Autor: rjcastillolopez

El tema común en todas las discusiones de la semana pasada fueron los datos agrícolas, cuáles son las expectativas de todos, cómo las partes interesadas de la industria sienten que se deben utilizar los datos agrícolas en el futuro y cuál es la próxima frontera para que los datos agrícolas brinden más valor a los productores y a todos sus socios comerciales.

Si bien la transformación digital de la agricultura ha estado en marcha durante varios años, muchos productores, agrónomos y minoristas agrícolas me dijeron que sienten que todavía están atrapados en la primera fase de la transformación digital: la recopilación de datos. Y, aunque la recopilación de datos es una parte integral del proceso, no es hasta que este proceso está funcionando y el componente de almacenamiento de datos (segunda fase) está en su lugar que puede comenzar la gratificante tercera fase: la utilización de datos.

Comunidad de datos independiente

La principal razón por la que las personas con las que hablé aún no habían avanzado en el proceso es que sienten que es difícil encontrar un lugar en el que se sientan cómodos almacenando sus datos y donde puedan usar estos datos para sus propios fines. beneficio. Los datos en este caso pueden ser cualquier cosa, como datos de maquinaria, datos de dispositivos IOT, datos agronómicos, datos financieros, datos de gestión de cultivos, etc. Entonces, mi siguiente pregunta natural fue: “¿Qué se necesita para que se sienta cómodo con un proveedor? que ofrece almacenamiento de datos? » y las respuestas estaban sorprendentemente alineadas.

Independiente
La principal preocupación, especialmente para los productores, era quién era el propietario de la plataforma en la que almacenan sus datos. Incluso si se sabe que siguen siendo propietarios de sus propios datos y la plataforma establece explícitamente que el propietario de la plataforma o cualquier otro tercero no puede utilizar los datos sin el consentimiento del productor, parece haber una aprensión muy fuerte entre los productores.

Creo que ya hemos visto esto en el mercado hasta cierto punto, solo tome la controversia Tillable-Climate a principios de este año, por ejemplo, donde se dijo que no se compartieron datos sin consentimiento, pero la asociación aún tenía que disolverse. debido a la presión en las redes sociales.

También se ha producido una gran consolidación en la industria de la tecnología agrícola en los últimos años y, como me dijo un productor: «¿Por qué me molestaría en almacenar mis datos en una plataforma en la que confío, si pueden romperse mañana o, peor aún, repentinamente propiedad de Big Ag, un gran banco o cualquier cantidad de otras partes que no quiero que sean propietarias de mis datos «.

La independencia de las plataformas de datos, al parecer, sigue siendo una de las consideraciones más importantes para la mayoría de los agricultores y es probable que siga siendo importante durante muchos años.

Comunidad de datos
Una gran parte de los productores con los que hablé, así como sus agrónomos y minoristas agrícolas, también me dijeron que sienten que no pueden obtener suficientes beneficios de sus datos agrícolas. Pueden usarlo, en silos aislados, para parte del proceso de toma de decisiones en la granja, pero quieren extender aún más estos beneficios. Algunos me dijeron que no entienden por qué pueden capturar información en el campo digitalmente, pero luego no pueden compartirla fácilmente con sus socios agrícolas, como aseguradoras, compradores de granos, bancos, procesadores y otros.

Para ser claros: estos productores quieren estar 100% a cargo de sus datos, pero quieren ser parte de una “comunidad de datos” donde puedan compartir datos fácilmente con sus socios agrícolas cuando así lo deseen. O, como me dijo un gerente general agrícola minorista: “Cuando los datos agrícolas ya existen en forma digital, ¿por qué es tan difícil dejar que partes específicas de estos datos fluyan hacia el socio comercial de un productor cuando así lo desean? ¡Necesitamos más plomería! »

En general, los puntos expuestos en estas discusiones fueron interesantes, pero no sorprendentes. Todos los involucrados en la agricultura quieren ser parte de una comunidad de datos segura e independiente donde puedan almacenar todos sus datos, donde estén firmemente a cargo de sus datos y donde puedan compartir sin problemas partes de sus datos cuando así lo deseen. , con quien quiera. Simple, ¿verdad?

Leer más

El sector de la producción ecológica es un sector especialmente concienciado con la sostenibilidad como principio para la producción de alimentos mediante técnicas respetuosas con el medio ambiente. No son solo los agricultores y elaboradores los que valoran la sostenibilidad porque puedan ver limitada su capacidad de producción y elaboración por falta de recursos hídricos, sino que son los consumidores de productos ecológicos los que valoran especialmente la sostenibilidad de los procesos empleados para obtener los productos alimentarios. La gestión del agua es uno de los aspectos que más preocupan en producción ecológica debido a que junto con el suelo es uno de los recursos más limitantes para la producción agrícola.
foto
El sector ecológico es consciente de la creciente demanda de información medioambiental sobre los productos agroalimentarios y del esfuerzo que los productores ecológicos hacen por mejorar la sostenibilidad hídrica de sus explotaciones, sin que por ello tengan ningún reconocimiento ni diferenciación. De ahí la necesidad de dotar al sector de una herramienta para maximizar la eficiencia del uso del agua en los cultivos ecológicos y que combinada con el uso del, indicador estandarizado del uso del agua, Huella del Agua, calculada según la norma ISO 14046, permita transmitir de forma transparente la trazabilidad del uso del agua en explotaciones agrícolas ecológicas, dotando así a los agricultores de la diferenciación en el mercado que necesitan y fomentando el uso sostenible del agua.
foto
Será por tanto, imprescindible una buena gestión de los recursos, y para ello será necesario el uso de las tecnologías de la información y la comunicación (TiC’s), que son fundamentales para poder implementar riegos de precisión, que permitan realizar una programación óptima de los riegos, aplicando al cultivo la cantidad de agua de agua que realmente necesita en el momento oportuno, teniendo en cuenta todas las particularidades de su producción en cada finca (suelo, plantación, características red de riego, climatología).

Leer más

Monitores de rendimiento: una de las fuentes pioneras de PA
Los monitores de rendimiento han estado disponibles desde principios de la década de 1990. Han sido clave en el desarrollo de la agricultura de precisión porque fueron uno de los primeros medios para definir, cuantificar y caracterizar la variabilidad dentro del campo en la producción de cultivos.

Figura 1. Mapa de rendimiento que muestra la variabilidad espacial del rendimiento dentro del campo

Estos monitores están montados en cosechadoras y miden en tiempo real la cantidad de grano que pasa a través de la cosechadora cuando se está recolectando la cosecha. Tenga en cuenta que el tipo de medición de rendimiento que se realiza depende de la ubicación de estos sensores dentro de la máquina. Cuando la cosechadora pasa por el campo, la cosecha (tallos y granos) se corta al nivel del cabezal y fluye en la cosechadora a través del transportador de alimentación. Los sistemas de trilla luego separan los granos de los tallos. Los granos se limpian con el ventilador y las mesas de cribado y se abren camino hasta el tanque de almacenamiento, la tolva, que fluye a través del canal del sinfín de granos y el elevador de granos. Los tallos se rechazan de la cosechadora.

Figura 2. Diagrama de una cosechadora convencional (Fuente: Wikipédia).

Adquisición de datos de rendimiento dentro del campo: cosechadoras combinadas y monitores de rendimiento
Los monitores de rendimiento generalmente se instalan cerca del elevador de granos (Figura 3). Generalmente se reportan dos sistemas principales: los caudalímetros volumétricos (Figura 3, a, b) y los caudalímetros másicos (Figura 3, c, d, e, f) [Berducat, 2000; Chung et al., 2017].

