Autor: rjcastillolopez

Aspectos destacados de la agricultura de precisión [[1]]

La agricultura de precisión, también llamada “agricultura por el pie”, puede definirse como un sistema integral diseñado para optimizar la producción agrícola mediante la aplicación de información de cultivos, tecnología avanzada y prácticas de manejo. Un enfoque verdaderamente integral de la agricultura de precisión comienza con la planificación de cultivos e incluye la labranza, la siembra, las aplicaciones químicas, la cosecha y el procesamiento posterior a la cosecha del cultivo. Básicamente, la agricultura de precisión utiliza tecnología avanzada en combinación con los equipos agrícolas existentes para maximizar el rendimiento y minimizar las pérdidas. Estas pérdidas se presentan de muchas formas; algunos incluyen el gasto excesivo en fertilizantes, semillas, pesticidas y herbicidas debido a una mala colocación. Esto se puede minimizar distribuyéndolos con precisión porque tienden a dispersarse con superposiciones o saltos.

La característica rudimentaria de precisión ag es el Sistema de Posicionamiento Global (GPS). El GPS funciona utilizando varios satélites ubicados estratégicamente en diferentes órbitas en el espacio. Estos satélites transmiten señales a un receptor en la tierra y, mediante una expresión matemática conocida como trilateración, le permiten al receptor saber exactamente dónde está. En la agricultura de precisión, el receptor es el objeto redondo que normalmente se encuentra en la parte superior de la cabina del tractor. El receptor se comunica con el sistema informático ubicado en la cabina del tractor y el operador programa la computadora para que lleve a cabo una tarea específica para el tipo de agricultura que está realizando. Por ejemplo, el agricultor puede decirle al tractor que conduzca en línea recta a través del campo y presione un botón y el tractor se conducirá a lo largo del campo hasta que el agricultor esté listo para tomar el control nuevamente o dar la vuelta al tractor. Los mejores sistemas GPS de la actualidad que están integrados en la agricultura tienen una precisión dentro de un rango de 3 cm. Es fenomenal saber exactamente dónde se encuentra a menos de 3 cm. en un campo de 100 acres.

Algunos de los aspectos más complejos de la agricultura de precisión incluyen el manejo de cultivos específicos del sitio y la tecnología de tasa variable. El manejo de cultivos específico del sitio utiliza un mapa de rendimiento del campo para predecir y prescribir la aplicación de fertilizantes y pesticidas a diferentes partes del campo según sea necesario. Esto ha sido posible gracias a la reciente innovación en información y tecnología, como microcomputadoras, sistemas de información geográfica, tecnologías de posicionamiento (GPS) y control automático de maquinaria agrícola. Con esta tecnología se puede evitar tener que colocar una distribución uniforme de fertilizantes pesticidas o semillas en un campo y desperdiciar productos en áreas que no necesariamente lo necesitan. Aquí es de donde se derivó el lema “cultivar por el pie” porque los mapas de rendimiento pueden proporcionar necesidades de aplicación a muy pequeña escala casi hasta el pie cuadrado.

Se puede generar un mapa de rendimiento usando GPS, un programa de computadora como ArcGIS y una celda de carga o placa de impacto en el implemento, todos trabajando en conjunto. La placa de impacto o celda de carga medirá la masa de un cultivo que se cosecha en el campo al mismo tiempo que el sistema GPS registra exactamente dónde se encuentra el tractor en el campo. El rendimiento en esta ubicación específica se asocia con una posición GPS y se guarda en la computadora. Luego se puede cargar en ArcGIS y se puede hacer un mapa a partir de la información que indique la cantidad de grano cosechado en cada punto del campo.

La tecnología de dosis variable trabaja en estrecha colaboración con la gestión específica del sitio en el sentido de que los fertilizantes, pesticidas o semillas se distribuyen a dosis variables de acuerdo con la prescripción del sitio específico. Esta tecnología también permite que secciones del rociador o sembradora se enciendan y apaguen en función de obstáculos en el campo, vías fluviales, superposición o distribución innecesaria de producto o semillas.

La agricultura de precisión encapsula los usos de los sistemas GPS, los equipos agrícolas y los sistemas informáticos, y la convierte en casi una necesidad para un agricultor en la sociedad actual que cultiva incluso una cantidad moderada de acres. Los beneficios de la agricultura de precisión pueden ahorrarle a un agricultor entre un 8% y un 30% al año, lo que puede traducirse en alrededor de $ 30,000 o más. A este ritmo, un agricultor puede equipar todos sus implementos con esta tecnología y se amortizará en unos pocos años. Claramente, un agricultor moderno no puede permitirse el lujo de estar sin equipos de agricultura de precisión.

