Se nos encargó la búsqueda de una solución que hiciera uso de las últimas tecnologías en el procesamiento de imágenes aéreas capturadas por vehículos aéreos autónomos (drones), y técnicas de visión artificial para el análisis automatizado de estas imágenes».

Los algoritmos desarrollados deben realizarse para cada tipo de cultivo, no pueden extrapolarse de unos a otros

El proyecto contó con financiación del Centro de Desarrollo Tecnológico e Industrial (CDTI) y la Unión Europea a través de cofinanciación de Fondos FEDER y finalizó en marzo de 2019, tras 27 meses de arduo trabajo.

Lechuga y apio
Como explica el profesor de la UMU, «el objetivo general del trabajo era definir y desarrollar un nuevo procedimiento agrícola para el cultivo de la lechuga y el apio para lograr la mejora de la calidad y el rendimiento de la producción. Este cambio metodológico se sustenta en la incorporación de nuevas tecnologías en cada una de las fases del cultivo que permiten una mejora significativa en la forma de cultivar lechuga y apio».

Para ello emplearon tecnologías como el uso de drones y de cámaras multiespectrales y térmicas, junto con nuevas técnicas software asociadas a la Visión Artificial. «Algunos de los cambios más significativos en los procedimientos fueron el control de plagas que podrán ser identificadas con mayor rapidez y permitirán actuar con mayor eficacia, o el control de la producción mediante las diferentes variables (métricas) del cultivo de manera visual y con un sistema de ayuda para la toma de decisiones», dice Félix J. García.

Entre los objetivos técnicos específicos que planteaba el proyecto destacan los siguientes: establecer métodos para la aplicación eficiente del agua y uso óptimo de fertilizantes; monitorización del estado del cultivo, calibres y estimación anticipada de la producción; y detección temprana de plagas, enfermedades o anomalías.

El investigador de la UMU indica que «la nueva metodología se sustenta en el uso de un panel de control accesible desde cualquier dispositivo, que permite al personal técnico de la Finca acceder a la gestión de las fincas, las imágenes capturadas por los drones, las métricas de cultivo, la detección de plagas o anomalías y, en general, a toda la información de la finca sin necesidad de desplazarse. De esta forma, el personal técnico puede tomar las decisiones sobre la producción de manera precisa, rápida y ágil».

Para obtener las imágenes aéreas se utiliza un dron de ala fija que, con los permisos adecuados, puede volarse a 100 metros de altura sobre las fincas.

El trabajo se centró en lechuga y apio porque su producción se realiza al aire libre y permite fácilmente la aplicación del tipo de tecnologías que han empleado: drones y visión artificial. Además, ambos son cultivos que se plantan en grandes extensiones y presentan los problemas sobre los que trabajaban.

En todo caso, «las técnicas aplicadas pueden ser adaptadas y llevadas a la práctica en otro tipo de cultivos similares (melón, coliflor, etc.)», en palabras de Félix Jesús García.

Estrategias de vuelo
Una vez finalizado el proyecto, los resultados más importantes a nivel técnico son destacados. Desde monitorización sistemática del cultivo mediante la definición de estrategias de vuelo sobre parcelas con cultivos de lechuga little-gem, lechuga romana y apio; al desarrollo de un módulo software para el alineamiento de imágenes a los patrones de cultivo. Este software permite la identificación de bancadas e hileras de cultivo y también el geoposicionamiento de las parcelas de cultivo; pasando por un módulo software para el cálculo de diversas métricas de cultivo. Entre las métricas destacan la estimación del calibre individual de cada lechuga, el número de lechugas por hilera y métricas similares para el apio; un módulo software para la detección de anomalías en el cultivo que pueden ser debidas a plagas, enfermedades, defectos en el sistema de riego, errores en el patrón de cultivo, etc.; hasta un panel de control para la planificación y toma de decisiones agrícolas en base a métricas y anomalías detectadas. Este panel integra los módulos software indicados anteriormente.

