Autor: rjcastillolopez

Si bien la agricultura de precisión generalmente se analiza en términos del sector arable, existen muchas oportunidades para mejorar el uso de la tecnología en las granjas lecheras.

Algunos datos ya se pueden recopilar automáticamente en las granjas lecheras, como cuando las vacas están entrando en celo, medidas de rumia usando monitores de actividad y medidas de salud de los pies usando almohadillas de puntuación de movilidad. Actualmente también existen sistemas de ordeño y alimentación automatizados.

El Sr. Rutter dijo que la gran área de oportunidad era lograr que todos estos dispositivos diferentes se comunicaran entre sí, mejorando así la eficiencia de la granja. También se pueden extraer más usos de los datos que ya se recopilan mediante un análisis mejorado y la integración de los datos.

Luego, el agricultor puede utilizar los datos y la tecnología para mejorar la toma de decisiones.

El Sr. Rutter pasó a dar algunos ejemplos de cómo cree que se verán los lácteos en el futuro.

Vivienda inteligente
Aunque las vacas que pasan el invierno pueden funcionar, el clima del Reino Unido lo dificulta.

Los estudios han demostrado que las vacas con acceso libre a los pastos producen 6,7 kg por día (25%) más de leche.

Por otro lado, otro estudio en Harper Adams donde las vacas pudieron elegir entre pastos o interiores mostró que el uso del área interior aumentó a medida que avanzaba el otoño (otoño) y el clima se deterioraba.

Estos patrones sugieren que facilitar la elección de las vacas entre las condiciones interiores y exteriores puede ser beneficioso para la comodidad y la salud.

El Sr. Rutter sugirió que un edificio reactivo podría brindar a las vacas lo mejor de ambos mundos y permitirles más opciones sobre su entorno.

La tecnología ya existe para permitir que las cortinas laterales de los establos se abran y cierren para aumentar o disminuir la ventilación según el clima.

El Sr. Rutter sugirió que los controles de cortina y los sensores de temperatura podrían combinarse con los sensores de movimiento de las vacas para ver si a las vacas les gusta un cambio en la ventilación.

Por ejemplo, si se abre una cortina y todas las vacas se mueven fuera de esa área hacia áreas con cortinas cerradas, un sistema automático podría concluir que a las vacas no les gustó la nueva brisa y cerrar la cortina nuevamente.

Aunque estas tecnologías ya existen, están fabricadas por diferentes empresas lo que dificulta la integración. El Sr. Rutter también dijo que otra dificultad con este tipo de innovación podría ser que al público no le gustaría, especialmente si resultaba en que las vacas pasaran menos tiempo al aire libre.

Pastoreo de precisión
El Sr. Rutter identificó la gestión de pastizales como otra área con margen de mejora mediante el uso de tecnología.

La clave para esto sería medir el forraje disponible y luego compararlo con los requisitos de las vacas. Controlar el acceso a la hierba mejora el uso de los pastos.

La hierba debe manejarse a una altura óptima del césped, porque si la hierba se pasta demasiado baja, la ingesta de alimento de las vacas se reducirá.

Ya existe la tecnología para medir los pastos para que las vacas puedan ser retiradas cuando hayan comido suficiente pasto. Incluso hay oportunidades para utilizar satélites para observar la cobertura de césped en combinación con medidas terrestres.

Además, las puertas de liberación temporizada y las cercas robóticas se pueden usar para controlar el acceso de las vacas, y estas tecnologías en combinación podrían asegurar que las vacas se muevan cuando hayan reducido la altura del césped al óptimo.

Sin embargo, el Sr. Rutter dijo que las propias vacas podrían usarse para medir cuándo han terminado de comer secciones de pasto.

Los sonidos que hacen las vacas pueden registrarse y las señales analizadas para ver con qué frecuencia las vacas muerden y mastican. Cuando la altura de la hierba es demasiado baja, la vaca comienza a morder muchas veces y a masticar pocas, ya que cada bocado es pequeño.

Dicho monitoreo ‘bioacústico’ podría combinarse con monitores de actividad para mejorar la precisión y podría definir cuándo se abren las puertas a la siguiente sección de pastos.

Beneficios tanto para los agricultores como para el público
El Sr. Rutter concluyó con la idea de que el uso de la agricultura de precisión podría tener un gran margen para mejorar la eficiencia sin intensificar aún más la producción, lo que sería aceptable para los consumidores.

La tecnología también podría brindar a los consumidores más información sobre los alimentos que compran, por ejemplo, al encontrar información de producción escaneando un código.

Leer más

El mundo está al borde de la tercera revolución agrícola moderna y la agricultura de precisión es una parte importante de ella. La primera revolución que ocurrió entre 1900 y 1930, la agricultura mecanizada dejó que cada agricultor pudiera producir lo suficiente para 26 personas . Mucho después de eso, fue la década de 1990 cuando tuvo lugar la segunda revolución conocida como revolución verde. Debido a la progresión científica, se introdujeron nuevos conjuntos de cultivos modificados genéticamente que son resistentes a las plagas y necesitan menos agua, lo que permitió a cada agricultor alimentar a 155 personas . Se espera que la población mundial alcance los 9,6 mil millones en 2050y la producción de alimentos debe ser el doble de los niveles actuales para alimentar a todas las personas. Las capacidades analíticas avanzadas y la mejora constante de IoT serán elementos clave en la tercera revolución, haciendo que cada agricultor sea capaz de alimentar a 256 personas .

Las definiciones populares de agricultura de precisión (PA), agricultura satelital o manejo de cultivos específicos del sitio (SSCM) describen el término como ‘un enfoque tecnológico para el manejo agrícola que observa, mide y analiza las necesidades de campos y cultivos individuales’ . Según McKinsey, el desarrollo de la agricultura de precisión está determinado por dos tendencias: «Big Data y capacidades de análisis avanzado, y robótica: imágenes aéreas, sensores, sofisticados pronósticos meteorológicos locales». En palabras simples, la agricultura que recopila y usa datos de parcelas para administrar y optimizar la producción de cultivos se conoce como agricultura predictiva.

La agricultura predictiva es análoga a tomar una pastilla para tratar una dolencia. Las soluciones se adaptan en gran medida desde el tipo de cultivo adecuado para una parcela hasta el uso de pesticidas solo en regiones específicas. La adopción de la agricultura de precisión reduce el costo de producción y el desperdicio, ya que se satisfacen las necesidades personalizadas de cada parcela. La agricultura de precisión se practica mediante la adopción de software analítico y el uso de equipos técnicos. Se realiza una recopilación rigurosa de datos sobre pruebas de suelo, medición de parcelas, análisis de patrones climáticos y análisis de cultivos a través de dispositivos equipados con sensores colocados a lo largo de los campos. Los datos están calibrados para elaborar conclusiones y, basándose en esos resultados, se puede adoptar un conjunto de prácticas muy detalladas y precisas.

NECESIDAD DE AGRICULTURA DE PRECISIÓN
En las economías en desarrollo, el 32% de las pérdidas de alimentos se producen durante la producción de alimentos, según lo analizó McKinsey con datos de la FAO.

Las prácticas agrícolas convencionales se centran en el área. Existe un conjunto general de cultivos cultivados en toda una zona. Todos los agricultores de esa zona siguen los mismos procedimientos con respecto a la siembra, la nutrición, el riego y el período de cosecha. En lo que resultan estas prácticas es: imprevisibilidad, uso excesivo de recursos y producción incontrolada de residuos.

Antes del uso de la tecnología en la agricultura, la probabilidad de que un agricultor produjera buenos productos era tan buena como lanzar una moneda y desear cara. Dado que los agricultores no tenían información sobre sus fincas, no había forma de conocer las causas de la pérdida de cultivos. Esta práctica empujó a los agricultores hacia pérdidas y deudas. Los avances en análisis de big data, IoT e imágenes satelitales accesibles crearon optimismo para el sector agrícola, combatiendo así el problema de la imprevisibilidad.

Beneficios de varias formas
Dado que se pueden rastrear los detalles de las áreas en una sola granja, la agricultura de precisión beneficia a los agricultores de varias maneras.

Conjunto refinado de prácticas de cultivo y elección de cultivos en función de la idoneidad de la tierra

Eliminación de volatilidad y riesgo

Gestión de residuos

Costos de producción reducidos

Impacto ambiental mínimo

Uso optimizado de fertilizantes

Administracion del Agua

Resumen
La agricultura de precisión es la adopción de un conjunto de prácticas altamente precisas que utilizan tecnología para satisfacer las necesidades de las parcelas y cultivos individuales. El software de análisis de big data (SaaS) como CropIn o robots como drones se puede utilizar para obtener información detallada de la parcela, el tipo de suelo, los cultivos adecuados, las necesidades de riego y fertilizantes. La información obtenida se utiliza para adaptar una selección infalible de cultivos, cantidad de fertilizante y necesidades de riego. La agricultura de precisión ayuda a los agricultores a vivir una vida libre de deudas, ya que se reducen los costos de producción y las pérdidas y también se minimiza el impacto ambiental general.

Preguntas frecuentes
¿Qué herramientas tengo para adaptarme a la agricultura de precisión?

La agricultura de precisión se enfoca en reducir el costo de producción y el desperdicio, ya que se satisfacen las necesidades personalizadas de cada parcela. Se centra en la recopilación de datos y el análisis de farmpIots, que se compone de sensores, drones y robots para registrar los datos y el software como servicio (SaaS) se puede utilizar para adaptarse a la agricultura de precisión.

Aunque IoT aún se encuentra en una etapa incipiente, los gobiernos de las economías agrícolas dominantes invierten en tecnologías de vanguardia como IoT, AI y Machine Learning para crear soluciones agrícolas más inteligentes. En economías basadas en la agricultura como la India, la implementación de IoT en la agricultura tiene su propio conjunto de beneficios y desafíos únicos. En primer lugar, los agricultores temen actualizarse a agtech, ya que carecen de conocimientos sobre la aplicabilidad de la tecnología en la agricultura.

Además de esto, los sensores, robots y drones que se utilizan en el desarrollo de soluciones de IoT son costosos, de alto mantenimiento y requieren mano de obra técnicamente capacitada para operarlos. Los datos recopilados deben analizarse; esto se puede hacer llevándolos a un laboratorio o utilizando instrumentos en la granja. También se requieren una variedad de sensores para recopilar datos sobre diferentes parámetros que deben analizarse por separado, por lo que son de alto presupuesto. Por lo tanto, la solución debe ser rentable y altamente escalable, considerando los distintos tamaños de las granjas.