Leer más

Las tecnologías impulsadas por la inteligencia artificial pueden ayudar al sector agrícola a producir cultivos más saludables, controlar plagas, monitorear el suelo y las condiciones de crecimiento, organizar datos para los agricultores, ayudar con la carga de trabajo y avanzar en una amplia gama de tareas relacionadas con la agricultura en todo el suministro de alimentos. cadena. Estas innovaciones en la agricultura han sido impulsadas considerablemente por el cambio climático, el crecimiento de la población y las preocupaciones por la seguridad alimentaria.

Datos agrícolas evaluados por IA
En el terreno, las granjas generan cientos de miles de puntos de datos a diario. Sin embargo, los agricultores ahora pueden analizar una variedad de cosas en tiempo real, con la ayuda de IA. Pueden evaluar las condiciones climáticas, la temperatura, el uso del agua o las condiciones del suelo obtenidas de su granja para ilustrar mejor sus decisiones. Por ejemplo, Taranis, una plataforma líder en inteligencia de agricultura de precisión, trabaja con granjas en cuatro continentes y coloca cámaras de alta definición sobre los campos para proporcionar los ojos a los agricultores. Por lo tanto, las tecnologías impulsadas por la inteligencia artificial ayudan a los agricultores a optimizar la planificación para crear rendimientos más generosos al determinar las opciones de cultivos, las mejores opciones de semillas híbridas y la utilización de recursos.

Mejorando la calidad de la cosecha
Los sistemas de IA de hoy están ayudando a los agricultores a mejorar la calidad y precisión de la cosecha mediante la agricultura de precisión. Aprovecha la IA para ayudar a identificar enfermedades en las plantas, plagas y una mala nutrición de las plantas en las granjas. Los sensores de IA pueden detectar y apuntar a las malas hierbas y luego decidir qué herbicidas aplicar dentro de la zona de amortiguación correcta. Ayuda a frustrar las aplicaciones de herbicidas y toxinas extremas que encuentran su camino en los alimentos de hoy. Por ejemplo, un equipo de investigadores desarrolló una IA para detectar enfermedades en plantas. El equipo aprovechó un método, el aprendizaje por transferencia, para enseñar a la IA a identificar enfermedades de cultivos y daños por plagas, y utilizó TensorFlow, una biblioteca de código abierto de Google, que creó una biblioteca de 2.756 imágenes de hojas de yuca de plantas en Tanzania. En ese caso, la IA pudo detectar enfermedades con un 98% de precisión.

Agricultura con visión artificial
Al monitorear sus granjas, los agricultores utilizan la visión por computadora y algoritmos de aprendizaje profundo para capturar datos de drones que vuelan sobre sus campos. Desde los drones, las cámaras con tecnología de inteligencia artificial pueden tomar imágenes de toda la granja y evaluar las imágenes casi en tiempo real para reconocer áreas problemáticas y posibles mejoras. Teniendo en cuenta los informes, varias granjas industriales grandes, por ejemplo, intentaron usar la visión por computadora para detectar y confiscar cerdos enfermos al comienzo de una epidemia de peste porcina africana que está arrasando China. Por lo tanto, los drones pueden capturar mucha más tierra en mucho menos tiempo que los humanos.

Agricultura interior
Hoy en día, los nuevos agricultores tecnológicos son ambiciosos y avanzan hacia la agricultura de interior. Es una técnica de cultivo de cultivos o plantas, típicamente a gran escala, completamente en un ambiente compacto. Esta forma de cultivo a menudo implementa métodos de cultivo como la hidroponía y aprovecha las luces artificiales para proporcionar a las plantas los nutrientes y los niveles de luz necesarios para el crecimiento. La agricultura de interior impulsada por IA está tentando ahora a una nueva generación de agricultores. Por ejemplo, 80 Acres Farms, pionera en cultivo de interior, inauguró el año pasado la primera planta de cultivo de interior totalmente automatizada del mundo. Las tecnologías impulsadas por la inteligencia artificial de la compañía monitorean cada paso del proceso de crecimiento.

Por lo tanto, el uso de la inteligencia artificial en la agricultura permite a los agricultores de todo el mundo funcionar de manera más eficiente, lo que permite que las granjas de todos los tamaños operen y funcionen manteniendo al mundo alimentado.

Leer más

El mayor uso de drones agrícolas ha resultado en la fabricación exponencial de este equipo para adaptarse al tamaño del mercado y la demanda en constante crecimiento. En 2016, se dijo que el dron agrícola mundial superaba los 250 millones de dólares en términos de valor.

Los agricultores están implementando cada vez más la nueva tecnología utilizada en la agricultura. Para vencer la competencia sectorial, obtener mejores rendimientos y utilizar de manera eficiente los recursos o insumos agrícolas como el agua y los fertilizantes, los agricultores están adquiriendo estos instrumentos a diario. También se espera que avances como el uso de sensores y mejores materiales de imágenes alimenten la demanda de drones agrícolas.