«El panel de control y los elementos de interfaz con los usuarios han sido desarrollados por la empresa AngelPlus. En nuestro grupo nos centramos en buscar soluciones a las partes que precisan de un know-how y conocimiento científico más avanzado de las tecnologías, en particular, las relativas a procesamiento de imágenes y la visión artificial», según el responsable del grupo de la Universidad de Murcia.

Asegura que «los algoritmos desarrollados deben realizarse específicamente para cada cultivo, es decir, no puede realizarse un sistema que sea solución para todo tipo de cultivos. Esto supone que las técnicas aplicadas deban adaptarse y desarrollarse en base a las características específicas del patrón de cultivo. Por ejemplo, en el proyecto las técnicas utilizadas para lechuga difieren de las de apio; incluso las aplicadas a lechuga little-gem difieren de las aplicadas a lechuga romana».

Competitividad
Ahora, con los resultados obtenidos los investigadores esperan que Finca La Carretilla mejore su rendimiento productivo, además de disminuir sus consumos de agua y fertilizantes. «Por otro lado, con el apoyo de AngelPlus esperamos que esta solución sea implantada en otras empresas agrícolas de la Región de Murcia y así conseguir unas empresas más competitivas y sostenibles en el sector agroalimentario».

Además de Finca La Carretilla, participa la empresa tecnológica AngelPlus y la empresa de servicios técnicos agronómicos Neurona Ingenieros.

Expertos en visión artificial
El grupo de investigación Computación Móvil y Visión Artificial de la Universidad de Murcia cuenta con una amplia experiencia en materia de visión artificial aplicada. De hecho, tiene proyectos donde aplica la visión artificial para el seguimiento de personas y activos móviles, control de producción en líneas manufactureras y seguimiento de cultivos en invernaderos.

Se trata de un grupo multidisciplinar formado por todos los profesores responsables de impartir docencia en visión artificial y procesamiento de imágenes en la Facultad de Informática de la Universidad de Murcia, pero también con profesores con experiencia en proyectos aplicados de inteligencia artificial, automatización industrial, localización en interiores y ciberseguridad.

Asimismo están comprometidos con la transferencia de nuestros conocimientos a la sociedad y, en particular, a las empresas de la Región de Murcia. Así lo demuestra el hecho de que hayan participado en siete proyectos financiados por el CDTI en los últimos años y la creación de una Empresa de Base Tecnológica (EBT) denominada Bleecker Technologies (bleecker.tech) a finales del año 2019.

En este momento se encuentra en proceso de creación de la Cátedra Universitaria en Industria Inteligente para impulsar la transferencia y los proyectos colaborativos Universidad-Empresa.

Leer más

Existen presiones económicas en curso en la agricultura de producción para aumentar el rendimiento de los cultivos. Sin embargo, la producción de alto rendimiento de grano tiene el costo de aplicar cantidades significativas de diversos insumos agrícolas, es decir, nutrientes, pesticidas e irrigación. En los sistemas agrícolas tradicionales, los productores intentan aplicar estos insumos a una tasa uniforme en un campo determinado. Sin embargo, debido a la variabilidad espacial inherente en los campos, no todas las áreas pueden requerir los mismos niveles de entrada. Aunque la variabilidad espacial y temporal de los factores limitantes del rendimiento discutidos anteriormente ha sido reconocida durante mucho tiempo (Rennie y Clayton, 1960; Malo y Worcester, 1975; Robert et al., 1990), los agricultores continuaron manejando sus campos de manera uniforme porque carecían de la tecnología para gestionar la variabilidad.
Presentación de la conferencia
Reproduce el video
Mostrar transcripción
Agricultura de precisión: una introducción y desafíos para la adopción
Existen presiones económicas en curso en la agricultura de producción para aumentar el rendimiento de los cultivos. Sin embargo, la producción de alto rendimiento de grano tiene el costo de aplicar cantidades significativas de diversos insumos agrícolas, es decir, nutrientes, pesticidas e irrigación. En los sistemas agrícolas tradicionales, los productores intentan aplicar estos insumos a una tasa uniforme en un campo determinado. Sin embargo, debido a la variabilidad espacial inherente en los campos, no todas las áreas pueden requerir los mismos niveles de entrada. Aunque la variabilidad espacial y temporal de los factores limitantes del rendimiento discutidos anteriormente se ha reconocido durante mucho tiempo ( Rennie y Clayton, 1960 ; Malo y Worcester, 1975; Robert et al., 1990), los agricultores continuaron manejando sus campos de manera uniforme porque carecían de la tecnología para manejar la variabilidad. Con la introducción de nuevas tecnologías de agricultura de precisión, como los sistemas de posicionamiento global (GPS), los sistemas de información geográfica (GIS), la teledetección y la tecnología de aplicación de tasa variable (VRT), los agricultores ahora tienen la capacidad de administrar el sitio de sus campos específicamente.