Los sensores de flujo de volumen estiman el volumen de grano ya sea en una rueda de paletas situada justo después del elevador de granos (Figura 3, a) o directamente dentro del elevador de granos usando una barrera de luz unidireccional (Figura 3, b). En el primer caso, un sensor de nivel mide el nivel de grano que fluye a través de la rueda. En el segundo caso, el volumen de grano se estima por la duración de la interrupción de la luz mientras el grano fluye a través del elevador de granos. A continuación, los volúmenes de grano se convierten en masa de grano utilizando el peso específico del grano.
Los sensores de flujo másico se basan en el principio de medición de la fuerza (Figura 3, d, e, f) o en la absorción de rayos gamma por masa (Figura 3, c) (Kormann et al., 1998). En el primer caso, el peso del grano se estima mediante un transductor de fuerza que mide la fuerza de impacto del grano al final del elevador de grano. En el segundo caso, un detector de radiación mide la absorción de rayos gamma (emitidos por la fuente de iones de radiación) por el grano, que luego se utiliza para estimar el peso del grano.

Figura 3. Monitores de rendimiento: sensores de flujo de masa y volumen (fuente: Kormann et al., 1998)

Todos los sistemas de la cosechadora que entran en juego para calcular el rendimiento del cultivo se muestran en la Figura 4. Los sensores de humedad se utilizan para proporcionar un registro de rendimiento a un nivel de humedad de referencia. Estos sensores generalmente se colocan cerca del sinfín de granos o del elevador de granos para estimar la humedad del grano usando las propiedades dieléctricas del grano cosechado. Tenga en cuenta que los sistemas de posicionamiento permiten asociar una ubicación en el espacio para producir registros y, en consecuencia, permiten generar mapas de rendimiento.

Figura 4. Tecnologías de mapeo de rendimiento dentro de una cosechadora (fuente: Kormann et al., 1998; Chung et al., 2017)

Características de los datos dentro del campo
La adquisición de datos de rendimiento dentro del campo puede entenderse como un procedimiento secuencial a través del tiempo durante el cual una cosechadora adquiere información espacial de rendimiento. El proceso de recopilación de datos sigue una dinámica temporal, es decir, las observaciones se registran en un orden específico una a la vez a medida que la máquina pasa por el campo (Figura 5). La máquina puede ser modelada simplemente por un elemento estructurador que se mueve por el campo, es decir, un rectángulo cuyas dimensiones están definidas por las características de la cosechadora y los sensores integrados asociados (monitor de rendimiento en este caso). Las mediciones de rendimiento sobre la marcha son observaciones puntuales y cada punto sintetiza la respuesta de rendimiento sobre el elemento estructurante correspondiente. La resolución espacial de rendimiento está controlada por la distancia entre registros consecutivos y determinada por la distancia entre pasadas adyacentes de la máquina. La distancia espacial entre observaciones consecutivas está relacionada con la velocidad de la máquina y la frecuencia de muestreo del sensor. En un campo dado, esta frecuencia de adquisición es generalmente estable, lo que significa que la distancia entre registros consecutivos solo depende de la velocidad de desplazamiento de la cosechadora. Por otro lado, cuando una cosechadora con un monitor de rendimiento de grano a bordo pasa por un campo, la distancia entre pasadas adyacentes está relacionada con el ancho de la barra de corte porque todo el campo tiene que ser cosechado. La distancia espacial entre observaciones consecutivas está relacionada con la velocidad de la máquina y la frecuencia de muestreo del sensor. En un campo dado, esta frecuencia de adquisición es generalmente estable, lo que significa que la distancia entre registros consecutivos solo depende de la velocidad de desplazamiento de la cosechadora. Por otro lado, cuando una cosechadora con un monitor de rendimiento de grano a bordo pasa por un campo, la distancia entre pasadas adyacentes está relacionada con el ancho de la barra de corte porque todo el campo tiene que ser cosechado. La distancia espacial entre observaciones consecutivas está relacionada con la velocidad de la máquina y la frecuencia de muestreo del sensor. En un campo dado, esta frecuencia de adquisición es generalmente estable, lo que significa que la distancia entre registros consecutivos solo depende de la velocidad de desplazamiento de la cosechadora. Por otro lado, cuando una cosechadora con un monitor de rendimiento de grano a bordo pasa por un campo, la distancia entre pasadas adyacentes está relacionada con el ancho de la barra de corte porque todo el campo tiene que ser cosechado.

Figura 5. Adquisición de datos de rendimiento dentro del campo (puntos azules) con una cosechadora (fuente: Leroux et al., 2018a)

Por lo tanto, estas observaciones están distribuidas irregularmente en el espacio porque

las distancias entre filas y entre filas son diferentes y
(ii) las condiciones de adquisición, como la precisión del GNSS o la velocidad de combinación variable, pueden afectar la distribución espacial de las observaciones, y
(iii) pueden faltar algunas observaciones (pérdida de la señal de posicionamiento, tarjeta de memoria llena).
La información de rendimiento también es muy densa (miles de puntos por hectárea) y muy ruidosa debido al error estocástico en la operación del sensor, la variabilidad local intrínseca en la producción y los errores asociados con el paso de la cosechadora por el campo (Simbahan et al., 2004). ; Sudduth y Drummond, 2007). Sin embargo, los datos de rendimiento dentro del campo generalmente exhiben una estructura espacial bastante fuerte, es decir, las observaciones espaciales están bien estructuradas dentro de los campos y los patrones espaciales de rendimiento son claramente visibles (Pringle et al., 2003). Como la mayoría de los cultivos herbáceos deben recolectarse cada año, es probable que estén disponibles bases de datos históricas de mapas de rendimiento en muchos sistemas arables. Sin embargo,

Disposición y usos
En la comunidad científica de agricultura de precisión, los datos de rendimiento se utilizan generalmente para (i) cuantificar y caracterizar la variabilidad dentro del campo, (ii) correlacionar el rendimiento con una variable auxiliar y (iii) validar la idoneidad de una aplicación de modulación. Y debe decirse que no es muy complicado encontrar investigaciones que utilicen estos datos de rendimiento dentro del campo en algún momento. Sin embargo, un reciente estudio de mapeo científico (una especie de mapa mental) también mostró que el interés de la comunidad científica de agricultura de precisión en los mapas de rendimiento había disminuido entre los períodos 2000-2009 y 2010-2016 (Pallottino et al., 2017).

Cuando uno está interesado en el uso de sensores de rendimiento en el campo, es otra cuestión… Ya casi no hay estadísticas para Francia (por eso el observatorio francés de usos digitales en Francia pronto publicará una infografía sobre el tema). No obstante, se pueden encontrar estadísticas más o menos recientes de varios países, además de Francia, en informes técnicos y bibliografía científica. ¡Los invito a tomar estas estadísticas en retrospectiva!