Los últimos tres años, al igual que los drones comerciales, los drones agrícolas están emergiendo como un sector lucrativo en aplicaciones. Los agricultores de los drones ayudan a monitorear su terreno tomando instantáneas aéreas de la gran variedad de campos. Esto, a cambio, proporciona datos cruciales sobre el suelo y los cultivos para ayudar en el manejo de los cultivos. Los vehículos no tripulados utilizados en el monitoreo de cultivos pueden mejorar fácilmente los rendimientos de los cultivos al tiempo que reducen el costo de administración y de insumos de la filmación de sobrevuelos de aviones.

Las aplicaciones de drones en industrias como la agrícola han influido en la industria tecnológica de la aviación para invertir en la financiación de empresas emergentes basadas en UAV. Estas nuevas empresas se centran en proporcionar hardware y software o los servicios que representan más del 80% del mercado. Las universidades técnicas han estado desarrollando cursos para brindar orientación y la experiencia para operar los drones, lo que eventualmente mejorará la industria.

Los drones de ala fija son líderes en la industria. Seguido por la cuchilla rotativa y los drones híbridos. El ala fija es famosa por el hecho de que tienen la capacidad de cubrir distancias relativamente largas, no son costosas y llevan cargas útiles pesadas. Sin embargo, se espera que los drones híbridos crezcan significativamente en los próximos años. Esto se debe a que esos drones tienen la capacidad de cubrir un área más amplia, lo que facilita a los agricultores monitorear sus vastos campos.

Además, se espera que la exploración de cultivos sea testigo de un rápido crecimiento durante el período de 2 años. Las aplicaciones de los drones se pueden clasificar en: – aplicación de tasa variable, mapeo de campo, exploración de cultivos y muchas más. El segmento de mapeo de campo dominó el negocio en cuanto a ingresos. Se espera que los rendimientos, como el aumento de los rendimientos mediante el seguimiento, impulsen aún más el segmento de aplicaciones cartográficas.

Se espera que la capacidad de los vehículos aéreos no tripulados para rociar los fertilizantes con precisión sin desperdiciarlos o causar cualquier otro problema, como obstaculizar la fertilidad del suelo, o la pulverización excesiva, impulse el crecimiento del segmento de exploración de cultivos en los próximos años. La invención de NDVI, Vegetación en Diferencia Normalizada, con respecto a la exploración de cultivos contribuirá en gran medida a la industria. El NDVI es fundamental en la inspección del progreso de los cultivos mediante sensores de infrarrojo cercano que capturan los datos que el ojo humano no puede.

La región de América del Norte, a nivel mundial, es el principal mercado de drones agrícolas. Además, el uso de vehículos aéreos no tripulados desde la siega hasta el arado ha mejorado la productividad e influido en el crecimiento de la industria. La mayor conciencia de la agricultura de precisión para la exploración de cultivos, el mapeo de campo, ha llevado a que más agricultores implementen los UAV en sus granjas. La mayoría de los investigadores prevén que los drones se convertirán en los nuevos caballos de batalla en las granjas. Centrándose en la reducción de costos y la productividad en la industria agrícola, los drones podrían ser la respuesta correcta para una mayor automatización y un control eficiente de las operaciones agrícolas y el monitoreo: los drones agrícolas llevarían al mundo a un mundo completamente nuevo y transformado. Para 2019, se espera que los drones agrícolas representen un dominio significativo en los robots agrícolas en general en la industria agrícola.

Los impulsos de legisladores y organismos gubernamentales también han llevado a su popularidad. La tasa de empleo ha aumentado significativamente y, por tanto, ha mejorado la economía mundial. Las empresas de fabricación han tenido noches de insomnio tratando de desarrollar un grupo de drones adecuados para la agricultura, cada uno diseñado para un propósito específico: el mercado acaba de despegar. Para ser precisos, los drones agrícolas están entre los principales generadores de ingresos derivados de la industria de drones comerciales.

Conclusión

Las oportunidades están a la vuelta de la esquina y esta industria continuará con el paso del tiempo. Se espera que el mercado impulse las demandas a niveles más altos ya que los agricultores esperan emplear métodos eficientes y menos costosos. La capacidad de monitorear las granjas de forma remota está aumentando la confianza en el sector en general. La teledetección, la imagen térmica, el control de plagas, la cartografía, la siembra, el riego y la fumigación con pesticidas e insecticidas son algunas de las comodidades que buscan los agricultores. El desarrollo de software está aumentando para satisfacer esta creciente demanda de drones agrícolas.

Los agricultores deben aprovechar la intensificación de la competencia en el mercado de drones agrícolas, que ha dado lugar a una reducción de las tasas de adquisición de este equipo.

Leer más

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Leer más

Con el crecimiento previsto de la población mundial, la agricultura enfrenta un gran desafío para aumentar rápidamente la producción de alimentos. Para lograr este objetivo, la agricultura de precisión respaldada por herramientas de Internet de las cosas (IoT) se está implementando en proyectos agrícolas en todo el mundo para mejorar el potencial de la industria.