Una solución más económica, escalable y precisa es la implementación de soluciones SaaS (software como servicio) basadas en la nube. Estos softwares utilizados en la tecnología agrícola se enfocan en brindar soluciones agrícolas modernas que ayuden a los agricultores, las empresas agrícolas y otras partes interesadas a tomar decisiones inteligentes basadas en el análisis de datos. CropIn está a la vanguardia para hacer que la agricultura sea más inteligente con el uso de imágenes satelitales, análisis del clima y aprendizaje automático para monitoreo, detección, análisis y predicción. Las aplicaciones inteligentes de CropIn se pueden integrar con software y sensores ya instalados a través de API. Los datos recopilados sobre el suelo o los niveles de humedad, los cambios de temperatura o el cultivo se pueden procesar utilizando las capacidades de los algoritmos de Big Data Analytics y Machine Learning para proporcionar información procesable basada en la precisión de los datos recopilados.

¿Puede la economía digital ayudar a la agricultura?
La reciente digitalización rápida ha reducido el papeleo exhaustivo en bancos, hospitales y la mayoría de las organizaciones del sector público y privado parece disminuir a medida que sus negocios se mueven en línea. La digitalización ha reducido el trabajo manual, que consumía mucho tiempo, era propenso a errores e ineficiente, lo que ahorraba millones a las empresas. La digitalización de la economía ha roto las barreras y ha reducido con éxito el miedo a la dependencia tecnológica, especialmente entre la comunidad agrícola. La digitalización también está revolucionando lentamente el vasto y complejo sector agrícola.

Las Naciones Unidas proyectan que para el año 2050 la población mundial será de 9,7 mil millones. Con la relevancia de más del 60 por ciento de la población mundial en la agricultura para la alimentación, la presión para aumentar los productos para satisfacer las demandas no parece disminuir. Junto con el cambio climático, que está provocando un aumento en las temperaturas globales, los niveles de dióxido de carbono y la frecuencia de sequías e inundaciones, junto con el aumento de los costos laborales, los altos costos de producción y la imprevisibilidad, representan un gran desafío para el futuro de la agricultura. Por tanto, el objetivo es incrementar la productividad de forma sostenible.

La reciente digitalización rápida ha reducido el papeleo exhaustivo en bancos, hospitales y la mayoría de las organizaciones del sector público y privado parece disminuir a medida que sus negocios se mueven en línea. La digitalización ha reducido el trabajo manual, que consumía mucho tiempo, era propenso a errores e ineficiente, lo que ahorraba millones a las empresas. La digitalización de la economía ha roto las barreras y ha reducido con éxito el miedo a la dependencia tecnológica, especialmente entre la comunidad agrícola. La digitalización también está revolucionando lentamente el vasto y complejo sector agrícola.

Las Naciones Unidas proyectan que para el año 2050 la población mundial será de 9,7 mil millones. Con la relevancia de más del 60 por ciento de la población mundial en la agricultura para la alimentación, la presión para aumentar los productos para satisfacer las demandas no parece disminuir. Junto con el cambio climático, que está provocando un aumento en las temperaturas globales, los niveles de dióxido de carbono y la frecuencia de sequías e inundaciones, junto con el aumento de los costos laborales, los altos costos de producción y la imprevisibilidad, representan un gran desafío para el futuro de la agricultura. Por tanto, el objetivo es incrementar la productividad de forma sostenible.

Leer más

El 80-90% de las pérdidas económicas debidas a problemas de salud en las vacas lecheras aparecen en el período crítico de transición de 2-3 semanas antes y hasta aproximadamente 100 días después del parto. La suplementación mineral correcta y adecuada en ese período es de fundamental importancia para desafiar este desarrollo causado por el uso creciente de Raciones Mixtas Totales (TMR) u otros sistemas estandarizados de alimentación y manejo, y mejoraría la productividad. Este caso de uso implica la suplementación de precisión de las vacas lecheras, utilizando un alimentador de minerales avanzado, servicios basados ​​en la nube e integración de datos combinados con la identificación de las vacas mediante crotales electrónicos, lo que permite una suplementación mineral adicional personalizada e individual. Los minerales y las vitaminas son importantes para el estado inmunológico de las vacas y, además, los aditivos alimentarios pueden tener un gran impacto en el medio ambiente y el clima. Los datos recopilados se muestran en una aplicación web para proporcionar un fácil acceso para monitorear los hábitos de alimentación de las vacas individuales, lo que puede ser un indicador temprano de problemas de salud. Como resultado, la herramienta de gestión de productos lácteos de este caso de uso contribuye significativamente al bienestar animal y la eficiencia de los recursos de las granjas.

4%
AUMENTO DE PRODUCTIVIDAD
1500
VACAS PROBADAS
-10%
PÉRDIDAS RELACIONADAS CON LA SALUD
Objetivos específicos
Hacer realidad la agricultura de precisión y establecer una cadena de valor alimentaria más sostenible;
Mejorar la calidad de los productos;
Reducir la descarga de nutrientes N y P del estiércol;
Economizar el consumo de recursos de insumos;
Mitigar el impacto ambiental del sector lácteo;
Reducir las pérdidas económicas en la producción láctea.
Resultados previstos
Aumento de productividad 3,7%
Reducción del uso de pesticidas mediante un menor uso de alimento
Probado y demostrado en 1500 vacas con crotales en seis granjas lecheras en tres países
Las pérdidas relacionadas con la salud se redujeron un 10%
Bienestar animal mejorado

Leer más

Con el aumento de la población y la cada vez más creciente demanda de alimentos por parte de la misma, la agricultura se ha visto obligada a evolucionar y a usar tecnología relacionada con las imágenes satelitales.

Hay que satisfacer las necesidades de una comunidad ávida de nutrientes, asegurar la buena administración de los recursos agrícolas y por tanto el uso de las nuevas tecnologías juega un papel fundamental.

Pues bien, la agricultura se ha servido de la tecnología satelital o aérea de Detección Remota (RS por sus siglas en inglés) para dicho propósito, poniendo la ingeniería espacial a su servicio.

IMÁGENES SATELITALES Y AGRICULTURA
Imágenes satelitales y agricultura
Imágenes satelitales y agricultura
¿Qué imágenes satelitales se toman?
La combinación de imágenes satelitales nos permite analizar elementos específicos de la superficie terrestre en función de su espectro de emisión. Gracias a las distintas bandas multiespectrales de operación de los satélites podemos interpretar aspectos como la vegetación, los usos del suelo o las masas de agua.

La misión Sentinel-2 dispone del instrumento MSI (MultiSpectral Instrument) que toma datos de alta resolución espacial con el fin de monitorizar la superficie terrestre.

En las siguientes imágenes satelitales se aprecia la diferencia de humedad en las diferentes parcelas de la provincia de León.

Campazas-León-1

Campazas-León-2
Podemos comparar con las siguientes de la región de Murcia.

Los Almagros-Murcia-1

Los Almagros-Murcia-2
Tipos de bandas
Las bandas obtenidas a partir del satélite Sentinel-2 del programa Copernicus de ESA son:

1: 443 nm (azul), resolución 60 m/px
2: 490 nm (azul), resolución 10 m/px
3: 560 nm (verde), resolución 10 m/px
4: 665 nm (rojo), resolución 10 m/px
5: 705 nm (rojo), resolución 20 m/px
6: 740 nm (ultrarojo), resolución 20 m/
7: 783 nm (rojo lejano), resolución 20 m/px
8: 842 nm (infrarrojo cercano), resolución 10 m/px
9: 940 nm (vapor de agua), resolución 60 m/px
10: 1375 nm (onda corta infarroja – Cirrus) , resolución 60 m/px
11: 1610 nm (onda corta infrarrojo), resolución 20 m/px
12: 2190 nm (onda corta infrarrojo 2), resolución 20 m/px
Combinaciones específicas RGB nos mostrarán y discriminarán los elementos de nuestras imágenes satelitales de forma rápida.

¿Cómo se analizan las imágenes satelitales?
Con las imágenes satelitales y mediante programas de procesamiento raster, podemos calcular distintos índices como:

El NDVI (Índice diferencial de vegetación normalizado) que mide la intensidad de verde de la planta.
Y el NDWI (del inglés Normalized Difference Water Index) índice diferencial de agua normalizado que se utiliza como una medida de la cantidad de agua que posee la vegetación o el nivel de saturación de humedad que posee el suelo.
Con el NDVI se calcula pixel por pixel la imagen a partir de la reflexión de la longitud de onda del infrarrojo cercano y del rojo y permite generar una imagen que muestra la biomasa relativa. La absorción de clorofila en la banda roja y la reflectancia relativamente alta de la vegetación en la banda infrarroja cercana (NIR) también se utilizan para calcular dicho índice.

Para el NDVI se usan las bandas 8 y 4 con esta relación [(8-4) / (8+4)] mientras que para el NDWI se utilizan las bandas 3 y 8 con la relación [(3-8) / (3+8)].

¿Cómo usa Plantae esta tecnología?
Para definir correctamente la instalación de los sensores y su ubicación, en Plantae usamos esta tecnología definiendo a nuestros clientes dónde recomendaríamos hacer la implementación de las sondas.

En las imágenes satelitales inferiores se expresa cómo mostramos el comportamiento de una finca con las precipitaciones y riegos, marcando posteriormente la ubicación.

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

La gestión de los recursos hídricos de un país depende, en gran medida, del conocimiento de las cuencas hidrológicas existentes, del potencial de estas y del manejo adecuado de los excedentes hídricos. El desarrollo tecnológico actual y de las últimas décadas nos lleva a usar los productos de los sensores remotos (satélite y radar) en la gestión del agua y la agricultura, por ejemplo, en la administración y planeamiento de las actividades de previsión y control de las crecidas, inundaciones y las sequías muy ligadas a la producción agrícola. Hoy en día, los gestores del agua utilizan esta información espacial para prevenir o cuantificar todo tipo de parámetros relacionados con el uso del agua, las sequías, las inundaciones, etc. Asimismo, el uso de vehículos aéreos no tripulados (VANT o DRONE) cada vez se hace más frecuente, basado en la complejidad que tienen los sistemas naturales para su estudio, ya que en la mayoría de los casos debemos realizar monitoreo, toma de muestras, etc., los cuales son muy complicados o de alto riesgo. Por tanto, su uso queda plenamente justificado. La denominación VANT está ligada a vehículos militares y DRONE a vehículos no tripulados para operaciones civiles (Puri et al., 2017).