En primer lugar, debemos tener claro el hecho de que estas tendencias en el uso varían mucho entre países (y en ocasiones incluso regiones) y las culturas que se monitorean. Los agricultores estadounidenses pueden haber sido los primeros usuarios en involucrarse en tales tecnologías de mapeo de rendimiento (Griffin et al., 2004; Fountas et al., 2005). Estos autores han informado que, en 2005, alrededor del 90% de los monitores de rendimiento en el mundo estaban en los EE. UU. Griffin y Erickson (2009) también han proporcionado algunas tasas de adopción de una Encuesta de gestión de recursos agrícolas. Según el estudio y los datos disponibles, el 28% de los acres plantados con maíz de EE. UU. (En 2005), el 10% del trigo de invierno (en 2004) y el 22% de la soja (en 2002) se cosecharon con una cosechadora equipada con un monitor de rendimiento. Norwood y Fulton (2009) han concluido en su estudio que el 32% de los agricultores de EE. UU. Usaban sistemas de monitoreo de rendimiento. La Figura 6 muestra los resultados de otro estudio que investiga la adopción de sistemas de mapeo de rendimiento por cultivo en Estados Unidos (Schimmelpfennig, 2016). Incluso si las estimaciones no son exactamente las mismas, las tendencias pueden considerarse similares. Con respecto a los cultivos investigados, claramente parece que la producción de cultivos como el maíz, la soja y el trigo ha sido seguida cada vez más por los agricultores desde principios de la década de 2000 a través de tecnologías de mapeo de rendimiento. Dadas las tendencias observadas, se debería esperar que la adopción en campañas más recientes (2017, 2018) sea nuevamente mayor. Un estudio más reciente también señaló el hecho de que las granjas de arroz en EE. UU. Habían adoptado en gran medida tecnologías de monitoreo de rendimiento,

Figura 6. Adopción de tecnologías de mapeo de rendimiento por cultivo en Estados Unidos

Las tasas de adopción de tecnologías de mapeo de rendimiento no se informan tan ampliamente en otros países, pero algunos estudios nacionales pretendían proporcionar algunas cifras detalladas. Según el Departamento de Medio Ambiente, Alimentación y Asuntos Rurales, los agricultores ingleses han experimentado un pequeño aumento en la adopción de mapas de rendimiento del 7 al 11% entre 2009 y 2012 (DEFRA, 2013). En Australia, McCallum y Sargent (2008) han informado de una tasa de adopción muy baja de tecnologías de mapeo de rendimiento (menos del 1%). Dentro del mismo país, se estimó que se habían utilizado alrededor de 800 monitores de rendimiento en el año de cosecha 2000 (Mondal & Basu, 2009). Fountas y col. (2005) han evaluado que alrededor de 400 agricultores daneses, 400 británicos, 300 suecos y 200 alemanes habían adoptado monitores de rendimiento para el año 2000. También se han informado tecnologías de mapeo de rendimiento en países en desarrollo (Say et al., 2017). En Argentina, Mondal y Basu (2009) informaron que alrededor del 4% del área de granos y semillas oleaginosas se había cosechado mediante cosechadoras con monitores de rendimiento en 2001 (se estaban utilizando 560 monitores de rendimiento). Según Keskin y Sekerli (2016), alrededor de 500 cosechadoras combinadas (3% en todo el país) están equipadas con sistemas de monitoreo de rendimiento en granjas de Turquía. Akdemir (2016) proporcionó una menor tasa de adopción de tecnologías de mapeo de rendimiento (310 cosechadoras en lugar de 500) en el mismo país. Según Keskin y Sekerli (2016), alrededor de 500 cosechadoras combinadas (3% en todo el país) están equipadas con sistemas de monitoreo de rendimiento en granjas de Turquía. Akdemir (2016) proporcionó una tasa de adopción más baja de tecnologías de mapeo de rendimiento (310 cosechadoras en lugar de 500) en el mismo país. Según Keskin y Sekerli (2016), alrededor de 500 cosechadoras combinadas (3% en todo el país) están equipadas con sistemas de monitoreo de rendimiento en granjas de Turquía. Akdemir (2016) proporcionó una tasa de adopción más baja de tecnologías de mapeo de rendimiento (310 cosechadoras en lugar de 500) en el mismo país.

Ventajas y límites de los datos de rendimiento dentro del campo
Si bien es evidente que la adopción de tecnologías de cartografía de rendimiento está aumentando tanto en los países desarrollados como en desarrollo, uno puede preguntarse qué factores y aspectos de los datos de rendimiento dentro del campo pueden haber contribuido a una adopción tan lenta de tecnologías de cartografía de rendimiento. Los monitores de rendimiento montados en cosechadoras han estado disponibles desde principios de la década de 1990. Sin embargo, los datos de rendimiento todavía tienen dificultades para ser un componente decisivo del proceso de toma de decisiones en los estudios de agricultura de precisión. En términos de la utilidad de los datos de rendimiento, la comunidad científica ha informado de múltiples problemas. En primer lugar, está claro que los patrones de rendimiento espacial se originan a partir de una interacción entre las condiciones de manejo, climáticas y ambientales (suelo, paisaje, ataques de plagas, etc.) dentro de una temporada de cultivo. lo que significa que no es posible derivar mapas de aplicación de tasa variable directamente durante un año n basándose únicamente en los datos de rendimiento en el año n-1. En segundo lugar, se reconoce que en cultivos anuales y perennes, la variabilidad temporal del rendimiento es a menudo más fuerte que la variabilidad espacial del rendimiento, lo que puede dificultar los análisis en períodos cortos y largos (Blackmore et al., 2003; Bramley y Hamilton, 2004; Eghball y Power, 1995; Lamb et al., 1997). Esta variabilidad temporal se debe esencialmente a factores no estables, como los patrones climáticos o el tipo de cultivos que se cultivan cada año (Basso et al., 2012). Varios autores han declarado que la cantidad de años de datos de rendimiento disponibles para realizar análisis temporales de rendimiento fue fundamental (Bakhsh et al., 2000; Kitchen et al., 2005) y algunos incluso han intentado proponer un número mínimo de años necesarios para obtener resultados fiables (Ping y Dobermann, 2005). Además de eso, los datos de rendimiento a menudo vienen con una gran cantidad de observaciones defectuosas como resultado del paso de la cosechadora dentro de los campos, que no se corresponden con el rendimiento que debería haberse obtenido en las condiciones de cultivo en el campo (esto ser discutido en elpróxima publicación ). Algunas de estas observaciones erróneas se informan ampliamente en la literatura, por ejemplo, retraso del flujo, tiempos de llenado y vaciado, cambios abruptos de velocidad o barra de corte parcialmente usada (Arslan y Colvin, 2002; Sudduth y Drummond, 2007). Se han propuesto algunas mejoras, por ejemplo, sensores para medir en tiempo real el ancho de corte (Zhao et al., 2010), pero la mayoría de las cosechadoras no están equipadas con estas nuevas tecnologías. Estos errores, si no se toman en cuenta, pueden influir en las decisiones agronómicas sobre los campos (Griffin et al., 2008). Desde una perspectiva más práctica, también se puede argumentar que los usuarios finales solo pueden obtener la información sobre el rendimiento al final de la temporada de crecimiento, lo que podría constituir una limitación en términos de la herramienta de apoyo a la toma de decisiones.