La implementación de IoT tiene el potencial de cambiar la agricultura para siempre, haciendo que esta actividad tradicional sea más eficiente y predecible. La agricultura de precisión puede ayudar a los agricultores a hacer frente a una serie de desafíos que presenta la agricultura, como la escasez de agua, la disponibilidad limitada de tierras aptas para plantaciones de cultivos, las dificultades que tienen los agricultores para gestionar los costos y la necesidad de satisfacer la creciente demanda mundial de recursos alimentarios.

“Con no menos de 10 mil millones de bocas que alimentar en el próximo medio siglo, la agricultura digital será la columna vertebral del sistema seguro, sostenible y de producción de alimentos, dijo Joe Michaels, director senior de Gestión Global de Productos para Soluciones de Precisión en CNH Industrial, durante una presentación en la Enterprise IoT Summit, que tuvo lugar en Austin, Texas, a principios de este año.

Michaels dijo que los cuatro pilares principales de la agricultura de precisión son la planificación, la siembra / siembra, el control de aplicaciones y la cosecha. El ejecutivo destacó que las herramientas de agricultura de precisión permiten a los agricultores obtener decisiones informadas sobre la gestión agrícola, eficiencia de la máquina y del operador, menores costos de insumos y mayor rendimiento en la producción.

Según Michaels, la evolución de las tecnologías de agricultura de precisión permitirá nuevas funcionalidades como la conectividad a servicios de terceros y el suministro de información en tiempo real que será analizada y utilizada de forma inmediata.

La agricultura ha sido tradicionalmente una actividad económica algo arriesgada y los agricultores de todo el mundo se han visto afectados por las recesiones económicas y los cambios ambientales. La agricultura de precisión implementa sistemas y tecnologías de IoT para reducir esencialmente los posibles errores y, a su vez, maximizar los rendimientos.

La agricultura de precisión utiliza aplicaciones de IoT, que ayudan a los agricultores a aumentar la calidad, la cantidad, la sostenibilidad y la rentabilidad de la producción agrícola. Estas herramientas permiten a los agricultores saber qué semillas plantar, la cantidad de fertilizante que necesitan usar, el mejor momento para cosechar y los resultados esperados de los cultivos. A través de la implementación de IoT, los agricultores también pueden monitorear sensores que se pueden usar para detectar la humedad del suelo, el crecimiento de los cultivos y los niveles de alimentación del ganado, entre otras funciones clave. Los sensores también pueden gestionar y controlar de forma remota cosechadoras y equipos de riego conectados.

Ciertas plataformas de IoT utilizadas en la industria agrícola permiten a los agricultores administrar grandes cantidades de datos recopilados de sensores, servicios en la nube como el clima o mapas, equipos conectados y sistemas existentes. Las plataformas también aprovechan las herramientas de análisis y big data para proporcionar información y recomendaciones para mejorar el proceso de toma de decisiones.

Según Beecham Research, la adopción de herramientas agrícolas inteligentes se intensificará de 2017 a 2020. “El interés en IoT ya es fuerte por parte de los proveedores de maquinaria agrícola como John Deere, Claas y CNH Global, mientras que también hay una atención considerable en los datos y la agricultura sistemas de gestión de una variedad de actores, incluidos gigantes agroalimentarios como Monsanto ”, dijo el estudio.

Sin embargo, la agricultura de precisión aún enfrenta un gran desafío ya que los sistemas de IoT dependen de la conectividad a Internet y muchas áreas rurales aún carecen de suficiente infraestructura inalámbrica, ya que muchos proveedores de servicios de telefonía móvil aún se enfocan en áreas más densamente pobladas.

Leer más

Es algo de lo que nunca hemos hablado en Agromática y yo creo que ya va siendo hora. La agricultura de precisión es una rama de la agricultura que está en boca de todos. Sensores, satélites, datos en tiempo real, monitorización, big data, teledetección, drones, GPS, software SIG, imágenes multiespectrales, mapeo de suelos, índices agrónomicos… todo un mundo tecnológico al servicio de un sector, que posiblemente sea de los más lentos a la hora de implantar estos sistemas. Y la gran pregunta es: ¿Merece la pena? El tiempo lo dirá. De momento hagamos una breve introducción.

LA PRECISIÓN LLEGA (AL FIN) A LA AGRICULTURA
Todos los sectores productivos llevan años a la vanguardia de las nuevas tecnologías. El sector de la automoción, la industria alimentaria, la medicina, hace uso de las famosas TIC (tecnología de la información y la comunicación) para sacar mejores rendimientos, mejorar sus productos, ahorrar costes, reducir emisiones, salvar vidas (medicina)… Sin embargo, la agricultura, desde el salto a la maquinaria agrícola autopropulsada por motor de combustión, no había vivido una revolución tecnológica hasta el S.XXI con la agricultura de precisión.