A medida que más productores conocen la tecnología de la agricultura de precisión, se preguntan cómo la agricultura de precisión puede mejorar su productividad y rentabilidad. La industria promueve la aplicación de fertilizantes de dosis variable como una forma de aumentar la eficiencia y mejorar la producción. Desde el punto de vista ambiental, parece correcto variar la cantidad de fertilizante en relación con las necesidades del cultivo ( Verhagen et al., 1995 ); sin embargo, esto no atraerá a los agricultores a menos que se pueda demostrar la ganancia económica de VRT.

Los productores tienen experiencia limitada con esta nueva tecnología y equipo y necesitan información imparcial para determinar si VRT es una opción factible para sus operaciones agrícolas individuales. Los objetivos de este Libro Blanco son revisar los desafíos que enfrenta la agricultura de precisión y presentar nuevas herramientas para abordar estos desafíos y permitir que los agricultores utilicen mejor estas soluciones efectivas para los altos costos de fertilizantes y los bajos precios de los productos básicos.

Aplicación de tasa variable: mapas de prescripción y muestreo de suelo en cuadrícula
Los estudios a nivel de campo han demostrado que el C orgánico, el N total y el NO 3 -N tienen dependencia y variación espacial ( Cambardella et al., 1994 ). Usando la relación de pepita a la semi varianza total para clasificar la dependencia espacial, el C orgánico, el N total y el NO 3 -N fueron fuertemente dependientes espacialmente. Otros estudios han concluido que la absorción de N y la respuesta de los cultivos al N varía espacialmente dentro de los campos ( Malzer, 1996 ; Dampney y Goodlass, 1997 ). Welsh y col. (1999) informaron aumentos significativos en el rendimiento en los que se aplicó un 30% más de N adicional a partes del campo históricamente más productivas. Kachanoski y col. (1996)demostraron que los niveles óptimos de fertilización con N tienen variabilidad espacial. El aumento de rendimiento máximo y el aumento de rendimiento económico sobre el rendimiento de control sin N aplicado se correlacionaron fuertemente con el rendimiento económico espacialmente óptimo de N (r = 0,70 a 0,88). Las tecnologías de aplicación de dosis variable permiten a los agricultores ajustar las dosis de N para reflejar estas variaciones.

Los mapas de prescripción precisos son esenciales para la aplicación efectiva de fertilizantes VRT N ( Sawyer, 1994 ; Ferguson et al., 1996 ). El muestreo de suelo en cuadrícula se ha utilizado con mayor frecuencia para desarrollar estos mapas de prescripción ( Mueller et al., 2001 ). Investigaciones anteriores han indicado varias limitaciones técnicas y económicas asociadas con este enfoque. Es necesario mantener el número de muestras al mínimo y, al mismo tiempo, permitir un nivel razonable de calidad del mapa.