Desde el siglo XIX hasta la actualidad se viene dando su evolución y surgimiento. Hay una serie de hechos históricos y aspectos relevantes que poco a poco han ido dando forma a lo que hoy conocemos como una nueva manera letal de matar a distancia y que además ha originado el crecimiento de aparatos o unidades no tripuladas como una tecnología potente desarrollada también en el sector civil, específicamente en el campo de la agricultura de precisión. Los primeros usos fueron con fines militares, y uno de los primeros registrados fue el de los austriacos en julio de 1849, después de que se pusieran en marcha alrededor de doscientos globos aerostáticos no tripulados montados con bombas en la ciudad de Venecia. Los drones, o vehículos aéreos no tripulados, han sido utilizados por los militares desde la Primera Guerra Mundial para la vigilancia remota. Tras estos avances científicos y tecnológicos, en la última década, los agricultores comenzaron a usarlos para monitorear sus campos, así como para ayudar a los programas de agricultura de precisión (Stehr, 2015). Hay estimaciones de que 80 a 90% del mercado de aparatos no tripulados en la próxima década se utilizará en la agricultura.

En este trabajo de revisión buscamos establecer los avances en el uso de los drones como una herramienta para una agricultura eficiente, de precisión, y determinar cuál será el futuro de esa tecnología que se nos viene en esta línea de investigación.

METODOLOGÍA

Según las características del caso revisado, metodológicamente establecimos interrelaciones, donde se consultan estudios académicos y material oficial de dominio público de instituciones académicas, tecnológicas y científicas. Bajo esta metodología buscamos explicar los avances en la actualidad y el futuro del uso de los drones en la agricultura de precisión y con alta eficiencia. Existe documentación que fue analizada y se esquematizó para ser reportada en este trabajo y a la vez sirvió para establecer la discusión y conclusiones sobre el uso de los drones como una herramienta para una agricultura eficiente.

Tipos y clases de vehículos no tripulados

Los vehículos no tripulados o simplemente drones pueden ser aéreos, terrestres o acuáticos. En cualquiera de los casos, estos equipos se encuentran en constante evolución y su aplicación se ha extendido a los diferentes campos del conocimiento humano, en las ciencias e ingenierías, especialmente, el tema que abordamos sobre la agricultura de precisión. Se pueden clasificar desde diferentes perspectivas: por el uso, por el tipo de control o por su forma. En cuanto al uso podemos encontrar: (a) Drones militares. Suelen ir armados y con capacidad de bombardeo, aunque otras veces son únicamente para espionaje. (b) Drones civiles. Son aquellos que no tienen uso militar y a su vez pueden ser: drones de uso comercial, para la venta de servicios como la fotogrametría, multimedia, etc.; drones para aficionados, para su uso como hobby; drones de uso gubernamental, para las fuerzas del estado, bomberos, rescate, etc.

Por el tipo de control que utilizan pueden ser: (a) Autónomo. No necesita de un piloto humano que lo controle desde tierra. Se guía por sus propios sistemas y sensores integrados. (b) Monitorizado. En este caso sí se necesita de un técnico humano. La labor de esta persona es proporcionar información y controlar el feedback del drone. El drone dirige su propio plan de vuelo y el técnico, a pesar de no poder controlar los mandos directamente, sí puede decidir qué acción llevará a cabo. Este sistema es habitual en labores de agricultura de precisión y fotogrametría. (c) Supervisado. U operador lo pilota, aunque puede realizar algunas tareas autónomamente. (d) Preprogramado. Sigue un plan de vuelo diseñado previamente y no hay forma de modificarlo para adaptarse a posibles cambios. (e) Controlado remotamente (R/C). Es pilotado directamente por un técnico mediante una consola.

En cuanto a su forma tenemos: (a) Multirrotores. Son los más usados actualmente. Se componen de varios motores independientes situados en los extremos del aparato. Se suelen clasificar según el número de motores en tricópteros (3), cuadricópteros (4), hexacópteros (6) y octocótperos (8). Su uso es el más extendido debido a su gran estabilidad y la facilidad y cantidad de maniobras que pueden realizar, además de poder volar estáticamente en el lugar que les indiquemos. Su desventaja es el gran consumo de energía que necesitan para mantener el vuelo y su autonomía que suele estar entre los 15 y los 30 minutos. Son ideales en el sector audiovisual y en la inspección industrial. (b) Helicópteros. Su forma es la de un helicóptero convencional pero de tamaño pequeño. Está compuesto de un solo motor principal y ello le otorga gran capacidad de carga y autonomía. Existen modelos de combustión interna que pueden volar durante una (1) hora sin repostar. No obstante, su complejidad tanto a nivel mecánico como de control los ha hecho menos accesibles y son los menos utilizados. Ideales para fotogrametría, vigilancia o agricultura de precisión. (c) Ala fija. Son aquellos cuya fisonomía es similar a la de un aeroplano. Están compuestos por un cuerpo principal unido a dos alas que les permiten planear y un rotor en cola cuya propulsión puede ser eléctrica o de combustión. Sin duda es el más eficiente aerodinámicamente hablando y el que tiene mayor autonomía de vuelo. Por otro lado, existe el inconveniente de que es el que menor carga puede llevar, tiene menos agilidad de maniobras ya que no puede permanecer inmóvil y necesita una gran superficie para despegar o aterrizar. No obstante, su gran autonomía lo convierte en un candidato ideal para las labores de fotogrametría y agricultura de precisión.

Tecnología disponible en la actualidad para la agricultura

En el mercado internacional hay diversos tipos de drones para la agricultura. Los más utilizados en este campo son el multirrotor-cuadricóptero (tiempo de vuelo de 30 minutos y cobertura por vuelo de 65 ha) y el de ala fija (tiempo de vuelo de 30 a 90 minutos y cobertura por vuelo de 120 a 3.800 ha), como se observa en la Figura 1. Un aspecto importante son los sensores utilizados. No necesariamente han sido producidos y calibrados para la agricultura los sensores que capturan imágenes rojo-verde-azul (RGB) e infrarrojo cercano (NIR). En la Figura 2 se muestran estos dos tipos de imágenes (Patel, 2016). Las fotografías que se toman deben venir geolocalizadas, de tal manera que puedan ser ubicadas exactamente para ser sobrepuestas y con ellas formar el mapa de la plantación. Estos tipos de sensores se encuentran en Go-Pro, Canon, Sony y cualquier otra marca de cámaras. Las cámaras de tipo agrícola tienen filtros especializados que las hacen más costosas. Ejemplos de cámaras especializadas para la agricultura son la Micasense Red-Edge y Parrot Sequoia. Estas cámaras son ligeras y están diseñadas específicamente para la potencia de los drones. Otro aspecto importante es la ubicación en el terreno: los drones tienen GPS incorporado que dan la localización en el vuelo. La precisión manejable en la actualidad en estos equipos es de +/- 3 m.

Figura 1 Drones utilizados en la agricultura: (a) multirrotor (cuadricóptero), (b) de ala fija.

Figura 2 Imágenes según tipos de cámara y espectros (RGB y NIR) (Torres-Rua, 2017).

En cuanto a los productos de estos vuelos programados, los mapas que se obtienen utilizando drones comerciales son el Índice Normalizado de Vegetación Diferencial (NDVI) o similares. El NDVI es un índice que muestra en forma general el estado de salud de una planta (Mahajan y Bumdel, 2016). Si los valores de NDVI están cerca de 1.0, se espera que la vegetación sea saludable, pero para valores cercanos a 0.0, el mapa muestra suelo desnudo o vegetación estresada. Diferentes cámaras proporcionan distintos valores de NDVI para el mismo campo y tiempo de vuelo, lo que podría inducir a error al usuario. Las cámaras agrícolas, sin embargo, pueden proporcionar un NDVI estándar que es comparable con otras cámaras agrícolas como las de los satélites. En la Figura 3, se muestra como ejemplo diferencias NDVI (fila inferior) entre RGB y filtros NIR de paso largo (columna izquierda, 2015) y los filtros espectrales RED y NIR (columna derecha, 2016) para una ubicación de viñedo en California (fila de arriba) (Torres-Rua, 2017). Las ubicaciones de suelo desnudo (como las carreteras y las vides) y las marquesinas de vid en 2015 tienen mayores valores NDVI (~ 0.30) y (0.7-1.0) que los valores NDVI estimados utilizando los filtros Landsat el año 2016 (~ 0.10 y 0.5-0.9) para suelo desnudo y dosel de vid, respectivamente.

Figura 3 Diferencias NDVI (fila inferior) entre RGB y filtros NIR de paso largo (columna izquierda) y los filtros espectrales RED y NIR (columna derecha) (Torres-Rua, 2017).

Con la creciente disponibilidad de sensores térmicos de proximidad, cámaras UAV y radiómetros de covarianza de Foucault, puede suponerse que la información producida por estos sensores es intercambiable o compatible (Torres-Rua et al., 2018). Este supuesto se mantiene a menudo para la estimación de parámetros agrícolas como la cubierta y la temperatura del suelo, los componentes del balance energético y la evapotranspiración. Sin embargo, las condiciones ambientales, la calibración y la configuración del terreno pueden afectar la relación entre las mediciones de cada uno de estos sensores térmicos.

Con las reducciones en la disponibilidad de agua en gran parte de California debido a la sequía y los intereses de uso del agua que compiten entre sí, es importante optimizar las estrategias de manejo del riego. Según Knipper et al., (2018), resultan muy útiles los mapas de evapotranspiración (ET) derivados de satélites y la proporción de ET real a referencia (f RET) basadas en imágenes de temperatura de la superficie terrestre (LST) de sensores remotos para controlar el uso del agua de los cultivos y el estrés en los viñedos. De igual manera, y con mayor resolución, podemos establecer que los mapas de evapotranspiración resultante de la aplicación de vuelos drone y sensores especializados son muy útiles para una agricultura eficiente.