¿QUÉ ES AGRICULTURA DE PRECISIÓN?
Una definición extensa que se me ocurre sobre agricultura de precisión sería: Agricultura que hace uso de las TIC para la gestión de los cultivos obteniendo una gran cantidad de variables agronómicas que permitan un análisis más preciso de la situación del cultivo con el fin de optimizar al máximo los recursos, ahorrar costes, dosificar con gran precisión las aplicaciones de insumos (agua, fertilizantes, fitosanitarios…), sacar el máximo rendimiento y contribuir a la sostenibilidad de los sistemas agrícolas.

Quizá las haya más cortas, precisas y más o menos acertadas, pero así es como la entendemos en este blog. En resumen: es poner la tecnología de la información al servicio de agricultura para mejorarla, punto final.

¿DÓNDE ESTÁ LA BARRERA ENTRE AGRICULTURA «CONVENCIONAL» Y LA LLAMADA AGRICULTURA DE PRECISIÓN?
No resulta muy complicado hacer esta distinción. Como se ha mencionado un par de párrafos más arriba, una de las revoluciones tecnológicas del S.XX en este sector fue la maquinaria autopropulsada por el motor de combustión. Desde el primigenio tractor hasta las máquinas recolectoras más vanguardistas de hoy en día, no ha habido muchos más cambios —entiéndase cambios como algo de calado global; hablamos de revolución, no de evolución—.

¿Podríamos decir que agricultura de precisión es tener una estación meteorológica en un cultivo, o usar la información de las ya existentes para analizar patrones de clima en nuestra parcela y actuar en consecuencia? En cierta manera sí, solo en cierta manera, y aunque esto se lleva haciendo mucho tiempo, nunca se llamó agricultura de precisión. El término ha cobrado más sentido cuando se han ido añadiendo una gran cantidad de capas de información, obtenidas de diversas fuentes. Además, haciendo uso de esas capas, se consigue que «el laboreo» se haga en consecuencia a esa información. Me explico:

Si mediante una imagen de satélite, sacando algún índice agronómico de su cámara multiespectral, conseguimos saber las necesidades de fertilización de un cultivo, ya no solo a nivel global, sino a nivel mucho más concreto, podremos aplicar una dosis de fertilizante variable según esos datos y ahorrar muuuuucho dinero en algo tan caro como un fertilizante. Esto sería una primera fase de la agricultura de precisión: La toma de datos, su análisis y la interpretación de los mismos.

Índice NDVI de un cultivo

Resulta evidente que estos resultados en forma de mapa de necesidades de fertilización deben ser interpretados por un software que lleve nuestra dosificadora para saber en cada momento, cuánto fertilizante echar según ese mapa. Todo ello guiado por GPS. Ahí ya, estamos consiguiendo la cuadratura del círculo y eso ya es agricultura de precisión seria. Esta fase sería una segunda fase: Toma de decisiones y ejecución en función de la primera fase .

Hay muchos más ejemplos pero hoy no es el día de entrar en ellos. Queremos dar una breve pincelada de todo esto para, en un futuro no muy lejano, meternos más en materia. A continuación comentaremos algunas de las técnicas que se aplican. En otros artículos posteriores nos meteremos a fondo en cada una de ellas.

¿QUÉ TECNOLOGÍAS HAY?
MAQUINARIA DE CONDUCCIÓN AUTÓNOMA GUIADA POR GPS
En el ejemplo anterior es una de las tecnologías aplicadas al servicio de la agricultura, maquinaria que es capaz de cubrir una parcela según un plan preestablecido por el agricultor. El conductor, una vez en la parcela, sólo tiene que vigilar la telemetría del proceso para que todo vaya según el plan establecido. Y sí, hablo de telemetría, como en la Fórmula 1, la agricultura también tiene de eso hoy en día.

IMÁGENES DE SATÉLITE Y DE DRONES
Las imágenes de satélite y de drones, son imágenes captadas por cámaras un poco especiales que sacan fotografías aéreas de los cultivos en espectros no visibles para el ojo humano, como el infrarrojo. Con los datos obtenidos de estas cámaras podemos conocer, por ejemplo, el estrés hídrico o el vigor de un cultivo y a partir de ahí tomar las decisiones pertinentes.

agricultura de precisiónLos hay de iniciativa pública como Landsat (NASA), los actuales Sentinel (ESA) y privados (Quickbird, Deimos, Wordlview…). Actualmente los de mayor resolución son privados y la adquisición de imágenes es cara. De todas formas, la Agencia Espacial Europea (ESA) ha lanzado este año 2 satélites multiespectrales de bastante resolución, con bastante aplicación en la agricultura de precisión, pudiendo llegar a una resolución de 10m/pixel que resulta más que suficiente para analizar ciertos cultivos, cereales por ejemplo. La adquisición de imágenes de Sentinel es totalmente gratuita.