Sin embargo, Gotway et al. (1996) encontraron que la densidad de red óptima puede depender del coeficiente de variación. En muchos casos, donde la distribución espacial es bastante compleja, se requieren densidades de cuadrícula mucho más finas que las que se utilizan actualmente comercialmente para producir mapas de prescripción precisos. Mueller y col. (2001) indicaron que una escala de muestreo de cuadrícula comercial común de 100 m era extremadamente inadecuada y que el muestreo a intensidades mayores solo mejoró modestamente la precisión de la predicción, lo que no justificaría el aumento en el costo de muestreo. Sus datos sugieren que el uso de los valores de fertilidad promedio de campo en su campo de investigación no fue sustancialmente peor que el muestreo de cuadrícula. Schloeder y col. (2001)demostraron que la interpolación espacial de datos muestreados en cuadrículas con un tamaño de muestra limitado (n = 46) era en su mayoría inapropiada. Para la mayoría de sus conjuntos de datos, la incapacidad de predecir podría atribuirse a datos espacialmente independientes, datos limitados, espaciado de muestra, valores extremos o comportamiento errático. Whelan y col. (1996) informaron que en campos con menos de 100 muestras solo son apropiados métodos geoestadísticos muy simples, como la distancia inversa. Se necesitan tamaños de muestra de 100 a 500 para métodos geoestadísticos como el kriging. Kravchenko y Bullock, (1998)estudió varias técnicas de interpolación, como kriging ordinario, kriging lognormal y ponderación de distancia inversa, y descubrió que los mejores métodos geoestadísticos a utilizar dependían de propiedades espaciales únicas en cada campo y no podían predecirse por adelantado. McBratney y Pringle, (1999) informaron que el muestreo en cuadrícula de 20 a 30 m generalmente es necesario cuando se aplica un manejo específico del sitio a una resolución de 20 por 20 m.

Como puede verse, ningún tamaño de cuadrícula o técnica de interpolación describe adecuadamente la variabilidad que existe en campos de una población diversa. Si no se toman muestras con una resolución lo suficientemente fina como para capturar la correlación espacial en los datos de nutrientes de los cultivos, los métodos de interpolación y los mapas de aplicación desarrollados a partir de esos métodos no serán válidos ni precisos ( Reich, 2000 ). Sin embargo, el costo asociado con el muestreo de cuadrícula a la intensidad requerida para mapas precisos será prohibitivo en muchos casos.

La implementación de una gestión agrícola y ambiental sostenible requiere una mejor comprensión del suelo a escalas cada vez más finas para la agricultura de precisión (Adamchuk et al. 2010). El muestreo de suelo convencional y los análisis de laboratorio no pueden proporcionar esta información porque requieren mucho tiempo y son costosos. La teledetección del suelo puede superar estas deficiencias porque las técnicas facilitan la recopilación de grandes cantidades de datos espaciales utilizando técnicas más baratas, sencillas y menos laboriosas. La espectroscopia de reflectancia difusa que utiliza energías del infrarrojo cercano visible (vis-NIR) y del infrarrojo medio (IR medio) puede utilizarse para estimar el carbono orgánico del suelo (OC) y la composición de nutrientes del suelo (Stenberg et al. 2010). Estos sensores miden la cantidad de luz que se refleja difusamente del suelo después de que la radiación que contiene todas las frecuencias correspondientes lo ilumina. Los valores de los parámetros no se pueden descifrar directamente de los espectros vis-NIR o mid-IR. Para que sean útiles cuantitativamente, los espectros deben estar relacionados exactamente con un conjunto de muestras de referencia conocidas mediante la calibración de un modelo de predicción, y estas muestras de referencia deben ser representativas del rango de suelos para el que está destinado el modelo. Algunas de las inexactitudes de las calibraciones pueden deberse a la falta de características de absorción suficientes, particularmente en el vis-NIR, y a la gran diversidad de tipos de suelo en los conjuntos de calibración. Al explicarlos e identificarlos, lograremos la máxima capacidad de generalización para la calibración de una propiedad particular del suelo.