Las actividades agrícolas

En la agricultura se requiere información adecuada para cuantificar y decidir sobre el momento y el lugar del riego, siembra, fertilización y cosecha. Una irrigación eficiente puede ayudar a evitar el estrés hídrico de los cultivos, los niveles indeseables de lixiviación de nutrientes y la reducción del rendimiento debido a la escasez de agua, la escorrentía o el riego excesivo (Hassan et al., 2015). Se puede lograr una mayor eficiencia en el uso del agua cuando su aplicación se ajusta de manera precisa a la demanda de agua del cultivo distribuida espacialmente. La humedad del suelo en la superficie espacial puede ser un indicador importante de las condiciones de los cultivos en las tierras de siembra, pero su estimación continua sigue siendo un desafío debido a la resolución espacial y temporal aproximada de los productos de sensores remotos existentes (Torres-Rua, et al., 2016). El contenido de humedad del suelo (SM) es una de las variables ambientales más importantes en relación con la climatología de la superficie terrestre, la hidrología y la ecología. Los conjuntos de datos de SM a largo plazo a escala regional proporcionan información razonable sobre el cambio climático y las regiones específicas del calentamiento global utilizando datos satelitales multiespectrales (Natsagdorj et al., 2017). La agricultura de precisión requiere una alta gestión espacial de los insumos para la producción agrícola. Esto necesita que la información procesable sobre el estado del cultivo y el campo se adquiera con la misma resolución espacial alta y en una frecuencia temporal apropiada para las respuestas oportunas (Al- Arab et al., 2013).

Evapotranspiración y contenido de humedad del suelo

La estimación operacional de la evapotranspiración espacial diaria y continua (ET), y los componentes evaporación (E) y transpiración (T), a escala de cuenca hidrográfica es muy útil para desarrollar estrategias sostenibles de recursos hídricos, particularmente en regiones con un suministro limitado de agua (Song et al., 2018). La evapotranspiración es controlada por múltiples procesos interconectados (Alfieri et al., 2018). Desde la perspectiva de la gestión del riego, son necesarios dos componentes principales para estimar necesidades de riego del agua a nivel de unidad terrestre: evapotranspiración (ET) y humedad del suelo (SM) (Song et al., 2016). ET es la cantidad de agua que utiliza el cultivo en función del agua disponible en la zona de la raíz, el tipo de planta y el clima y condiciones estacionales. SM es la cantidad de agua retenida en la zona de la raíz, y varía espacialmente según el tipo de suelo, la cantidad de materia orgánica y la profundidad (Karimi & Bastiaanssen, 2015). Estos dos componentes permiten estimar las necesidades de agua de riego a través del balance hídrico. Los modelos de ET disponibles en la actualidad que estiman la ET con el uso de la tecnología de drones requieren, además de los filtros espectrales Rojo y NIR seleccionados, la incorporación de un sensor de cámara de temperatura junto con información de la estación meteorológica local (Torres-Rua, 2017). En la Figura 4, se muestra un ejemplo de estimación de evapotranspiración en los viñedos de California desarrollado por el programa Aggie Air del Laboratorio de Investigación del Agua de la Universidad Estatal de Utah. La evapotranspiración (ET) y su división entre evaporación (E) y transpiración (T) es un componente significativo del ciclo de agua y energía en todas las escalas, desde el campo y la cuenca hasta regional y global, y es esencial para muchas aplicaciones en clima, hidrología y ecología (Seneviratne et al., 2010). Las investigaciones sugieren que es probable que T represente alrededor del 65% de ET continental (incluida la intercepción de lluvia por la vegetación) (Good et al., 2015; Zhang et al., 2016).

Figura 4 Ejemplo de AggieAir, Laboratorio de Recursos Hídricos, Universidad Estatal de Utah (2017) RGB (izquierda) y estimación de la evapotranspiración, ET en pulgadas/día o mm/día (derecha) para viñedos en California, resolución: 4 pulgadas/ píxel, área de 300 acres

El agua que se pierde en la atmósfera a través de la evapotranspiración (ET; evaporación del suelo + transpiración del dosel) sirve para enfriar la superficie de la Tierra. Del mismo modo que se usa un termómetro para diagnosticar el estrés en el cuerpo humano, la temperatura de la superficie terrestre (LST) derivada de los datos de detección remota en la banda de infrarrojo térmico (TIR) (8-14 micrones) es un valioso diagnóstico del estrés biosférico resultante de las deficiencias de humedad del suelo (Anderson & Kustas, 2008).

Los nutrientes en los cultivos

Una actividad común en temporada agrícola es la aplicación de fertilizantes (nitrógeno, fosfato, potasa) y micronutrientes (azufre, magnesio, zinc). El fertilizante es aplicado por equipos en tierra (pulverizadores de tractor o sistemas de riego a presión) o por aviones tripulados (Nguyen y Symmons, 1984; Tollner, 2016). Cuando se trata de grandes superficies de cultivos, es adecuado el uso de aviones tripulados para la aplicación de fertilizantes, utilizando una tasa de aplicación constante para todos los campos. La estimación usando drones del estado de los nutrientes del cultivo puede beneficiar directamente la tasa de aplicación al incluir la totalidad del campo. En este sentido, los resultados de la investigación indican que es posible realizar el monitoreo con vehículos aéreos no tripulados científicos y sensores de cámara especializados como cámaras ópticas y térmicas (Al-Arab et al., 2013; Torres-Rua et al., 2018), junto con sensores especializados filtros ópticos como Red Edge o cámaras hiperespectrales.

En la Figura 5, se muestra un ejemplo también desarrollado por AggieAir, sobre estimación del contenido de nitrógeno para el cultivo de avena, en campos de cultivo de Utah, Estados Unidos.

Figura 5 Ejemplo de AggieAir, Laboratorio de Recursos Hídricos, Universidad Estatal de Utah (2017) sobreestimación del contenido de nitrógeno para la avena (mg/100 mg DM), Ubicación: Scipio, UT, resolución: 6 pulgadas/píxel.

Rendimiento de los cultivos

Se puede realizar una representación tridimensional de las condiciones de la superficie, también conocidas como modelos digitales de elevación (DEM). Si bien no se requieren sensores científicos para producir un DEM que es una representación realista de las complejas características del terreno (De Ruyver y Maathuis, 2005), la precisión de la ubicación de los píxeles es necesaria para relacionar las condiciones biofísicas (rendimiento o volumen de biomasa) con las condiciones de altura, así como los análisis de series de tiempo. Las soluciones en equipos agrícolas como “real time kinematic” o “rtk-gps” (pulgadas) puntos de control en tierra pueden lograr una alta precisión con tolerancias de error de +/- 2 pulgadas en coordenadas x e y, y +/- 0.5 ft en coordenadas z.

Utilizando drones es posible realizar las siguientes acciones: (a) Conteo de plantas y supervisión de su crecimiento. Realizar esta labor con imágenes aéreas, facilita y agiliza enormemente la tarea y se logra mayor exactitud. (b) Medición de clorofila. Permite verificar el nivel nutricional de las plantas. (c) Evaluación del estrés hídrico. Usando una cámara térmica es posible detectar si existen zonas que por su situación, su composición, etc., pueden necesitar mayor o menor cantidad de agua. (d) Detectar el estado sanitario de un cultivo. Permite verificar si la plantación ha sido afectada por alguna plaga y si es necesaria la aplicación de fertilizadores o tratamientos sanitarios total o diferenciado. (e) Fenología. Con la recopilación de datos y su estudio a lo largo del tiempo puede contribuir a mejorar la productividad de los cultivos y así establecer el potencial productivo. (f) Peritaje de cultivos ante un siniestro. Mediante el análisis de imágenes multiespectrales.

En la Figura 6, se presenta un ejemplo de Aggieair, sobre estimación del volumen del dosel de la vid, en los campos de cultivo de California.

Figura 6 Ejemplo de AggieAir, Laboratorio de Recursos Hídricos, Universidad Estatal de Utah (2017) estimación del volumen del dosel de la vid.

DISCUSIÓN

A inicios del uso de los drones o vehículos aéreos no tripulados, se proyectó que estas tecnologías se integrarían estrechamente en las actividades agrícolas a un ritmo acelerado y se convertirían en una herramienta ubicua y de bajo costo para tales operaciones (Torres- Rua, 2017). Sin embargo, varios años después, se reconoce ampliamente que esta tecnología disponible aún no se ha integrado en la agricultura como se esperaba a pesar de las múltiples ofertas de la plataforma.

Podemos identificar algunas ventajas de los drones frente a otros métodos: (a) Precisión en la toma de datos al abarcar una gran superficie en el mismo rango de tiempo. Deben realizarse varios vuelos en diferentes días y se debe programar el momento más adecuado del día según las características de la plantación a estudiar, para disponer de datos en un periodo de tiempo diferenciado, que nos permita hacer análisis comparativo. (b) Alta disponibilidad de datos recolectados en el tiempo. (c) Alta resolución de las imágenes obtenidas, en muchos casos mayor que las imágenes satelitales. (d) Reducción de costos frente a otras técnicas convencionales.

CONCLUSIÓN

La tecnología actual ha avanzado a tal extremo que no es necesario preocuparse por esta sino por las aplicaciones que debemos darle. Los cultivos utilizan la radiación solar para la fotosíntesis. En general, los cultivos “sanos” absorben la mayor parte de la radiación del espectro del rojo, mientras que reflejan la mayor parte de la radiación del infrarrojo cercano. Sin embargo, los cultivos bajo estrés reducen su capacidad para absorber en el rojo y reflejar en el infrarrojo cercano. Tal información es utilizada para la alerta temprana del estrés hídrico de los cultivos. Se sabe que los humanos no podemos ver en el infrarrojo cercano, por lo que suele reaccionar demasiado tarde en lugar de ocurrir durante la fase inicial del estrés. Los drones pueden recopilar información de diversas bandas del espectro energético con una resolución espacial de hasta 5 centímetros en aquellos momentos que son críticos para el desarrollo de los cultivos. Los datos espectrales captados por los sensores se convierten en información útil como mapas y algoritmos matemáticos, relacionados con situaciones de estrés hídrico o momentos óptimos para la cosecha u otros. Los drones se utilizan para este tipo de aplicaciones tanto en grandes como en pequeñas extensiones de cultivos. Asimismo, un aspecto importante es el componente económico para la aplicación de esta tecnología, por lo que resulta recomendable para asociaciones de agricultores con el fin de reducir costos.

La comunidad científica muestra resultados y avances prometedores: se incrementa la precisión de las imágenes, se logran productos más confiables para la agricultura de precisión y cada vez es posible analizar más elementos relacionados con el desarrollo de los cultivos y los factores que condicionan sus rendimientos.