[well]

Una curiosidad al margen de la agricultura de precisión

Nos creemos que tenemos unos pocos satélites volando alrededor del globo (el METEOSAT, los del GPS, los de Google Earth y pocos más verdad?) Aquí te dejo un enlace a una web para que veas la cantidad de satélites y restos de cohete y basura espacial orbitando alrededor del globo que está acumulando la humanidad. ¡Es impresionante!

[/well]

El mundo del drone está despertando y va cogiendo fuerza. Son muy útiles para un montón de disciplinas y la agricultura no se queda corta. Drones con cámaras multiespectrales, térmicas, LiDAR… que nos permiten una precisión que por ahora es imposible que un satélite nos pueda dar. Además no tenemos el efecto de las nubes ni hay que hacer tantas correcciones como en la foto de satélite (por la distancia y las interferencias de la atmósfera en la imagen). A misma resolución son más baratos que un satélite privado y nos aseguramos siempre la máxima calidad de imagen. Los últimos drones son capaces de cubrir más de un centenar de hectáreas en un solo vuelo.

SENSORIZACIÓN EN PARCELA
en realidad son estaciones meteorológicas (algo menos precisas que las que se utilizan para climatología) pero más baratas y específicas según nuestras necesidades. Sensores de humedad ambiental, temperatura ambiental, humedad y temperatura a distintos niveles de profundidad del suelo, pluviometría, dirección y velocidad del viento, radiación solar, humectación foliar, dendrómetros… un sin fin de parámetros que se pueden medir y almacenar en memorias que se vuelcan y sirven para estudiar estados del cultivo y su relación con variables agronómicas del cultivo, plagas, etc. Este tipo de información es muy útil para hacer predicciones de aparición de plagas, predicciones de estados fenológicos… ¿os acordáis del artículo de la integral térmica?; pues tiene mucho que ver.

MAPEO DE SUELO
Otra de las capas de información que podemos conseguir mediante una maquinaria específica. Este dispositivo se pasea por nuestra parcela y nos dice una gran cantidad de parámetros del suelo. El análisis de un suelo agrícola en laboratorio es caro y además son datos extraídos de un muestreo puntual en distintos puntos de parcela. Pero un suelo es mucho más complejo y cambiante de lo que parece y podemos tener mucha diferencia a 20 metros de distancia. Con estos mapas de suelo, tenemos información continua de toda la parcela con parámetros como pH, conductividad eléctrica, textura, macronutrientes principales (NPK).

agricultura de precisión sonda de suelo
Sonda de suelo. Foto de: AgriExpo

BIG DATA
La computación en la nube, el análisis de Gigabytes e incluso Terabytes de datos. Todos estos datos que recogemos de los diferentes sensores, imágenes, cuadernos de campo. Toda, absolutamente toda la información es útil, y sobre todo si es mucha la cantidad, ya que algoritmos estadísitcos más y menos complejos son capaces de sacar patrones de comportamiento que nos ayudan a tomar decisiones acertadas en cuanto a: momento y dosis de aplicación de fertilizantes y fitosanitarios, predicciones de cosecha, predicción de heladas, necesidades de riego en tiempo real e incluso accionamiento del riego automático en función de todos estos análisis… todo un mundo.

¿ES UNA PANACEA TAL Y COMO NOS LA ESTÁN VENDIENDO?
Pues como todo, tiene su aplicación a muchos niveles. Cada tipo de tecnología (mapeo de suelo, drones, sensores…) dan diferentes capas de información que pueden sernos más o menos útiles dependiendo de nuestro objetivo, tamaño y tipo de cultivo y necesidades de optimización. Es una nueva agricultura mucho más tecnificada y desde luego traerá mejoras, ahorros al agricultor y un beneficio global que es una agricultura más sotenible. Esta agricultura está pensada para medianas y grandes superficies, donde la optimización de recursos tiene un papel más que fundamental.

¿PODEMOS APLICAR LA AGRICULTURA DE PRECISIÓN A NUESTRO HUERTO O JARDÍN?
Ajá! Como sabemos que muchos de nuestros lectores tienen pequeños huertos de autoconsumo, esta es una gran pregunta que tiene una ambigua respuesta. La primera es NO. No vamos a pasar un vuelo de drone por nuestra huerta, ni haremos un mapeo de suelo de una parcela de unos pocos cientos de metros cuadrados.

agricultura de precisión sensor de lluviaLa otra respuesta es SI!, por supesto podemos sensorizar ligeramente un jardín o un huerto y eso sí podría ser introducir un poco de precisión en el manejo de nuestros cultivos o plantas ornamentales. Os ponemos un pequeño ejemplo:

Riego con aspersores en jardín y goteo en el huerto, gobernado por un programador de riego que lleva una sonda de humedad o sensor de lluvia y sólo regará días después de haber llovido o cuando la humedad del suelo caiga por debajo de un límite. ¡Ahí tienes agricultura de precisión en tu pequeño jardín!