Mejores herramientas para VRT: detección remota del suelo
Debido a las limitaciones técnicas y económicas asociadas con el muestreo del suelo de la red descritas anteriormente, se necesitan mejores herramientas para realizar plenamente el potencial que las tecnologías VRT pueden proporcionar. El programa de Persistence Data Mining utiliza sensores remotos del suelo para proporcionar las nuevas y poderosas herramientas necesarias para mejorar la adopción de la agricultura de precisión en la actualidad.

La teledetección es una tecnología que se puede utilizar para obtener varias capas espaciales de información sobre las condiciones del suelo y los cultivos (Adamchuk et al., 2003). Permite la detección y / o caracterización de un objeto, serie de objetos o paisaje sin contacto físico. Normalmente, la detección remota se lleva a cabo colocando un sensor sobre el objeto (objetivo) que se está observando. Las plataformas que soportan los sensores varían, dependiendo de la altitud sobre el objetivo. Hoy en día se utilizan tres plataformas de observación principales para recopilar datos de teledetección: basados ​​en UAV, basados ​​en aviones y basados ​​en satélites. Los sensores terrestres también se han utilizado para determinadas aplicaciones y estudios de investigación específicos.

Los sensores comúnmente utilizados para la teledetección son parte de sistemas pasivos o activos. Los sistemas activos, como el radar, suministran su propia fuente de energía para iluminar las superficies de los objetivos. Los sistemas pasivos, como una cámara fotográfica común, detectan la energía solar reflejada. Aunque se han desarrollado varios conceptos que involucran sistemas activos a nivel de investigación, principalmente los sistemas pasivos se utilizan en aplicaciones comerciales relacionadas con la gestión de sitios específicos.

Durante la última mitad del siglo, la instrumentación de teledetección pasó de sistemas ópticos simples a sensores digitales complejos, lo que permitió un escaneo rápido y de alta calidad de la superficie de la Tierra. Se han desarrollado algoritmos de computación para procesar datos de teledetección y producir diferentes tipos de imágenes. Las resoluciones espaciales, espectrales y temporales son las principales características de cualquier sistema de teledetección.

La resolución espacial se refiere al área más pequeña (píxel) que se puede distinguir en la imagen. Cada píxel se convierte en un punto de datos. Al igual que con la fotografía, la distancia entre el sensor y el objetivo, así como el ángulo de visión, define el campo de visión (es decir, el tamaño del área representada por una sola imagen o escaneo). La mayoría de las imágenes y los conjuntos de datos utilizados en la gestión de un sitio específico tienen resoluciones espaciales que van desde menos de 1 metro hasta 20 metros o más. El tamaño de píxel más pequeño suele ser más caro y requiere más espacio de almacenamiento y potencia de cálculo.

La resolución espectral define la capacidad del sistema para diferenciar entre niveles de radiación electromagnética en diferentes longitudes de onda (porciones del espectro). El número de porciones detectadas del espectro (bandas) y su ancho también caracterizan la resolución espectral del sistema. Algunos sensores (especialmente fotográficos) producen solo imágenes infrarrojas en color, en blanco y negro o en color, mientras que otros permiten registrar respuestas multiespectrales (normalmente menos de 10) o hiperespectrales (pueden ser más de cien). Las imágenes pancromáticas también se pueden utilizar para representar la reflectancia total combinada de bandas visuales e infrarrojas cercanas

Especificaciones de detección remota del suelo
La plataforma Persistence Data Minings utiliza imágenes hiperespectrales de detección remota para mapear nitrógeno, fósforo, potasio, materia orgánica y pH con un sensor remoto constantemente calibrado. La tecnología crea inicialmente un mapa de índice elemental de diferencia normalizada (NDEI) a partir de las imágenes. El NDEI relaciona la reflectancia en la región del infrarrojo cercano (NIR) y