Leer más

Los principios de administración de nutrientes de las 4R son los mismos a nivel mundial, pero la forma en que se utilizan localmente varía según las características específicas del campo y el sitio, como el suelo, el sistema de cultivo, las técnicas de gestión y el clima. Los principios científicos del marco de las 4R incluyen:

FUENTE CORRECTA – Asegurar un suministro equilibrado de nutrientes esenciales, considerando tanto las fuentes naturales disponibles como las características de productos específicos, en formas disponibles para las plantas.

TASA CORRECTA : evalúe y tome decisiones en función del suministro de nutrientes del suelo y la demanda de las plantas.

MOMENTO CORRECTO : evalúe y tome decisiones basadas en la dinámica de absorción de cultivos, suministro de suelo, riesgos de pérdida de nutrientes y logística de operaciones de campo.

LUGAR CORRECTO – Aborde la dinámica raíz-suelo y el movimiento de nutrientes, y gestione la variabilidad espacial dentro del campo para satisfacer las necesidades de cultivo específicas del sitio y limitar las pérdidas potenciales del campo.

Descargas de recursos
Instrucción
Colocación de fertilizante con semilla : factores a considerar al aplicar fertilizante con la semilla: tipo de cultivo, fuente de fertilizante, espacio entre filas

Aplicación Split Fert: las aplicaciones divididas se enfocan en las necesidades de la planta. Las aplicaciones divididas de nitrógeno ayudan a los productores a igualar los requisitos de los cultivos con el suministro de nutrientes y pueden aumentar la eficiencia del nitrógeno al combinar de manera más eficaz el suministro de nutrientes con las necesidades de la planta.

Fertilizante inicial: con un fertilizante inicial, un poco sirve para mucho. Los fertilizantes iniciales se pueden utilizar como una estrategia para manejar la variabilidad de nutrientes dentro del campo. Los nutrientes del fertilizante inicial proporcionan efectos sinérgicos.

Pruebas y pH del suelo
PH del suelo y nutrientes de las plantas : el fósforo (P) es el nutriente más directamente afectado por el pH del suelo. La mayor parte de la producción de cultivos en curso reducirá gradualmente el pH del suelo. Las deficiencias de hierro se abordan mejor evitando por completo los suelos con pH alto.

Muestreo de suelo : un análisis de suelo preciso puede resultar en un uso más eficiente de fertilizantes. La mayoría de los expertos recomiendan pruebas anuales. La atención al detalle ayuda a garantizar un programa de muestreo de suelo exitoso • Las tendencias son clave para los análisis y la planificación

Análisis de nutrientes de granos : ¿cómo afectan las nuevas genéticas al contenido de nutrientes en los granos? ¿Cuál es la mejor forma de recolectar muestras de granos? ¿Dónde puede encontrar «valores contables» de las tasas de eliminación de nutrientes?

Alturas y mínimas de potasa en la prueba del suelo : factores que contribuyen a los cambios en los resultados de la prueba de K. Por qué es mejor tomar menos muestras de suelo con más núcleos que más muestras con menos núcleos cuando se realiza la prueba de K. Consejos sobre cómo minimizar la variabilidad.

Folleto de vías de pérdida de nitrógeno : el clima dificulta la gestión perfecta del nitrógeno. Determine sus vías de pérdida de nitrógeno más significativas. Concéntrese en abordar esas vías con BMP.

Suplementos de suelo
El azufre es el cuarto nutriente principal : los cultivos que tienen una alta necesidad de N normalmente también tendrán altas necesidades de S. Se deben tener en cuenta varios factores al tomar decisiones sobre fertilización con nitrógeno. Hay varias fuentes de fertilizantes S disponibles.

Vigile el potasio : las aplicaciones de K programadas regularmente son a menudo un enfoque práctico para manejar la variabilidad del K de las pruebas de suelo. Sugerencias para el monitoreo de K en el sistema suelo-cultivo.

Alfalfa de alta calidad : la alfalfa presenta la mayor demanda en las reservas de nutrientes del suelo de cualquiera de los cultivos comúnmente cultivados. Hay varios beneficios menos obvios de mantener los nutrientes adecuados del suelo para la alfalfa. El análisis del suelo antes de establecer el rodal es la mejor manera de hacer que la alfalfa tenga un comienzo saludable.

Equilibrio del suelo
El papel de la tecnología de precisión: la tecnología del sistema de posicionamiento global (GPS) es un buen primer paso. Los registros georeferenciados son un elemento clave. La industria se está moviendo hacia sistemas de gestión de datos más compartidos.

Bandas de fertilizantes : las bandas de K pueden no permanecer tan concentradas en el suelo con el tiempo, ya que las bandas de P. Las plantas de maíz y soja redistribuyen K en los suelos en mayor medida que P.

Presupuestos de nutrientes: mayor dinero en efectivo : muchos servicios pueden realizar pruebas de suelo y tejido mientras está en el campo, para que pueda analizar, aplicar nutrientes y preparar el suelo sin demoras. Los presupuestos de nutrientes lo ayudan a comprender el equilibrio entre los insumos y productos de los cultivos. Reemplazar los nutrientes del suelo en las granjas debe ser un procedimiento operativo estándar porque solo tenemos una oportunidad en un cultivo cada año. Pruébalo. Equilibrarlo. ¡Apliquelo!

Leer más

El NDVI ha sido uno de los índices de vegetación más utilizados en la observación remota desde su aparición en la década de los 70. Con el aumento de la disponibilidad de imágenes de teledetección procedentes de satélites y de vehículos aéreos no tripulados, cada vez más personas lo han adoptado en sus actividades más allá del ámbito de la ciencia.

En la actualidad, la agricultura es la mayor industria que aprovecha las ventajas de los datos de satélite, como la cobertura de grandes áreas, la exactitud de sus resultados y la alta frecuencia de actualización de sus datos, lo que significa que un territorio tan pequeño como un solo campo o tan grande como un país entero puede observarse desde el espacio con datos que han sido actualizados recientemente.

Y, sin embargo, todavía hay una gran falta de conocimiento y muchas creencias erróneas en torno a estos misteriosos índices de vegetación. Para ayudar a los usuarios a entender mejor cómo trabajar con el NDVI de la manera más efectiva y cosechar los mayores beneficios, decidimos crear esta página con preguntas frecuentes (FAQ).

¡Vamos a ello!

¿QUÉ ES UN IV O ÍNDICE DE VEGETACIÓN?
Debe saber que la reflectancia espectral de la vegetación a través de diferentes bandas medidas por un sensor sirve como indicador de la presencia de plantas o árboles y su estado general. Así pues, un IV es una combinación matemática de dos o más de esas bandas espectrales que aumenta el contraste entre la vegetación (que tiene una alta reflectancia) y el suelo desnudo, estructuras construidas por el hombre, etc., además de medir características de las plantas, como la biomasa, el vigor, la densidad, etc.

Existen más de cien índices para el análisis de la vegetación; para obtener más información, consulte la base de datos de índices.

¿QUÉ ES EL NDVI EN OBSERVACIÓN REMOTA?
El Índice de Vegetación de Diferencia Normalizada (NDVI) es un simple indicador de la biomasa fotosintéticamente activa o, en términos simples, un cálculo de la salud de la vegetación.

¿QUÉ MUESTRA EL NDVI?
En pocas palabras, el NDVI ayuda a diferenciar la vegetación de otros tipos de cubierta terrestre (artificial) y a determinar su estado general. También permite definir y visualizar las áreas con vegetación en el mapa, así como detectar cambios anormales en el proceso de crecimiento.

¿CÓMO SE CALCULA EL NDVI?
El NDVI se calcula con la siguiente fórmula: NDVI = (NIR-Red) / (NIR+Red), donde NIR es la luz del infrarrojo cercano y Rojo es luz roja visible. Hay un gran número de herramientas gratuitas del SIG en línea que permiten el cálculo instantáneo del NDVI.

¿CÓMO SE CALCULA EL NDVI EN QGIS?
Para el cálculo del índice NDVI en QGIS, se debe utilizar la Calculadora de Ráster QGIS cargando los datos necesarios. Utiliza la fórmula estándar del NDVI. Si se utilizan datos del Landsat 8, entonces la fórmula será: NDVI = (Banda 5 – Banda 4)/(Banda 5 + Banda 4), donde la Banda 5 y la Banda 4 representan las ondas rojas (0,64-0,67 micrómetros) y las ondas NIR (0,85-0,88 micrómetros), respectivamente.

Con Crop Monitoring, los datos del NDVI están fácilmente disponibles con numerosas imágenes. No es necesario introducir datos específicos para calcularlo, así como tener un software de escritorio para obtener los datos necesarios

¿CÓMO SE CALCULA EL NDVI EN ARCGIS?
La fórmula para calcular el índice NDVI en ArcGIS no varía y, al igual que en QGIS, hay una Calculadora de Ráster propia donde introducir manualmente o cargar los datos de entrada. ArcGIS también posee una extensión llamada Image Analyst que permite la visualización avanzada de imágenes de forma automática.

Con Crop Monitoring, los datos del NDVI están fácilmente disponibles con numerosas imágenes. No es necesario introducir datos específicos para calcular el NDVI, así como tener un software de escritorio para obtener los datos necesarios

SI NECESITA CALCULAR EL NDVI, ¿GUÉ TIPO DE BANDAS DEBERÍA USAR?
Según la fórmula del NDVI es necesario tomar el valor de reflectancia en dos bandas: la banda roja visible y la banda del infrarrojo cercano. Tenga en cuenta que no podrá calcular el NDVI utilizando imágenes en color natural u otro tipo de composición de bandas, aunque contengan las bandas requeridas.

¿CÓMO FUNCIONA EL NDVI?
Básicamente, funciona comparando matemáticamente la cantidad de luz roja visible absorbida y la luz infrarroja cercana reflejada. Y la explicación es la siguiente.