Sin embargo, desde el punto de vista de la agricultura de precisión, estos datos de rendimiento de alta resolución son una fuente de información muy valiosa que sería aberrante no considerar (Florin et al., 2009). Los patrones espaciales de rendimiento son una información valiosa para caracterizar mejor las fuentes de variabilidad espacial en los campos. Los agricultores están interesados ​​en conocer los patrones espaciales y temporales del rendimiento medio en sus campos para poder tomar decisiones de manejo informadas y confiables. Se ha demostrado que, a pesar de una fuerte variabilidad temporal, a menudo era posible detectar patrones espaciales de rendimiento consistentes a lo largo de los años (Kitchen et al., 2005; Taylor et al., 2007). Algunos patrones de rendimiento se encontraron consistentes incluso en diferentes cultivos y condiciones climáticas variables. Además, Los patrones espaciales de rendimiento pueden brindar información relevante con respecto a las características del suelo dentro del campo o pueden ayudar a representar la influencia de otros factores externos, como las prácticas de manejo y las condiciones climáticas (Diker et al., 2004). Por ejemplo, Taylor et al. (2007) mostraron que, en partes específicas de su estudio de campo, el manejo de la rotación de cultivos en años anteriores originó variaciones en los patrones espaciales de rendimiento. Otros autores han encontrado que las áreas de alto rendimiento en años secos podrían, al mismo tiempo, ser áreas de bajo rendimiento en años húmedos, lo que podría brindar información crítica con respecto a las características del suelo dentro del campo (Colvin et al., 1997; Sudduth et al. al., 1997; Taylor et al., 20 07). Otra gran ventaja de estos conjuntos de datos de rendimiento es su accesibilidad. Algo que se consideró como un defecto en el párrafo anterior también puede verse como un activo fuerte. De hecho, en la mayoría de los casos, la cosecha debe realizarse, lo que significa que estos datos se pueden recopilar anualmente una vez que los agricultores han invertido en monitores de rendimiento y, en consecuencia, se pueden construir grandes bases de datos de mapas de rendimiento. Finalmente, debe argumentarse que los datos de rendimiento dentro del campo están directamente relacionados con el rendimiento del cultivo y, por lo tanto, con el margen bruto del campo. Como tal, estos datos brindan información práctica y muy comprensible a los agricultores y asesores. Debe argumentarse que los datos de rendimiento dentro del campo están directamente relacionados con el rendimiento del cultivo y, por lo tanto, con el margen bruto del campo. Como tal, estos datos brindan información práctica y muy comprensible a los agricultores y asesores. Debe argumentarse que los datos de rendimiento dentro del campo están directamente relacionados con el rendimiento del cultivo y, por lo tanto, con el margen bruto del campo. Como tal, estos datos brindan información práctica y muy comprensible a los agricultores y asesores.

¿Cómo valorizar los mapas de rendimiento?
Sin entrar en los detalles de todos los proyectos que podrían llevarse a cabo utilizando mapas de rendimiento, aquí hay un pequeño resumen de lo que se podría hacer. Algunas de estas ideas se han abordado en el manuscrito de tesis que encontrará en el sitio web. Algunas de estas ideas son bastante operativas, otras son más exploratorias. ¡La lista obviamente no es exhaustiva!

Espacialice los modelos agronómicos con datos de rendimiento de alta resolución. Por ejemplo, se había trabajado en planes de fertilización con P / K para evaluar en qué medida la información sobre el rendimiento dentro del campo podría usarse para refinar los planes de fertilización, incluido el refinamiento de los potenciales de rendimiento dentro del campo y las exportaciones de P / K dentro del campo.
Espacializar mapas de rendimiento / rentabilidad económica en granjas (este será el tema de una próxima publicación)
Utilice series de tiempo de rendimiento para comprender mejor los potenciales de rendimiento y las brechas de rendimiento dentro del campo. Este trabajo fue abordado en el marco de la tesis
Evaluar el potencial de acciones de modulación en un terreno.
Validar la relevancia de los experimentos de campo
Mejorar el conocimiento del rendimiento a una escala espacial determinada (región, territorio, etc.) para una cooperativa o un ascensor que quiera obtener suministros.
Utilice mapas de rendimiento para guiar las campañas de muestreo de campo
Utilice series de tiempo de rendimiento para mejorar la comprensión de los factores que limitan el rendimiento en las parcelas. Se evocaron pistas durante la discusión del manuscrito de tesis.
Utilice series de tiempo de rendimiento para evaluar el riesgo para un agricultor de no cambiar sus prácticas o no participar en prácticas de agricultura de precisión o modulación. Se evocaron pistas durante la discusión del manuscrito de tesis.
-….

Una última crítica para los fabricantes.
Acabamos de hablar sobre la accesibilidad de los datos de rendimiento; hablemos de interoperabilidad. Si comienza a trabajar con datos de rendimiento, se dará cuenta rápidamente de que hay una cantidad impresionante de formatos de datos proporcionados por los fabricantes…. ¡Pero estos son en su mayoría formatos privados! Si no tiene el software propietario que lo acompaña, buena suerte … Entonces tendrá que desarrollar módulos específicos para poder leerlos. Súmale a eso el hecho de que cada constructor mide las variables que le interesan, y que las unidades de medida son diferentes y te arrancarás el pelo bastante rápido.

Leer más

La figura muestra una composición de color del infrarrojo cercano de una serie temporal de imágenes de satélite DEIMOS-1 y Landsat-8 sobre Marchfeld (Lat. 48.20 ° N, Long. 16.72 ° E), un área de producción agrícola semiárida en Baja Austria con más de 60.000 ha de tierras agrícolas cultivadas con hortalizas, remolacha azucarera, patatas y cereales (de invierno y de verano). Aquí, la precipitación media anual es de 500 a 550 mm, que puede descender a 300 mm, lo que la convierte en la región más seca de Austria. El agua subterránea se utiliza para riego y también como fuente principal de agua potable. El riego correcto, el manejo del suelo y los nutrientes son importantes para garantizar la conservación de los recursos, reducir el exceso de escorrentía y la movilización de nitratos.

La adopción de herramientas innovadoras en la zona se ve estimulada por una mayor conciencia ecológica entre los consumidores. Estos consumidores investigan alimentos frescos, locales y de alta calidad, y les gusta estar informados sobre cómo se producen y si la huella hídrica en los distintos pasos de producción es sostenible. En este contexto, los agricultores están muy interesados ​​en probar soluciones innovadoras para mejorar la eficiencia del riego. De hecho, esto da como resultado un mejor uso de los recursos hídricos y ahorros de costos (tarifas de riego, tiempo de ejecución del equipo, energía requerida para el bombeo y consumo de fertilizantes).

Se están produciendo avances en una variedad de tecnologías para la agricultura de precisión. Entre ellas, se han implementado técnicas de teledetección desde 2012 para apoyar la gestión del riego financiadas por la Agencia Austriaca de Promoción de la Investigación (FFG). Las imágenes y mapas satelitales están integrados en un sistema de información geográfica dedicado que traduce la información en un consejo de riego fácil y listo para usar que se entrega directamente a los agricultores. Los desarrollos en curso y la investigación experimental incluyen el uso de datos de sensores terrestres y satelitales para el manejo de nutrientes y la cuantificación de la producción de cultivos.

Leer más

Ya es el momento para pensar en ambientar tu campo. Con un drone se puede hacer una altimetría de la forma más rápida y precisa. Hace falta que la cosecha esté levantada para obtener una buena precisión, ya que la vegetación es un obstáculo para calcular bien las alturas del terreno.

¿Cómo se hace?
El drone vuela una grilla y cada punto en el terreno se ve desde hasta 20 fotos diferentes. Por estereoscopía, se arma una nube de puntos en tres dimensiones. A partir de ésta información se calcula un modelo digital de elevación, donde cada pixel expresa el valor de altura sobre el nivel del mar. Ésto incluye edificios y vegetación, con lo cual es fundamental volar sobre suelo desnudo, o eliminar los objetos que no forman parte del terreno.