infrarrojo de onda corta (SWIR) para determinar la concentración de nitrógeno total, fósforo, potasio, materia orgánica y pH. Luego, se desarrolla un mapa de potencial de rendimiento espacial a partir de los datos del NDEI. Las imágenes del suelo obtenidas por teledetección pueden ofrecer una alternativa atractiva al uso de métodos estándar de muestreo del suelo. Los mapas de prescripción de detección remota no se ven afectados por las imprecisiones inherentes al procesamiento de laboratorio químico húmedo. En las pruebas de campo, reduce la respiración del suelo, lo que cambia la composición química en el transporte y procesamiento. El análisis de correlación muestra una reducción significativa en el error del usuario en relación con el cuidado de las muestras y la metodología de toma de muestras. Los datos de imágenes permiten la uniformidad del muestreo en todos los tipos de suelo y texturas en un proceso de labranza posterior. Las ecuaciones de regresión derivadas que se utilizan para estimar las concentraciones de nutrientes del suelo también tendrán el potencial de predecir los micronutrientes para aplicaciones de fertilizantes más precisas. Ferguson y col. (2004) sugieren que caracterizar con precisión el potencial de rendimiento dentro de un campo y, por lo tanto, la demanda espacial de N es necesaria para el manejo de N específico del sitio.

Minería de datos de persistencia, recomendaciones espaciales de N, P, K y el futuro
A partir de los datos de sensores remotos del suelo, Persistence Data Mining desarrolla mapas de aplicación de nitrógeno (N), fósforo (P) y potasio (K) de tasa variable. El usuario ingresa las ecuaciones de recomendación N, P y K apropiadas para su área.

Se pueden lograr ahorros en fertilizantes de $ 15.00 a $ 40.00 + por acre utilizando este sistema, así como aumentos de rendimiento del 10 al 13 por ciento. El sistema también es ambientalmente efectivo para reducir la aplicación excesiva de fertilizantes que conduce a la escorrentía y la lixiviación al agua subterránea. Mediante la combinación de un conjunto eficaz de procedimientos bien investigados y documentados, Persistence Data Mining ha desarrollado un sistema de gestión de fertilizantes líder en la industria que puede comenzar a utilizar plenamente el vasto potencial de VRT.

La mercantilización en el sector minorista agrícola está creando un entorno cada vez más plano, la oportunidad de reemplazar los débiles márgenes netos que generan las materias primas con sistemas creativos de valor agregado como Persistence Data Mining con sólidos márgenes netos es prometedora. Una forma en que las empresas pueden tener éxito en un entorno plano es capacitando a sus clientes con tecnologías eficaces. Aquellos que pueden crear valor a través del liderazgo, la colaboración y la creatividad transformarán la industria y fortalecerán sus relaciones con sus clientes existentes. Los últimos veinticinco años en tecnología han sido solo el acto de calentamiento, ahora vamos a entrar en el evento principal, una era en la que la tecnología transformará todos los aspectos de los negocios, todos los aspectos de la vida y todos los aspectos de la sociedad (TL Friedman , 2015).

Leer más

El Yara N-Sensor es un sensor de nitrógeno de tasa variable en tiempo real que permite a los agricultores medir el requerimiento de nitrógeno del cultivo a medida que el esparcidor de fertilizante pasa por el campo y ajusta de manera variable la tasa de aplicación de fertilizante en consecuencia.

N-Sensor asegura que se aplique la dosis correcta y óptima de fertilizante en cada parte individual del campo. Se ha convertido en la tecnología de referencia para la agricultura de precisión.

N-Sensor: detección remota montada en tractor
La fertilización específica del lugar es uno de los principales objetivos de la agricultura de precisión. La aplicación de dosis variable requiere herramientas precisas y eficientes para determinar la demanda real de nutrientes. Las técnicas de teledetección ofrecen la oportunidad de entregar esta información de forma rápida, precisa y rentable. El N-Sensor se ha desarrollado para determinar el estado del nitrógeno del cultivo midiendo las propiedades de reflectancia de la luz de las copas de los cultivos y para permitir una fertilización de tasa variable «sobre la marcha».