El pigmento de clorofila en una planta sana absorbe la mayor parte de la luz roja visible, mientras que la estructura celular de una planta refleja la mayor parte de la luz del infrarrojo cercano. Esto significa que una alta actividad fotosintética, comúnmente asociada con la vegetación densa, tendrá menos reflectancia en la banda roja y mayor reflectancia en la del infrarrojo cercano. Al observar cómo se comparan estos valores entre sí, se puede detectar y analizar de forma fiable la cubierta vegetal de forma separada respecto a otros tipos de cubierta terrestre natural.

esquema de cómo funciona NDVI

¿QUÉ VALORES DEL NDVI REPRESENTAN UNA VEGETACIÓN SANA, LOS POSITIVOS O LOS NEGATIVOS?
Como sabrá, el NDVI tiene una escala de valores que van de -1 a 1. Los valores negativos de NDVI corresponden a áreas con superficies de agua, estructuras hechas por el hombre, rocas, nubes o nieve; el suelo desnudo suele estar dentro del rango de 0,1 a 0,2 y las plantas siempre tendrán valores positivos entre 0,2 y 1. El dosel de la vegetación densa y saludable debería estar por encima de 0,5, y la vegetación dispersa muy probablemente estará dentro del rango de 0,2 a 0,5. Sin embargo, es sólo una regla general y siempre hay que tener en cuenta la estación, el tipo de planta y las peculiaridades regionales para saber la interpretación de los valores del NDVI correcta.

interpretación de los valores NDVI

¿CÓMO SE MIDE LA DENSIDAD DE VEGETACIÓN CON EL NDVI?
En la mayoría de los casos, los valores de NDVI entre 0,2 y 0,4 corresponden a zonas con vegetación escasa; la vegetación moderada tiende a variar entre 0,4 y 0,6; mientras que cualquier valor por encima de 0,6 indica la mayor densidad posible de hojas verdes.

Si se analizan los cultivos, hay que tener en cuenta el tipo de cultivos plantados y la anchura de las filas al interpretar los resultados obtenidos.

El problema con el NDVI como herramienta para medir la densidad de la vegetación es que se satura con grandes cantidades de biomasa verde. Simplificando, puede terminar obteniendo las mismas lecturas del NDVI para una densidad de vegetación baja y muy alta. Considere usar el índice EVI (Índice de Vegetación Mejorado), que es una versión modificada, especialmente preciso en áreas con un dosel denso. Otra alternativa es el NDRE (Normalized Difference Red Edge), un índice que es bueno para los cultivos con gran espesura u otros cultivos densos.

¿CÓMO ES UNA IMAGEN DEL NDVI Y CÓMO INTERPRETARLA?
Tradicionalmente, los resultados del NDVI se representan con un mapa de colores, donde cada color corresponde a un cierto rango de valores. No hay una paleta de colores estándar, pero la mayoría de los programas informáticos utilizan la variante “rojo-verde”, lo que significa que los colores rojo-naranja-amarillo indican suelo desnudo o vegetación muerta/dispersa y los tonos de verde son un signo de una cubierta vegetal normal o densa.

Si todavía no sabe cómo realizar una interpretación de imágenes del NDVI de forma correcta, sólo tiene que comprobar la leyenda del índice, como la que tenemos en LandViewer (se muestra en la imagen en la esquina inferior derecha). Y recuerde que algunos programas permiten crear su propia paleta de colores para los índices.

imágenes NDVI de LandViewer

¿CUÁLES SON LAS ALTERNATIVAS AL NDVI?
A decir verdad, hay una buena cantidad de índices de vegetación que se basan en el NDVI estándar. A diferencia de éste, son modificados según el brillo del suelo, efectos atmosféricos y otros factores que suelen afectar a los resultados del NDVI. Son EVI, SAVI, ARVI, GCL, SIPI, y puede saber más sobre ellos aquí.

¿QUÉ MIDE EL NDVI EN LOS CULTIVOS?
De una forma simple, el NDVI mide el estado y la salud de los cultivos o el vigor de estos. Este índice de vegetación es un indicador de verdor y tiene una fuerte relación con la biomasa verde, que es indicativa de crecimiento. También se sabe que los valores de NDVI tienen una alta relación con el rendimiento de los cultivos, lo que significa que puede utilizarse como herramienta para medir la productividad de los cultivos y predecir su rendimiento futuro.

¿PUEDE EL NDVI MOSTRAR EN QUÉ FASE SE ENCUENTRAN LOS CULTIVOS?
Lo cierto es que los valores NDVI obtenidos con datos de satélite de alta resolución temporal (por ejemplo, MODIS) tienen una gran relación con las fases fenológicas de los cultivos (emergente, madurez, cosecha). Sin embargo, hay ciertas limitaciones. Por ejemplo, durante las primeras etapas del crecimiento de los cultivos, cuando la superficie foliar verde es pequeña, los resultados del NDVI son muy sensibles a los efectos de fondo del suelo. El NDVI también puede saturarse en etapas posteriores, cuando los cultivos alcanzan el nivel máximo de cubierta vegetal y producir resultados inexactos.

¿EL VALOR DE NDVI ES DIFERENTE PARA CADA CULTIVO?
En realidad, sí. Cada tipo de cultivo tiene una estructura de cubierta vegetal, diferentes etapas de crecimiento, y requiere de condiciones climáticas específicas para crecer adecuadamente. Todos estos factores influyen en las propiedades de reflectancia de los cultivos y, como resultado, producen diferentes valores de NDVI.

¿CUÁL SERÍA UN VALOR NORMAL DEL NDVI PARA MAÍZ/TRIGO/COLZA/SOJA?
Lamentablemente, no existen normas establecidas para los valores de NDVI para diferentes tipos de cultivos porque cada campo es único y las lecturas dependen de una combinación de varios factores (clima, tipo de suelo, prácticas de gestión agrícola). Recomendamos tomar datos de satélite a lo largo de varias estaciones y generar series temporales del NDVI para identificar pautas de crecimiento y los valores normales de su propio campo.

¿PUEDO USAR EL NDVI EN VIÑEDOS?
Depende. El NDVI se ha utilizado para evaluar el vigor de la vid, pero la precisión dependerá de las prácticas de gestión del suelo. Si hay un cultivo de cobertura entre las filas de vides, será difícil distinguir las áreas correspondientes al NDVI de la vid de las correspondientes al cultivo de cobertura. Si entre las hileras sólo hay suelo desnudo, los resultados tienden a ser más exactos.

¿CÓMO SE PUEDE UTILIZAR EL NDVI EN AGRICULTURA?
Cuando se trata de cultivos, hay un montón de aplicaciones, como por ejemplo:

Medir la biomasa y evaluar el estado y la salud de los cultivos.
Identificar plagas, enfermedades, hongos o zonas excesivamente secas en el campo antes de que el daño sea irreversible.
Observar la dinámica de la vegetación a lo largo de la temporada de crecimiento.
Establecer las condiciones normales de crecimiento para los cultivos de un área específica con las series temporales.
Estimación del rendimiento de los cultivos (nunca por sí solo, es necesario combinarlo con otros parámetros utilizados para este fin).
Detectar las áreas de riesgo dentro del campo más rápidamente y ajustar el gasto de agua, nutrientes para los cultivos y los pesticidas de forma más eficaz.
Controlar las condiciones de los pastos y su productividad.
Monitorizar sequías y ayudar a pronosticar las zonas con peligro de incendio.
¿PUEDE UTILIZARSE EL NDVI PARA OPTIMIZAR LA APLICACIÓN DE FUNGICIDAS?
Definitivamente, sí. En primer lugar, puede utilizar los mapas de NDVI de su campo para validar los resultados de la aplicación de diferentes fungicidas y ver cuál ayuda a producir cultivos más sanos y resistentes. En segundo lugar, la imagen del NDVI puede utilizarse como un mapa de receta que muestra las zonas en las que los cultivos pueden haber sufrido enfermedades fúngicas, de modo que el fungicida puede aplicarse consecuentemente. Le costará menos que rociar todo el campo.

¿SE PUEDE USAR EL NDVI PARA ESTIMAR LA COBERTURA DE LA MALEZA Y ERRADICARLA?
El perfil del NDVI de los cultivos libres de malezas difiere notablemente del de los cultivos infestados de maleza.

De acuerdo con múltiples estudios, las imágenes del NDVI pueden ser utilizadas para detectar infestaciones de malezas en los cultivos a finales de la temporada. Calculadas a partir de imágenes satelitales aéreas o de alta resolución adquiridas unas semanas antes de la senescencia del cultivo, el NDVI puede ayudar a diferenciar entre las plantas libres de malezas y las infestadas de malezas, ya que estas últimas tendrían una respuesta espectral más alta (= valores más altos). Alternativamente, las zonas de malezas pueden ser detectadas con imágenes postcosecha. Las imágenes NDVI pueden, por lo tanto, servir como mapas para recetar herbicidas que le permitan rociar sólo las zonas de maleza en lugar de todo el campo y reducir el impacto ambiental y el coste.

Para detectar un brote de maleza en los cultivos en la etapa inicial, se necesitarían sensores de tierra.

¿ES EL NDVI UN INSTRUMENTO EFICAZ EN LA GESTIÓN DE RIESGOS PARA EL SEGURO DE COSECHAS?
Seguramente lo es. Las compañías aseguradoras han estado cosechando los beneficios de la utilización de la tecnología satelital y las imágenes del NDVI, en particular, para:

cuantificar de forma rápida y precisa las pérdidas causadas por condiciones meteorológicas severas, exceso de rociado, sequía, etc. dedicando mucho menos tiempo y recursos humanos;
obtener conocimientos del campo con imágenes históricas que datan de hace 30-40 años;
vigilar campos de cualquier tamaño (desde un distrito hasta una región/estado o todo un país), con actualizaciones en tiempo real y prepararse para el pago de indemnizaciones desde el principio;
identificar los campos que no son susceptibles de recibir un pago (por ejemplo, debido a quema ilegal).
¿CÓMO SE DIFERENCIAN LOS ÁRBOLES Y LOS CULTIVOS?
Estamos de acuerdo en que esto puede resultar difícil. Tanto los cultivos como los árboles pueden tener altos valores de NDVI, lo que hace difícil distinguir entre ambos. La forma más fácil es calcular el valor medio del NDVI para una cantidad de tiempo superior a 3 meses. Las áreas con vegetación que tengan valores altos durante más de 3 meses seguidos significarán muy probablemente un bosque de coníferas. Los cultivos raramente mantienen un NDVI alto durante tanto tiempo.

¿CÓMO SE PUEDE DETECTAR LA DEFORESTACIÓN CON EL NDVI?
Hay varias opciones. Puede calcular el valor medio del NDVI de varios meses desde la fecha de la supuesta tala de bosques y compararlo con el valor medio del NDVI de los mismos meses hace un año. Si hay al menos una caída del 0,25 en el valor del NDVI, entonces lo más probable es que se hayan cortado algunos árboles. O puedes usar una herramienta de detección automática de cambios: resaltará los puntos donde se han producido cambios en la cubierta terrestre en un par de imágenes tomadas en fechas diferentes (preferiblemente, para el mismo mes en años diferentes).