¿Cuál es la precisión?
La precisión es 2-3 veces el tamaño del pixel del modelo digital de la superficie. En general está entre 10 y 15 centímetros, dependiendo del desnivel del terreno. Esta precisión es relativa, con lo cual se puede medir con esta precisión dentro del mismo modelo. Para obtener una precisión absoluta, falta la colocación de puntos de control en el terreno, que deben de ser medidos con una estación total o con un GPS de precisión. De esta forma el resultado es compatible con otras fuentes de datos.

¿Y las curvas de nivel?
Las curvas de nivel son una generalización del modelo digital del terreno, donde ya queda eliminado el ruido causado por piedras o vegetación. Dependiendo del desnivel en el terreno, se puede hacer una cota cada 25cm para campos relativamente llanos, hasta 1 metro para canteras y minería a cielo abierto. Por su formato vectorial, se superpone a la ortofoto, facilitando así la interpretación.

¿Qué equipo necesito?
Un Phantom 4 Pro es ideal para cubrir hasta 200ha por día de trabajo. Para campos grandes ya hace falta un Asesor/5 y se puede cubrir hasta máximo 2000ha por día de trabajo. Para obtener precisión, falta un GNSS RTK o estación total en combinación con lonas, ya que a veces es difícil encontrar puntos de referencia en el campo.

Leer más

Los avances recientes en la agricultura de precisión, la telemática y el análisis de datos han allanado el camino para el siguiente paso importante en la agricultura: la incorporación de big data en la granja.

Los datos agrícolas provienen de una amplia variedad de fuentes. Sembradoras, cosechadoras, rociadores, pruebas de suelo, monitores de lluvia remotos y más son solo algunas de las principales herramientas que los agricultores pueden emplear para registrar y analizar la eficiencia de sus operaciones. Y el cheque de soja espera que lo hagan.

La adopción de nueva tecnología en la finca permitirá a los agricultores desarrollar planes de producción valiosos y muy detallados capaces de aumentar el rendimiento, maximizar los recursos y mejorar la sostenibilidad. Juntos, todos estos beneficios conducen a una mayor rentabilidad. Por estas razones, la marca agregó metas a su plan estratégico a largo plazo enfocado en hacer que los agricultores sean más conscientes de las opciones tecnológicas disponibles para ellos y en impulsar la adopción de estas herramientas.

Adam Watson, un agricultor de soja cerca de Villa Grove, Illinois, es uno de los muchos agricultores que ha adoptado esta nueva ola de agricultura digital para mejorar las operaciones agrícolas de su familia. Él dice que la información que se puede obtener de los datos de su granja es de gran valor.

«Tenemos todos estos datos de la granja que ahora podemos analizar y evaluar para mejorar la forma en que administramos nuestra granja», dice Watson. “Es realmente increíble lo que puede aprender y cómo puede identificar formas de mejorar su eficiencia y rentabilidad. Cada bushel cuenta y si no está utilizando sus datos, probablemente esté perdiendo una oportunidad «.

Watson se metió en big data al comenzar con el mapeo de rendimiento y comenzó a incorporar tecnologías adicionales a medida que se familiarizaba con el proceso. Ahora utiliza varios programas de gestión de algunas empresas diferentes para analizar los datos de su explotación.

“Todos los datos que recopilamos están georreferenciados, por lo que podemos identificar fácilmente los problemas dentro de nuestros campos y tomar las medidas adecuadas para corregir esos problemas”, dice Watson. “Luego utilizamos las recomendaciones prescriptivas que recibimos de nuestro software de gestión agrícola para decidir las mejores variedades para plantar, las tasas de siembra adecuadas y la cantidad de fertilizante que se debe depositar. Cada una de estas variables está diseñada para alinearse con nuestros suelos específicos y el índice de productividad de cada sección de tierras agrícolas «.

Los siguientes son solo ejemplos de los muchos productos disponibles. Los agricultores deben evaluar múltiples opciones antes de tomar una decisión con el fin de encontrar la mejor opción para su operación.

Construyendo una comunidad de datos

En los últimos años, los agricultores de todo el mundo han visto una explosión de servicios de análisis y gestión de datos agrícolas. Dennis Bogaards fue uno de los muchos agricultores que se preguntaron cómo podría aprovechar esta nueva línea de productos.

Bogaards, que cultiva un poco más de 1,000 acres cerca de Pella, Iowa, estaba tratando de encontrar una manera de extraer más eficiencia de su operación relativamente pequeña cuando se enteró de Farmers Business Network (FBN).

FBN ofrece a los miembros la oportunidad de aprovechar sus propios datos junto con los datos de otras granjas. Organiza y analiza datos de todos sus casi 2000 agricultores miembros y los comparte, de forma anónima, con todos los demás miembros, lo que proporciona una gran base de información para usar en la toma de decisiones.

Como resultado, Bogaards tiene acceso a datos de rendimiento en la granja del mundo real que le permiten tomar decisiones más informadas sobre variedades de semillas, poblaciones de siembra, espaciado de hileras y aplicaciones de entrada.

También puede evaluar el rendimiento financiero de las variedades de semillas en una amplia variedad de condiciones de siembra, clima y suelo. El colectivo de agricultores de FBN ya ha contribuido con datos detallados de rendimiento y rendimiento para más de 1.100 variedades diferentes de semillas.

En lugar de centrarse exclusivamente en los rendimientos, estos datos de rendimiento pueden desglosar el rendimiento financiero de las variedades de semillas. En otras palabras, Bogaards puede usar estos datos para determinar si las semillas de mayor rendimiento valen su precio.

Le gusta comparar el desempeño de sus campos con campos similares en su región y usa esta característica como motivación para mejorar.

“Utilizo FBN para ver mis campos y aprovechar la información que no había usado antes”, dice Bogaards. “El hecho de que pueda comparar mis campos con otros es algo bueno. Creo que me volví complaciente con algunos de mis campos de bajo rendimiento, y esto me motiva a mejorar «.

Gestión agilizada de granjas con big data

Jeremy Jack, un agricultor de soja cerca de Belzoni, Mississippi, estaba buscando algo que lo ayudara a administrar la gran cantidad y variedad de trabajo requerido para su operación de 8.500 acres; una forma de realizar un seguimiento de sus tareas y decisiones diarias en su granja y operaciones de consultoría.

“Necesitaba una herramienta que pudiera ayudarme a realizar un seguimiento de todo lo que estaba sucediendo”, dice.

Encontró Granular, una plataforma de gestión de granjas. Le ayuda a realizar un seguimiento de sus actividades diarias y lo mantiene conectado con sus empleados, proveedores y socios.

“Estamos cultivando seis cultivos diferentes”, dice. “A veces me resulta imposible recordar lo que hice ayer, y mucho menos hace tres meses. Granular me ayuda a estar al tanto de las cosas «.

Si bien las hojas de cálculo tradicionales son engorrosas y consumen mucho tiempo, con Granular puede controlar múltiples facetas de su operación de formas que antes no eran posibles.

Jack cree que Granular es fácil de usar y lo pone a disposición de todos sus empleados. El software realiza un seguimiento de las horas trabajadas, las tareas específicas completadas y otros detalles de gestión, y lo organiza todo en varios dispositivos inalámbricos.