Leer más

Las aplicaciones de inteligencia artificial (IA) en la agricultura continúan creciendo, impulsadas por las crecientes demandas de la agricultura de precisión.

Este crecimiento se debe a la creciente demanda de productos agrícolas, el seguimiento del ganado en tiempo real y la necesidad de mejorar la toma de decisiones para optimizar la gestión de la explotación.

Otros factores que contribuyen al creciente interés en las soluciones de agricultura de precisión son la creciente demanda de alimentos y la asistencia del gobierno a los agricultores.

India, por ejemplo, está experimentando un crecimiento significativo en las aplicaciones de IA en la agricultura debido al esfuerzo de su gobierno por promover el uso de herramientas de análisis agrícola entre los agricultores.

ARTÍCULOS RELACIONADOS

Aprovechar al máximo la recopilación de datos agrícolas

Programación agrícola sobre tendencia de crecimiento en Assiniboine Community College

Principales cultivos de Manitoba en 2020

ANUNCIO

La agricultura de precisión utiliza tecnologías de inteligencia artificial para aumentar el rendimiento y la producción de cultivos y ganado, monitorear las condiciones de crecimiento de los cultivos, monitorear la salud de los animales individuales y mejorar una amplia gama de prácticas agrícolas a lo largo de la cadena de suministro.

Estas tecnologías de IA operan combinando grandes volúmenes de datos con algoritmos inteligentes e iterativos. Estas tecnologías pueden reconocer patrones, predecir resultados futuros y recomendar o tomar decisiones utilizando datos históricos. Pueden procesar datos en varias formas, como texto, imágenes, videos y sonidos. Pero su rendimiento depende de la disponibilidad de datos grandes y de alta calidad.

Las granjas recopilan un gran volumen de datos en estos días y se espera que estos datos crezcan exponencialmente en un futuro próximo. Este crecimiento se debe principalmente al uso cada vez mayor de dispositivos de detección y monitoreo, sistemas de control, sistemas de posicionamiento global y por satélite, y otras tecnologías inteligentes como los teléfonos inteligentes. La conectividad de banda ancha mejorada en las zonas rurales también contribuye al crecimiento de los datos agrícolas.

¿Cómo pueden la IA, los datos y los sensores mejorar la producción agrícola?

Las tecnologías de IA integradas en las soluciones de agricultura de precisión ayudan a los agricultores a mejorar la precisión y la productividad de una variedad de prácticas agrícolas.

ANUNCIO

Los agricultores pueden crear y utilizar modelos para pronosticar patrones climáticos y cambios estacionales en el medio ambiente para impulsar el crecimiento de cultivos de alto rendimiento. Los sensores basados ​​en IA se pueden utilizar para identificar malezas y enfermedades y aplicar productos químicos solo en las áreas que se necesitan para controlarlas. Además, las imágenes y los videos recopilados por satélites y drones no tripulados se analizan para comprender las condiciones del suelo a lo largo del tiempo y mejorar las decisiones sobre las perspectivas sobre el rendimiento y la producción de los cultivos.

Además de estos casos de uso, estas tecnologías ayudan con la detección temprana de brotes de enfermedades en animales e incluso recomiendan estrategias de prevención. Los sensores de movimiento combinados con algoritmos de IA son capaces de monitorear el comportamiento de los animales en el mundo real, como comer, masticar, caminar, detectar el comportamiento anormal de los animales individuales y luego proporcionar información a los agricultores.

Estas tecnologías pueden predecir la gravedad de la enfermedad en un animal de antemano y recomendar tratamientos para mejorar su bienestar.

Las plataformas de agricultura de precisión basadas en inteligencia artificial también pueden abordar desafíos laborales y de habilidades. Los robots y la automatización pueden reducir la necesidad de trabajadores estacionales y aumentar la mano de obra humana al cosechar, plantar cultivos y eliminar las malas hierbas.

Otra aplicación de estas tecnologías incluye el uso de chatbots que recientemente han ganado popularidad entre los agricultores. Los chatbots agrícolas son capaces de procesar una gran cantidad de datos recopilados de diferentes fuentes y mediante la comunicación con los agricultores para agregar y analizar la información de manera inteligente en tiempo real y ayudar a los agricultores en la toma de decisiones.

ANUNCIO

A pesar de la creciente necesidad y las posibles ventajas, la adopción de tecnologías de IA en la agricultura ha sido lenta.

Todavía queda un largo camino por recorrer hasta que podamos ver la automatización a gran escala de las prácticas agrícolas. Esto se debe a una serie de factores que incluyen la complejidad inherente de los sistemas de producción agrícola, el costo de lanzamiento y mantenimiento de tecnologías, la disponibilidad limitada de tecnología adecuada y la falta de mejores prácticas legales y agrícolas para guiar el establecimiento de nuevas tecnologías.