Tala masiva de bosques primarios en la isla de Vancouver, Canadá, entre 2017 y 2018
Tala masiva de bosques antiguos en la Isla de Vancouver, Canadá, entre 2017 y 2018

Es importante realizar los análisis con imágenes que tengan la menor cobertura de nubes posible para evitar valores negativos falsos. El problema de este método es que no identifica la razón exacta de la pérdida de bosque. Aparte de la tala, la pérdida de cubierta forestal puede deberse a incendios, huracanes o al uso de productos químicos.

¿ES POSIBLE MEDIR LA TEMPERATURA DE UN BOSQUE E IDENTIFICAR INCENDIOS FORESTALES CON EL NDVI?
Desafortunadamente, no, ya que no tiene las bandas necesarias para hacer esto. Sin embargo, el NDVI se ha ganado la reputación de detector de sequía, lo que significa que puede señalar las áreas cubiertas con vegetación demasiado seca (= valores bajos), donde el riesgo de incendio es obviamente mayor.

¿PUEDE UTILIZARSE EL NDVI PARA MEDIR LA ABUNDANCIA DE PASTO (FORRAJE)?
Sí y no. Se sabe que los ganaderos han utilizado el NDVI para comprobar la presencia y las condiciones de la hierba de sus pastos. Sin embargo, si se trata de zonas en que los pastos forrajeros están ocultos bajo un denso dosel de árboles y/o arbustos (por ejemplo, en bosques tropicales), no será fiable como instrumento de medición de la abundancia de pastos.

Leer más

El editor de PrecisionAg, Eric Sfiligoj, ha preparado una lista de las 10 principales tecnologías que están dando forma a la agricultura de precisión en la actualidad. La mayoría implica algún nivel de robótica, navegación, sensores y dispensación de velocidad variable. ¡Échales un vistazo!

Republicado con permiso de PrecisionAg – Meister Media Worldwide

1. GPS / GNSS
Es difícil decir exactamente dónde estaría el estado actual de la agricultura de precisión sin GPS, literalmente. Desde prácticamente el momento en que la agricultura obtuvo acceso a los satélites de localización de posición en la década de 1990, los operadores y fabricantes han encontrado varias formas de vincular estas herramientas para que la gestión del trabajo de campo sea mucho más fácil y precisa. “En América del Norte y Europa, los agricultores pueden encender el tractor y ponerse a trabajar casi de inmediato”, dice TJ Schulte, director de marketing de la división agrícola de Trimble.

Más allá de estas capacidades, los expertos dicen que la tecnología satelital realmente merece su apodo “global”. “Ya no podemos referirnos a todos estos sistemas como GPS; esa no es una descripción precisa cuando nos referimos a la nueva tecnología de receptores de los sistemas globales de navegación por satélite (GNSS) en la actualidad”, dice Greg Guyette, presidente de Insero. En cambio, agrega, GNSS cubre las constelaciones de satélites de todos los países, incluidos GPS, GLONASS y Galileo.

2. Dispositivos móviles
Después de descubrir dónde se encuentra la agricultura de precisión en el planeta, la próxima innovación más importante de los últimos 20 años tendría que ser el desarrollo de dispositivos móviles. El mundo de hoy sería un lugar completamente diferente sin ellos, según John Reifsteck, productor de Illinois. “Sin el teléfono celular, probablemente todavía estaríamos mucho tiempo sentados en el establo, esperando que alguien venga al establo y haga que las cosas funcionen”, dice Reifsteck.

Hoy en día, los teléfonos móviles se han transformado en una gran cantidad de dispositivos móviles útiles, incluidos teléfonos inteligentes y tabletas. Esta tecnología está tan arraigada que los expertos estiman que hay más dispositivos móviles en la actualidad (7.250 millones) que personas (alrededor de 7.200 millones).

A partir de 2016, la mayoría de los fabricantes de agricultura de precisión que incursionan en el mercado de dispositivos móviles han pasado la mayor parte de su tiempo tratando de expandir las capacidades que estos productos pueden ofrecer a los usuarios. “Manejamos nuestro negocio con la regla de los 20 minutos cuando se trata de hacer llegar información al usuario”, dice la Dra. Marina Barnes, Vicepresidenta de Marketing de FarmersEdge. «Si no puede hacer que sus datos técnicos funcionen para el agricultor dentro de los primeros 20 minutos después de que los recibe, probablemente nunca los usará».

3. Robótica
Los robots están asumiendo muchas tareas en la agricultura en estos días (con diferentes niveles de éxito), incluida la plantación de cultivos de invernadero y la poda de viñedos. Y no ha habido escasez de actividad en cultivos agronómicos. El mayor impulso ha sido para las máquinas autónomas que se controlan de forma remota mediante telemática. Los ingenieros de Kinze han creado un sistema de carro de grano autónomo (diseñado para conectarse a cualquier tractor) en el que el carro sigue una cosechadora a través del campo a una distancia segura.

Lanzada en 2011, la tecnología líder-seguidor Fendt Guide Connect de AGCO también conecta dos máquinas por medio de señal GNSS y radio, de modo que ambas pueden ser controladas por un solo conductor. AGCO continúa desarrollando el concepto basándose en las opiniones de los clientes sobre sus necesidades agrícolas, dice Sepp Nuscheler, Gerente Senior de Comunicaciones de Fendt en AGCO.

En un enfoque diferente, el proyecto Fendt MARS (Mobile Agricultural Robot Swarms) utiliza pequeños robots de siembra de maíz que son livianos, energéticamente eficientes, muy ágiles, controlados en la nube y operados desde una aplicación de tableta. No hay cabina, sino un operador fuera del campo que administra una flota de múltiples unidades MARS. Pueden trabajar las 24 horas del día y tienen pocas necesidades de mantenimiento. “Busque algunos desarrollos interesantes para compartir sobre el proyecto MARS en el cuarto trimestre de este año”, dice Nuscheler. «Esta es una dirección en la que vemos que se dirige el futuro de la robótica agrícola: pequeña pero inteligente y muchas».

4. Riego
Las innovaciones en las tecnologías de riego de precisión se están volviendo aún más cruciales a medida que los productores enfrentan la escasez de agua debido a la sequía, el agotamiento de los acuíferos y las asignaciones de agua. Un avance reciente es la telemetría, dice John Campbell, Gerente de Avance y Adopción de Tecnología de Valley Irrigation. Los productos ahora permiten a los productores monitorear y controlar de forma remota casi todas las facetas de su operación de riego. Los sistemas ahorran agua, tiempo, combustible y desgaste de los vehículos.

En el futuro, Campbell dice que los productores integrarán el monitoreo de la humedad del suelo, los datos meteorológicos y el riego de tasa variable (VRI) en sus sistemas.

Ze’ev Barylka, director de marketing y ventas de Netafim USA, agrega el riego por goteo móvil de precisión como otro avance importante. La línea de goteo de la PC se tira a través del campo mediante un sistema de riego de pivote central o movimiento lineal. A medida que las líneas de goteo se colocan detrás del sistema, los emisores integrados entregan un patrón uniforme en toda la longitud del área irrigada. Debido a que las líneas de goteo entregan agua directamente a la superficie del suelo, la evaporación y la deriva del viento se eliminan virtualmente, lo que permite que llegue más agua a la zona de las raíces.

5. Internet de las cosas
Una de las palabras de moda más recientes que ha alcanzado la precisión en los últimos años es «Internet de las cosas» (IoT). Definido de manera simple, es el concepto de conectar cualquier dispositivo con un interruptor de encendido / apagado a Internet (y / o entre sí). Esta red de cosas conectadas también podría incluir personas con dispositivos portátiles.

La idea se ha demostrado en el mercado de consumo en el «hogar conectado», por ejemplo, donde los electrodomésticos, los sistemas de seguridad y similares se comunican entre sí y con el propietario. Craig Houin, líder de gestión de datos en Sunrise Cooperative, dice que los componentes conectados en la agricultura podrían incluir sensores de campo (para registrar datos del clima, humedad del suelo y temperatura en tiempo real) e imágenes aéreas / satelitales para el monitoreo de campo. Dichas comunicaciones de dispositivos también podrían usarse en programas de despacho, herramientas de interacción de ventas y otras aplicaciones de gestión empresarial.

Más recientemente, una serie de empresas emergentes agrícolas y proveedores de componentes (hardware, software, etc.) están utilizando LPWAN (Low Power Wide Area Network) en lugar o para aumentar las redes celulares en la transmisión inalámbrica de datos. «Estas redes están diseñadas para transportar pequeñas cantidades de datos transmitidos de forma intermitente a grandes distancias», dice Paul Welbig, Director de Desarrollo Comercial de Senet Inc. Debido a que los dispositivos que se comunican con las redes LPWA lo hacen con muy poca energía, la duración de la batería es muy baja. sustancialmente más largo que las ofertas actuales de telefonía móvil. Esto, junto con el uso de la red de bajo costo, proporciona una ventaja de costo total de propiedad muy convincente sobre otras opciones.

6. Sensores
Se han utilizado sensores inalámbricos en agricultura de precisión y / para recopilar datos sobre la disponibilidad de agua del suelo, la compactación del suelo, la fertilidad del suelo, la temperatura de la hoja, el índice de área de la hoja, el estado del agua de la planta, los datos climáticos locales, la infestación de malezas, enfermedades de insectos y más. Quizás las tecnologías más avanzadas y diversas hasta la fecha se encuentran en la gestión del agua. En todo el país, una mayor regulación del uso del agua y la escasez de agua continuarán impulsando mejoras en esta área. De hecho, Ben Flansburg de BCA Ag Technologies dice que los sensores de lluvia y humedad del suelo han sido algunos de los grandes vendedores. Y muchos más productores en California están utilizando sensores de humedad para ayudar a programar el riego.

La información del sensor sobre la marcha también se ha vuelto más valiosa. Las opciones de aplicador a bordo desarrolladas en los últimos años incluyen GreenSeeker (Trimble), OptRx (Ag Leader) y CropSpec (Topcon). Comunican las condiciones sanitarias de los cultivos en tiempo real para ayudar a adaptar de inmediato las aplicaciones del producto.

¿Otra innovación? WeedSeeker, el sensor de detección de malezas de Trimble diseñado para la aplicación precisa de herbicidas en sitios específicos. “Su uso está creciendo en regiones geográficas donde las malezas han desarrollado una tolerancia a los herbicidas de amplio espectro basados ​​en glifosato estándar”, señala Mike Martinez, Director de Marketing.