Maneras en que la tecnología puede generar ganancias en la granja

Los macrodatos pueden ayudar a los agricultores a aumentar los rendimientos, disminuir los costos y, en última instancia, aumentar sus ganancias. Tener las herramientas adecuadas para recopilar y hacer uso de los datos generados por la granja es una necesidad para cualquier persona interesada en poner el big data a trabajar en su granja. Así es como algunas de estas tecnologías pueden beneficiar a los agricultores:

Sembradora : las nuevas sembradoras sofisticadas tienen medidores híbridos duales que permiten a los agricultores rotar entre dos híbridos según las condiciones del suelo y las características del híbrido, en cualquier punto del campo. Esta capacidad brinda oportunidades para aumentar los rendimientos con una ubicación óptima de las semillas.

Combinar- Los monitores de rendimiento calculan y registran el rendimiento a medida que se cosechan los cultivos de cereales. La tecnología de rastreo GPS en los monitores de rendimiento crea mapas de rendimiento detallados que permiten a los agricultores concentrarse en las áreas problemáticas para identificar posibles soluciones.

Prueba de suelo: las pruebas de suelo les indican a los agricultores cuánto fertilizante se puede necesitar para mejorar el rendimiento de su cultivo. Esta información permite a los agricultores ser más precisos con las aplicaciones de fertilizantes, lo que aumenta la eficiencia y reduce los costos de insumos, todo mientras mantiene, o incluso aumenta, la rentabilidad.

UAV : los vehículos aéreos no tripulados pueden proporcionar a los agricultores mapas muy detallados de sus granjas. Los UAV tienen cámaras, sensores y capacidades de piloto automático para ayudar a los agricultores a monitorear el crecimiento de las plantas, las condiciones del suelo, las plagas y la información topográfica en sus campos.

Al agregar y analizar sus datos, los agricultores pueden identificar patrones y tendencias que revelan información valiosa. Esta información se puede utilizar para crear planes agrícolas prescriptivos con precisión milimétrica para maximizar el rendimiento, la eficiencia de la granja y la rentabilidad.

Que considerar antes de sumergirse en big data

Si bien el cheque quiere que los agricultores comiencen a incorporar tecnología en sus granjas, también es importante que cada inversión se investigue a fondo para maximizar el rendimiento.

La configuración inicial de los sistemas, el software y los sensores de agricultura de precisión es un paso crítico para los agricultores que están interesados ​​en utilizar big data en sus operaciones, según Scott Shearer, Ph.D., profesor y presidente del Departamento de Alimentos, Agricultura y Ingeniería Biológica en la Universidad Estatal de Ohio. La recopilación de datos precisos sobre el rendimiento es especialmente importante.

Shearer aconseja trabajar con expertos técnicos que estén familiarizados con la maquinaria y la tecnología agrícolas específicas que un agricultor pretende utilizar.

“Los datos de rendimiento son una pieza fundamental cuando se analizan los datos agrícolas”, dice Shearer. “Así como es difícil pasar de 0 a 60 millas por hora si no tiene un vehículo, es imposible hacer análisis de big data en una granja sin un mapa de rendimiento confiable”.

Shearer recomienda a los agricultores que piensen en estas cinco consideraciones antes de sumergirse en el mundo de los macrodatos:

Los monitores de rendimiento son herramientas imprescindibles que son esenciales para recopilar y archivar datos de producción.
El control automático de la dirección, el apagado de la hilera de la sembradora y el control automático de la sección de la barra en los pulverizadores son tecnologías que los agricultores deben considerar seriamente, si aún no están en uso.
Existe un gran potencial para influir en el rendimiento con sembradoras de precisión que pueden controlar la profundidad de colocación de las semillas.
Optimice la ubicación de las variedades y aumente las probabilidades de mejorar el rendimiento mediante el uso de sembradoras con medidores híbridos duales que permiten a los agricultores plantar variedades que combinan las características de las semillas con los datos de campo.
Hay mucho entusiasmo en torno a los vehículos aéreos no tripulados, pero las regulaciones finales sobre su uso pueden determinar cuán útiles y prácticos serán para los agricultores.

Leer más

Investigadores de Israel y Texas han desarrollado un sistema que abre y cierra automáticamente la emisión del agua de riego según la temperatura de las hojas del cultivo, controlando la eficacia del uso del agua y la uniformidad, para conseguir los rendimientos máximos en las cosechas con cada gota.

Para determinar cuándo regar, hay que tener en cuenta variables tales como la calidad del suelo, el tipo de cosecha y la temperatura.

Esta nueva tecnología se conoce como «umbral de tiempo y temperatura» (TTT son sus siglas en inglés). Se basa en que las plantas crecen mejor en una gama reducida de temperaturas, y esta gama podrá variar dependiendo de la especie de cultivo. Para el algodón, el método del umbral de tiempo y temperatura ordena el riego cuando la temperatura de la hoja supera los 28ºC durante más de 4 horas y media. Se tiene en cuenta la temperatura de la hoja y el índice de tensión de agua en las cosechas para predecir la presión de agua en las hojas, una medida de deficiencia de agua o de tensión en la planta, además de un sistema manual basado en la humedad del suelo.

Cada cosecha tiene su propia temperatura óptima para llegar a producir los rendimientos más altos (para el algodón es de 23ºC – 32ºC). Si la temperatura de la planta sube por encima del punto óptimo, se activa de forma automática el riego de precisión.

El suelo, la topografía y las necesidades de agua varían dentro de cada parcela. Con el riego de precisión se trata de equilibrar la aplicación de agua según esas variaciones de suelo y de cosechas. La aplicación más precisa de agua, de nutrientes y pesticidas lleva a rendimientos más altos y a notables beneficios ambientales.

La disponibilidad de agua es clave para la agricultura. Los sistemas automatizados de riego son una pieza fundamental para reducir el uso de agua, haciendo un uso sostenible y aumentando la rentabilidad de la explotación, gracias a que se reducen los costes que supone el bombeo del agua.

Mediante sensores infrarrojos montados a intervalos regulares en los tramos del sistema de riego de pivote central, se puede medir la temperatura de las cosechas. Utilizando otros sensores infrarrojos estacionarios dispuestos en el campo, se verifican estas mediciones. Los datos son transferidos a un ordenador que transmite las instrucciones al pivote central, pudiendo variar las aplicaciones de agua en un mismo campo, donde hay diferentes tipos de suelos, o donde se están cultivando dos o tres cosechas diferentes.

Este estudio concluye que estos sistemas de riego de precisión por temperatura de las hojas, funciona muy bien para maíz y semilla de soja. Se obtienen rendimientos más altos para la soja y un uso más eficaz del agua para el maíz.

Leer más

El manejo de malezas específico del sitio puede ser una opción cuando las malezas están ubicadas en parches, en lugar de esparcirse uniformemente por el campo. El manejo de parches puede reducir de manera efectiva el uso de herbicidas, ya que los herbicidas solo se aplican a partes del campo. El uso de herbicidas a largo plazo también puede reducirse controlando desde el principio parches de malezas nuevas o difíciles de controlar y previniendo su propagación a todo el campo. Esta estrategia fue ampliamente utilizada antes de la introducción de herbicidas, donde estas áreas se eliminaron antes de la producción de semillas maduras en los campos.

El control de los parches de malezas requiere un conocimiento detallado de la ubicación de estos parches. La exploración de campo o la teledetección pueden proporcionar a los agricultores algún conocimiento sobre dónde se encuentran los parches de malezas. Las fotografías aéreas tomadas en un momento en el que es posible diferenciar el cultivo de las malas hierbas también pueden dar a los agricultores una idea de la ubicación de los parches de malas hierbas.