Ventajas del uso del sensor N
Lleve la dosis óptima de fertilizante en cada parte del campo
Mejorar el potencial de cultivo en todo el campo
Incrementar la eficiencia de los fertilizantes
Disminuir los residuos de nitrógeno en los suelos después de la cosecha.
Incrementar el rendimiento
La calidad es más homogénea
Reducir el tiempo y el costo de la cosecha
Reducir el riesgo de pérdidas de nitrógeno al medio ambiente.
¿Cómo funciona N-Sensor?
El N-Sensor determina una demanda de nitrógeno midiendo la reflectancia de la luz del cultivo cubriendo un área total de aproximadamente 50m2. Las mediciones se toman cada segundo con el sistema diseñado para operar a velocidades normales de trabajo y todos los anchos de combate. La tecnología de detección aplicada a la agricultura se basa en la curva de reflectancia de luz típica de la vegetación. N-Sensor mide la reflectancia de la luz en bandas de ondas específicas relacionadas con el contenido de clorofila y la biomasa del cultivo. Calcula la absorción real de N del cultivo. Las dosis de aplicación óptimas se derivan de los datos de absorción de N y se envían al controlador del esparcidor o pulverizador de dosis variable, que ajustará las dosis de fertilizante en consecuencia.

Todo el proceso para determinar el requerimiento de nitrógeno del cultivo y la aplicación de la dosis correcta de fertilizante ocurre instantáneamente, sin demora. Esto permite que sea posible la “agronomía en tiempo real”.

Desarrollo de N-Sensor
Tras el desarrollo coordinado por el Centro de Investigación y Desarrollo de Yara, Hanninghof en Alemania, el primer N-Sensor (Clásico) se introdujo en 1999 para su uso en cereales.

Trabajar para desarrollar el N-Sensor para mantenerse al día con los cambios en la producción de cereales, así como para su uso en una gama más amplia de cultivos, ha sido una parte continua del Programa de I + D de Yara. Se han realizado más de 250 ensayos entre 1997 y 2010 para perfeccionar su desempeño y agregar nuevos programas como las calibraciones Absolute-N para colza.

N-Sensor y N-Sensor ALS: dos sistemas, una filosofía
En 2006, Yara lanzó el nuevo N-Sensor ALS (fuente de luz activa), que funciona de manera similar al clásico N-Sensor para determinar la demanda de nitrógeno de un cultivo midiendo la reflectancia de la luz del cultivo. Ambos sistemas hacen uso de los mismos algoritmos agronómicos basados ​​en ensayos de campo para una fertilización óptima en un sitio específico y ambos están conectados a una terminal de vehículos donde se almacenan los datos de cultivos y GPS para su procesamiento.

La principal diferencia entre los dos N-Sensors es que el sensor ALS tiene su propia fuente de luz incorporada. En lugar de utilizar la luz del día para la medición, el N-Sensor ALS emite constantemente su propia fuente de luz al cultivo, utiliza lámparas de flash de xenón y registra la reflectancia. Esto permite el funcionamiento del N-Sensor ALS independientemente de las condiciones de luz ambiental, incluso de noche.

Logros
El N Sensor ALS recibió la medalla de oro RASE en 2008
Los rendimientos de cereales aumentaron en un 3,5% cuando se utilizó la misma intensidad de fertilizante
Los rendimientos de semillas oleaginosas aumentaron un 3,9% a través de la calibración Absolute-N
Se han registrado ahorros de nitrógeno de hasta un 14% donde se utilizó el sensor de N
Los aumentos en la eficiencia del uso de nitrógeno han reducido la huella de carbono en un 10-30%
El rendimiento de la cosechadora se incrementó en un 12-20% debido a un alojamiento reducido, menores pérdidas y velocidades de admisión más rápidas.
Los niveles de proteína en los cultivos de cereales mostraron una mayor consistencia con un promedio de 0,2-0,5% por encima del objetivo
Una reducción del 80% en las tasas de alojamiento (en comparación con cultivos donde se aplicó nitrógeno bajo prácticas convencionales)

Leer más