7. Siembra de tasa variable
Dadas todas las tecnologías más nuevas / emocionantes para la agricultura de precisión en esta lista, podría ser una sorpresa ver la siembra de aplicaciones de tasa variable (VRA) aquí. Según Sid Parks, gerente de agricultura de precisión de GROWMARK, esto ha podido mantener su importancia en parte debido a su naturaleza. “Apela a la inclinación natural de los productores para tratar de maximizar un campo para aprovechar todas las posibilidades de incrementar los rendimientos posibles prestando especial atención a los factores que impactan el crecimiento de semillas”, dice Parks. «Es un poco diferente al fertilizante de tasa variable porque la siembra VRA depende de su capacidad para recopilar datos precisos para el inicio del proceso agrícola, la semilla en sí».

Otro factor que influye en la importancia continua de la siembra VRA para la agricultura de precisión en general es el hecho de que, como categoría, tiene mucho espacio para crecer. “Aunque la gente ha estado usando las prácticas de siembra de VRA desde mediados de la década de 1990, probablemente solo se esté usando en el 5% al ​​10% de los acres plantados hoy en día”, dice Parks. «Pero la capacidad de recopilar datos buenos y útiles para la siembra de VRA está mejorando mucho, por lo que las posibilidades de que más productores utilicen esta práctica en sus operaciones anuales seguirán mejorando en el futuro».

8. Modelado meteorológico
Visite la mayoría de las tiendas minoristas agrícolas del país y es probable que se exhiba algún tipo de rastreador meteorológico. Quizás ninguna otra variable sea tan importante, y completamente impredecible, como el clima.

Pero la ayuda esta en camino. “Durante los últimos 25 años, se han desarrollado muchas tecnologías importantes que serían aún más valiosas con modelos meteorológicos de calidad, pero ahora estamos en un punto en el que garantizar buenos rendimientos de los cultivos es clave para asegurarnos de que el mundo tenga soluciones alimentarias. eso funciona ”, dice Jeff Keizer, vicepresidente de marketing y ventas estratégicas de Iteris. “En Iteris, llevamos más de 30 años en el negocio del modelado de datos. Nuestro primer sistema agrícola, ClearAg, crea una plataforma para la agricultura y se expande a otras áreas de modelado, como el uso del agua, las propiedades del suelo y el crecimiento de los cultivos ”.

Un ejemplo de esto, dice Keizer, involucró a un productor de papa en las llanuras del norte que encontró que cosechar su cosecha a cierta temperatura era clave para mantener la calidad e integridad de la cosecha. En el pasado, este productor enviaba exploradores al campo para evaluar manualmente la temperatura del suelo antes de enviar el equipo de cosecha. “Pero al usar ClearAg, este productor pudo tomar todas las lecturas del suelo de forma remota y pudo realizar su cosecha de manera mucho más eficiente que nunca”, dice.

9. Modelado de nitrógeno
Aunque algunas formas de fertilizantes de dosis variable se han utilizado durante décadas, el modelo de nitrógeno se ha vuelto más pronunciado recientemente. «Nuestra clientela ha estado utilizando tecnologías de tasa variable para aplicaciones de fertilizantes desde mediados de la década de 1990», dice Matt Waits, director ejecutivo de SST Software. «Sin embargo, la complejidad del ciclo del nitrógeno y cómo se encuentra en un estado de flujo constante siempre ha dificultado la gestión del nitrógeno».

Recientemente, SST Software se ha asociado con Agronomic Technology Corp. (ATC) para presentar Adapt-N. Según el director ejecutivo de ATC, Steve Sibulkin, Adapt-N se introdujo por primera vez en 2014 y se está convirtiendo en una herramienta importante para gestionar adecuadamente el uso de nitrógeno. “Existe la creencia en la agricultura de que las presiones ambientales actuales solo empeorarán a medida que la industria avance”, dice Sibulkin. “La gran mayoría de los productores desea utilizar métodos simples para poder abordar estas preocupaciones. Eso es lo que Adapt-N y otros procesos de modelado de nitrógeno están aportando actualmente a la mesa «.

10. Estandarización
El llamado a la compatibilidad entre los componentes de los fabricantes de equipos, principalmente a través de los estándares ISOBUS, continúa existiendo. Los esfuerzos iniciales oficiales para implementar esto comenzaron hace unos ocho años con la formación de la Fundación de Electrónica de la Industria Agrícola. El grupo ahora incluye más de 170 empresas, asociaciones y organizaciones que colaboran activamente para hacer que los estándares funcionen.

Sin embargo, los participantes de la industria que tienen que lidiar con la compatibilidad del equipo «en el terreno» continúan frustrados. Los expertos en tecnología de terceros a menudo tienen dificultades para administrar los productos de los proveedores de la competencia. Tim Norris, director ejecutivo de Ag Info Tech, LLC, Mount Vernon, OH, dice Tim Norris: “Esperemos que llegue un punto en el que los componentes sean prácticamente plug-and-play, y es mucho mejor de lo que era, pero sigue siendo un problema real «.

Leer más

Desde hace un tiempo, hemos estado destacando la importancia no solo de administrar su granja como un negocio, sino también las ventajas de utilizar técnicas inteligentes de administración de la granja para mejorar sus ganancias y reducir sus costos de funcionamiento diarios. Podrías ser un granjero de productos lácteos, un granjero de cultivos o un granjero de carne, pero todo se reduce a la entrada y salida de dinero. Entonces, independientemente de si es un grano de trigo o un toro lo que está vendiendo en el mercado, siempre termina siendo dinero. Debido a que todo lo que hace en su granja tiene un valor monetario o equivalente, significa que es medible. Lo que constituye una noticia fantástica para los agricultores de todo el mundo porque un estudio canadiense nacional realizado por IPSOS ha reunido todos esos números y los resultados son realmente asombrosos.

A continuación, analizamos los hallazgos y las 7 cosas clave que debe implementar en su granja para aumentar sus ganancias todos los años.

El estudio encontró una clara correlación entre las prácticas de gestión agrícola y los márgenes de beneficio. Las granjas que obtuvieron las mayores ganancias no solo emplearon prácticas de administración de granjas inteligentes, sino que superaron a las granjas que no utilizaron prácticas de administración de granjas inteligentes en más del 500% en ROA (Retorno de los activos) y más del 100% en crecimiento y ganancias. Simplemente, al menos, una granja gestionada de forma inteligente estaba obteniendo como mínimo el doble de beneficios que una granja que no utilizaba prácticas de gestión agrícola inteligente.

Las 7 cosas importantes que se deben hacer para garantizar un éxito tan sustancial son;

1) Aprendizaje. Las granjas y los agricultores que buscaban nuevas oportunidades de aprendizaje y compartían entornos educativos tenían 3 veces más probabilidades de obtener ganancias que aquellos que se apegaban a los métodos agrícolas tradicionales o que optaban por no participar o aprender de la comunidad agrícola en general. El estudio mostró que incluso los agricultores que se tomaron el tiempo para educarse en línea leyendo sobre las últimas tecnologías y prácticas agrícolas se estaban beneficiando del aprendizaje que habían buscado.

2) Mantenimiento de registros. Las granjas que estaban por encima de sus gastos y la situación financiera actual tenían más probabilidades de tomar mejores decisiones de gestión agrícola, lo que resultaba en un resultado financiero más sólido. Aquellos que usaron software para administrar las finanzas de las granjas encontraron más fácil monitorear y mantener los datos financieros de la granja actualizados. Las granjas que sufrieron financieramente tenían registros con tan solo un mes de desactualización que muestran que las decisiones agrícolas inteligentes deben tomarse e implementarse sobre la base de los datos corrientes del día a día.

3) Utilizar expertos. Los agricultores que optaron por tomar decisiones basadas en la experiencia de otra persona obtuvieron más ganancias que aquellos que optaron por hacerlo solos. A pesar de tener que pagar a menudo por la opinión de los expertos, el margen financiero era lo suficientemente sustancial en la mayoría de los casos como para justificar que los agricultores buscaran opiniones de expertos. Sin embargo, algunos agricultores no pagaron por la experiencia y optaron por aprender de los expertos en las escuelas y universidades agrícolas locales y leyendo los datos publicados. Los agricultores que utilizaron aplicaciones para ingresar datos encontraron beneficioso obtener la información experta de los resultados proporcionados por esas aplicaciones.

4) Estrategia empresarial. Las granjas que tenían objetivos claros a largo plazo, así como objetivos y estrategias más pequeños a corto plazo para trabajar hacia el objetivo general, se beneficiaron enormemente de este sentido de dirección. Tener una perspectiva clara de lo que se podía lograr permitió que los recursos se asignaran correctamente y que el dinero no se desperdiciara por capricho.

5) Costos de producción. El seguimiento de los costes diarios de producción permitió a los agricultores delimitar las áreas problemáticas y solucionarlas de forma rápida y eficaz. Los agricultores que no abordaron las áreas problemáticas no solo encontraron que estaban perdiendo dinero, sino que los costos de remediarlos eran considerablemente mayores que si hubieran tomado medidas preventivas.

6) Evaluación de riesgos. Los agricultores del área de mayor margen de beneficio del estudio realizaban evaluaciones de riesgo y mitigaban la exposición al riesgo de forma constante. Esto vino en todas las formas y tamaños, desde garantizar que las instalaciones de almacenamiento estuvieran optimizadas hasta analizar los datos de cosecha / rendimiento y seleccionar los cultivos que eran más lucrativos para la siembra.

7) Por último, pero no menos importante, estaba el presupuesto. Las granjas que presupuestaron cuidadosamente tenían más probabilidades de tener éxito que las que no lo hicieron. Sin embargo, esto fue más allá de los que tienen y no tienen e incluso se redujo a que los agricultores obtuvieron mejores tasas de interés para pedir prestado y pagar las deudas más rápido siempre que sea posible. Los agricultores que eran expertos en dinero ganaban más dinero.

Si bien estas prácticas son muchas para comenzar a usar todas a la vez, vale la pena implementarlas lentamente paso a paso en sus prácticas inteligentes de gestión agrícola. Las recompensas y los beneficios económicos son importantes y podrían ser exactamente lo que ha estado buscando para cambiar la fortuna de su granja. Esperamos que haya encontrado estos pasos fáciles de seguir y si tiene alguna idea o pensamiento que podamos haber pasado por alto o pasado por alto, ¡no dude en comentar a continuación!

Leer más