Para superar estos obstáculos, el acceso a la infraestructura para recopilar y procesar grandes cantidades de datos heterogéneos es esencial. Integrados en la infraestructura, se requieren sistemas de administración de datos efectivos para garantizar la calidad de los datos y formatos de datos estandarizados que estén listos para su procesamiento.

Además, se deben abordar varios aspectos de la gobernanza de los datos y del sistema de IA. Las cuestiones legales como la propiedad de los datos requieren una atención cuidadosa para ganar la confianza de los agricultores y otros actores de la cadena de suministro.

Se necesitan modelos y conceptos comerciales novedosos para la creación conjunta de valor y para alentar a los agricultores a compartir datos. Se necesitan nuevas soluciones y políticas tecnológicas para proteger las granjas y los datos confidenciales durante todo el ciclo de vida del desarrollo del sistema de IA. Se necesitan algoritmos, sistemas, datos y protocolos estandarizados para una automatización integral y de extremo a extremo. Un alto nivel de estandarización permite la reutilización de recursos en su máxima capacidad y mejora la usabilidad.

La adopción limitada de tecnología basada en IA en las granjas también está relacionada con la falta de disponibilidad de soluciones simples que sean fáciles de usar y se adapten a las prácticas diarias de los agricultores sin un gran esfuerzo.

Por lo tanto, es esencial probar las soluciones prototipo en una prueba en la granja a gran escala para evaluar sus limitaciones y mejorar su usabilidad y rendimiento. Por último, es fundamental co-crear soluciones de tecnología agrícola con los agricultores. Esto puede motivar a un gran número de agricultores a participar en la implementación y prueba de estas tecnologías y, a su vez, mejorar la confianza y la adopción de soluciones basadas en IA posteriormente.

No hay duda de que las tecnologías de inteligencia artificial permitirán que las granjas trabajen de manera más eficiente. Las granjas del futuro operarán con menos trabajadores y serán más sostenibles y responsables. Solo necesitamos asegurarnos de que los agricultores, científicos, tecnólogos y gobiernos cooperen e inviertan estratégicamente hacia este importante objetivo.

Leer más

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Algunos ejemplos de los beneficios de prácticas específicas incluyen:

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

Leer más

Las reclamaciones de seguros falsas y el robo de existencias son algunos de los problemas que afectan a la industria ganadera. Las empresas emergentes ahora utilizan el reconocimiento facial y el aprendizaje automático para abordar estos problemas.
Stellapps , una empresa emergente de la industria láctea , se encuentra en las primeras etapas del desarrollo de sistemas de reconocimiento facial para vacas. Según el cofundador de la empresa, Ranjith Mukunthan, esta tecnología podría revolucionar la industria láctea.

El sistema de reconocimiento facial de Stellapps tiene como objetivo fortalecer los datos digitales relacionados con animales para las compañías de seguros, proveedores de nutrición e instituciones financieras que ofrecen préstamos para ganado.

“Los mecanismos de identificación existentes para el ganado son etiquetas de oreja o chips de RF (radiofrecuencia)”, dijo Mukunthan.

Mukunthan continuó: “Ambos son altamente vulnerables al robo y manipulación de identidad. Pero este sistema reducirá significativamente la manipulación, ya que documenta las identificaciones de los bovinos utilizando imágenes faciales, estructura corporal y dientes «.

Según Stellapps: “La plataforma de IoT SmartMoo ™ de Stellapps adquiere datos a través de sensores que están integrados en sistemas de ordeño, dispositivos portátiles para animales, equipos de enfriamiento de leche y periféricos de obtención de leche.

“Los datos adquiridos se transmiten a Stellapps SmartMoo ™ Big Data Cloud Service Delivery Platform (SDP), donde el conjunto de aplicaciones Stellapps SmartMoo ™ analiza y procesa los datos recibidos antes de enviar el resultado de análisis y ciencia de datos a varias partes interesadas a través de servicios de gama baja y dispositivos móviles inteligentes. El hardware y el software con patente pendiente están diseñados para escalar horizontalmente en otras verticales de la industria «.

La empresa de tecnología agrícola Moofarms ha comenzado un proyecto que utiliza el aprendizaje automático para diferenciar las vacas. Según los investigadores, su algoritmo tiene una precisión del 95% para distinguir una vaca de otra.

«Esta tecnología puede ayudar a resolver el problema de liquidación de reclamaciones fraudulentas en el sector de seguros de ganado en el que el agricultor reclama (envía una etiqueta de oreja / oreja) de un ganado asegurado, mientras que la muerte ha sido de ganado sin seguro», Aashna Singh, cofundadora de Mooofarm .

En países que dependen en gran medida de la agricultura animal para sostener su economía, esta tecnología es invaluable para la seguridad financiera de los agricultores.

Leer más