En Alberta, se ha utilizado un rociador con sensor de malezas para detectar malezas en el campo sin un mapeo previo (Blackshaw et al., 1998). Esta tecnología solo funciona cuando las malezas son grandes o en parches densos y no se pueden usar en el cultivo. Los investigadores encontraron que es útil en sistemas de barbecho, lo que resulta en una reducción del 19-60% en el uso de herbicidas durante un período de barbecho. Otras tecnologías de rociadores específicos del sitio se están volviendo más comunes a medida que los sistemas de posicionamiento global (GPS) y los rociadores de tasa variable se vuelven más accesibles.

Lea más en Manejo de malezas con agricultura de precisión .

Recomendaciones
El control de parches de malezas nuevas o difíciles de controlar evita que se propaguen por todo el campo.

Explorar campos o usar sensores remotos o fotografías aéreas permite a los agricultores ubicar parches de malezas en el campo.

Los parches se pueden manejar con operaciones de rociado localizadas, rociadores con detección de malezas (en barbecho) o sistemas guiados por GPS.

Los parches de malezas también se pueden controlar con métodos no químicos, que incluyen el corte, la labranza, el corte para ensilaje o el pastoreo.

Leer más

En 2030 se prevé que 8.500 millones de personas habiten nuestro planeta, lo que supondrá un 60% de incremento de la demanda mundial de alimentos, según datos de las Naciones Unidas. A esta realidad, se le debe sumar el hecho que el mundo ha perdido casi la mitad de la tierra cultivable por persona en los últimos 50 años, tal y como se afirma desde el Banco Mundial. Para poder conseguir estos espectaculares niveles productivos sin dañar el medio ambiente, la agricultura y la tecnología se han aliado.

Esta revolución, bautizada como agricultura inteligente, tiene como pilar fundamental la agricultura de precisión. Pero, ¿en qué consiste la agricultura de precisión en España?, ¿cuál es su principal misión?, ¿y las ventajas de implementarla? En SUEZ, especialistas en soluciones tecnológicas de gestión agrícola damos respuesta a todas estas cuestiones, así como la razón por la que la agricultura de precisión es tan importante para la gestión eficaz de una explotación agrícola.

¿Qué es la agricultura de precisión?
La agricultura de precisión consiste en gestionar los cultivos mediante la utilización de tecnología avanzada que permita la observación, la medición y la actuación frente a la variabilidad de los diversos factores que intervienen en el ciclo agrícola.

La agricultura de precisión consigue, cada vez con mayor exactitud, aportar información muy valiosa al productor sobre la microvariabilidad del terreno, con el objetivo de optimizar los procesos del campo.

La información generada actualmente por los satélites, los sensores y los drones para la agricultura de precisión, así como las imágenes y los datos geográficos, es fundamental para entender cuáles son los tratamientos más adecuados que se le debe dar a la tierra, los cultivos y las semillas.

En otras palabras, con los datos recolectados por estos dispositivos tecnológicos, el agricultor es capaz de conocer con precisión el nivel de hidratación o la evolución de sus cultivos, con el objetivo de aplicar la cantidad exacta de recursos en el momento más conveniente y en el lugar más adecuado.

En resumen, si implementamos las técnicas características de la agricultura de precisión en nuestra finca, lograremos ahorrar en el consumo de agua, energía, fertilizantes y pesticidas, para aumentar la productividad y rendimiento de nuestro terreno, reduciendo el impacto medioambiental.

Las etapas de la agricultura de precisión
1. Captación de los datos
Un conjunto de mecanismos tecnológicos previamente instalados en el terreno, como una red de sensores para la agricultura de precisión, serán los encargados de recoger todos los datos. Gracias a esta información, por ejemplo, podremos realizar un planteamiento racional de movimiento de tierras, tipo de labores profundas o drenajes antes de la plantación.

2. Análisis de los resultados
Una vez se registran los datos, éstos se interpretan mediante herramientas matemáticas o estadísticas: mapeado, gráficas, clasificación de datos…

3. Toma de decisión
Teniendo en cuenta las conclusiones extraídas sobre los datos de nuestra plantación, normalmente el ingeniero agrónomo o el técnico agrícola será el encargado de tomar las decisiones más apropiadas. Estas actuaciones pueden ser de gestión (establecer la cantidad y temporalidad del riego) o preventivas (adelantarse a la amenaza de posibles plagas).

4. Evaluación
También conocida como etapa de monitorización del rendimiento. Cuando finaliza la campaña, el agricultor debe analizar la producción, las acciones ejecutadas y el rendimiento que han originado. Y es que la tecnología nos permite controlar continuamente una amplia gama de variables, pudiendo medir el efecto inmediato de nuestras decisiones en nuestro cultivo. Esta fase nos sirve para afianzar nuestros aciertos y aprender de nuestros errores. Además, será muy útil porque la tecnología nos da la opción de realizar estudios comparativos entre campañas.

¿Qué beneficios puede aportar la agricultura de precisión?
El objetivo final de la agricultura de precisión es aumentar la productividad en el campo, obviamente consumiendo menos recursos. Y, por lo tanto, conseguir un ahorro económico notable. De hecho, la tecnología aplicada al sector agrícola permite explotar de un modo más eficiente la tierra. Es decir, obtener una mayor cantidad de alimentos con menos agua, menos gasolina y menos herbicidas.

Si implementamos sistemas automatizados y de gestión integral en una plantación, podemos lograr los siguientes beneficios gracias a la agricultura de precisión:

· Gestión optimizada de la explotación agrícola.

· Garantiza una producción agrícola suficiente.

· Recolecta de productos con mayor valor nutritivo.

· Reducción del uso de pesticidas y fertilizantes.

· Menor impacto medioambiental.

· Información más precisa y de trazabilidad, vital en las zonas con carencias de nitrógeno.

· Mayor facilidad y eficiencia en la ejecución de las tareas del campo.

· Ayuda en la toma de decisiones y sus resultados.

· Ahorro de combustible en los tractores.

Aplicaciones de la agricultura de precisión
Para que te hagas una idea más certera de todas las utilidades de la agricultura de precisión en la mejora del rendimiento de una finca, hemos confeccionado un breve listado con algunos ejemplos prácticos:

Realizar un planteamiento racional de movimientos de tierras, drenajes, tipos de parcelas y de labores profundas antes de la plantación.
Automatizar las plantaciones y el guiado de tractores GPS, control de hileras trabajadas y gestión de flotas.
Obtener mapas para la clasificación de cultivos, ayudar a hacer más eficientes las podas, el manejo del cultivo y la plantación de cosechas diferenciadas según su índice de madurez.
Gestión de insumos: adopción de tratamientos fitosanitarios, agricultura de precisión en el abonado y riego de precisión. Por ejemplo, la aplicación de herbicidas con la ayuda de sensores que detectan las malas hierbas o la dosificación variable de tratamientos fitosanitarios de precisión.
Tomar decisiones precisas en la gestión del riego, gracias a sensores de la humedad del suelo y que también detallan con exactitud el estado hídrico de la vegetación.
Prever posibles plagas o enfermedades y anticiparse con los tratamientos.
Ahorro y eficiencia energética en la agricultura de precisión.
Actualmente, la inversión inicial en equipos tecnológicos y de software para la agricultura de alta precisión suele percibirse como elevada. A esta realidad se le suma el bajo nivel de informatización del sector, así como la falta de formación e información de los agricultores, que desconocen todas las ventajas que la agricultura de precisión puede contribuir a sus plantaciones.

Por estos motivos, es imprescindible ponerse en manos de profesionales especializados en soluciones tecnológicas aplicadas al sector agrícola, si se desea implementar un proyecto de agricultura de precisión.

Leer más

Comprensión del mapeo NDVI, NDVI falso y la importancia de los datos calibrados radiométricamente….
Se espera que la población mundial alcance los gigantescos 9 mil millones para 2050. Este aumento de la población significa que tenemos que buscar formas más nuevas y más eficientes de alimentar al planeta. El Instituto de Recursos Mundiales estima un aumento del 23% en las necesidades de ganado entre 2006 y 2050. Mientras que las necesidades de carne de res y de cordero aumentarán en un 30%.

Este aumento de la población impondrá mayores exigencias a la agricultura. Una mayor demanda de carne requerirá plantar más semillas para alimentar al ganado. Es necesario aumentar los rendimientos agrícolas y utilizar los recursos de la manera más eficiente posible. Por supuesto, hemos abordado esta necesidad de manera agresiva. Según el Banco Mundial, el porcentaje de la población empleada en la agricultura ha disminuido del 43,28% en 1991 al 26,48% en 2017. La producción agrícola ha experimentado un enorme aumento en este mismo período de tiempo. Esto se puede atribuir a importantes avances tecnológicos.

Los drones pueden desempeñar un papel fundamental a la hora de lograr prácticas agrícolas más eficientes. Utilizando drones es posible implementar tecnología de tasa variable (lo que resulta en la asignación óptima de recursos). PWC predice un tamaño de mercado de 34.200 millones para aplicaciones comerciales de drones en la agricultura. Esto es solo superado por la infraestructura.

Servicios de drones agrícolas como mapeo NDVI para operadores de drones y UAV

En esta publicación de blog, hablo del mapeo NDVI. ¿Cómo se usa el mapeo NDVI para evaluar la salud de las plantas? También hablo de Falso NDVI y expongo las razones para evitarlo por completo. ¿Cómo se puede elegir el sensor de cámara adecuado para el mapeo de drones agrícolas? ¿Cuál es la importancia de utilizar datos calibrados radiométricamente? Estas son algunas de las preguntas en las que me sumerjo. Sigue leyendo.

¿Cómo funciona el mapeo NDVI?
NDVI es el índice de vegetación de diferenciación normalizada.

El ojo humano ve todas las plantas como verdes. Eso no significa que se estén absorbiendo todas las longitudes de onda. Se reflejan algunas longitudes de onda que el ojo humano no puede ver. Entonces, si usted es un piloto de UAV que realiza trabajos de mapeo NDVI, necesita un sensor capaz de hacer esta diferenciación. Necesita determinar la cantidad precisa de luz que se refleja (más sobre esto más adelante).

Para esto, tendrá que usar una cámara que pueda hacer esta diferenciación y, por lo tanto, eliminar las plantas no saludables de las saludables. Posteriormente, puede obtener conocimientos prácticos que ayudarán al agricultor a asignar sus recursos de la manera más eficiente posible. Si usa una cámara que no está diseñada para comprender la luz, podría terminar haciendo recomendaciones incorrectas a un agricultor.

Las personas que utilizan cámaras sin infrarrojos ofrecen lo que se conoce popularmente como servicios de “Falso NDVI”. Usar una cámara normal para evaluar la salud de las plantas es una mala idea. Con False NDVI, no puede separar la luz roja de la infrarroja cercana. Esto conduce a datos incorrectos y decisiones incorrectas que, en última instancia, resultan perjudiciales para la salud de los cultivos.

Por qué el mapeo de Ndvi es tan útil para los agricultores
Intentemos comprender por qué el mapeo del NDVI es fundamental para la toma de decisiones en agricultura.

NDVI = (NIR – Rojo) / (NIR + Rojo)

Entonces, vemos todas las plantas como verdes. Sin embargo, junto con la luz verde, las plantas también reflejan la luz del infrarrojo cercano. Como puede determinar a partir de la fórmula anterior, el valor NIR es directamente proporcional al valor NDVI.

Cuanto más saludable sea la planta, mayor será el valor NIR. Viceversa, una planta muerta o enferma tendrá un valor NIR más bajo. El valor de NDVI para plantas varía entre 0.1 y 1. Las superficies que no son de plantas tienen un valor rojo alto y su NDVI cae entre 0 y -1.

Con el mapeo NDVI puede crear un mapa codificado por colores que muestra claramente las áreas enfermas. Por lo tanto, las decisiones basadas en datos se pueden tomar rápidamente. Y también se puede evitar el desperdicio de recursos

Cómo elegir el sensor de cámara adecuado para el mapeo de drones agrícolas
Parrot Sequoia y MicaSense RedEdge-M fabrican sensores especialmente diseñados para aplicaciones agrícolas.

El Parrot Sequoia + viene con un sensor de luz solar y un sensor multiespectral. Debido a que la cantidad de luz reflejada de los cultivos tiende a variar bastante, los resultados del mapeo son propensos a distorsionarse. Para abordar este problema potencial, se instala un sensor de luz solar en la parte superior del dron. Este sensor registra la luz solar en las mismas bandas espectrales que el sensor multiespectral.

El sensor multiespectral montado en la parte inferior del dron en cuatro bandas espectrales: rojo, verde, borde rojo e infrarrojo cercano.

Cuando utilice un dron para aplicaciones agrícolas, es imperativo que su cámara esté calibrada radiométricamente. Esto le permite hacer juicios empíricos que pueden beneficiar al agricultor. ¿Por qué es esto necesario?

La cámara de tu dron mide «a la irradiancia del sensor». Mientras que la salida de la cámara tiene la forma de un número digital o DN. En la mayoría de las cámaras, no se conoce el mapeo de la irradiancia a DN. Y este mapeo o correlación tiende a cambiar con los cambios en la configuración de la cámara. La calibración radiométrica debe realizarse para cada banda, para diferentes configuraciones y ópticas de la cámara. Es fundamental que este mapeo se utilice al realizar la indexación de la vegetación. Si no utiliza datos calibrados radiométricamente, terminará proporcionando datos que se calculan a partir de DN sin procesar, datos inexactos con consecuencias desastrosas.

¿Debería utilizar un dron de ala fija para la cartografía agrícola?
Es posible que necesite un dron de ala fija para la cartografía agrícola si desea cubrir grandes extensiones de tierra. Un dron de ala fija puede volar a mayor velocidad. Pero debe tener cuidado al hacer esta transición.

Cuanto más rápido vuele, más tendrá que gastar en la cámara de su dron. Volar a mayor velocidad significa que necesita una cámara con una velocidad de obturación rápida. Evite el uso de filtros ND a alta velocidad, esto dará como resultado imágenes borrosas. Si intenta unir imágenes con una gran cantidad de desenfoque, terminará con un producto de mala calidad.

Conclusión
Debe comprender a fondo los matices del mapeo de drones agrícolas antes de aventurarse en este campo. No intente ofrecer servicios de mapas de «Falso NDVI». Esta es solo una receta para el desastre. Y asegúrese de estar equipado con el dron y la cámara adecuados antes de pensar en realizar trabajos agrícolas. Si planea realizar trabajos más grandes, es mejor optar por un avión de ala fija con una cámara de gama alta. A través del mapeo agrícola con drones, puede, a su manera, ayudar a lograr la seguridad alimentaria.

Leer más