Agricultura de precisión y sostenibilidad

¿Llegarán los robots agrícolas a tiempo para mantener bajos los costos de frutas y verduras

El 77% de todos los trabajadores agrícolas en los EE. UU. Son nacidos en el extranjero y aproximadamente la mitad de ellos son indocumentados (1). Estos trabajadores con salarios bajos han ayudado a mantener razonables los precios de los alimentos estadounidenses, especialmente para cultivar, cosechar y procesar frutas y verduras.

La mano de obra agrícola migrante legal es cada vez más difícil de encontrar, los salarios están aumentando y los trabajadores son menos confiables. Este no es solo un problema estadounidense: es mundial.

David Lane, presidente del grupo de interés especial de Robótica y Sistemas Autónomos (RAS) de la Junta de Estrategia Tecnológica del Reino Unido, dijo: «Es importante que no nos demoremos, porque la carrera ha comenzado». (5)

La carrera ha sido lenta hasta ahora. Los agricultores son muy pragmáticos y conscientes de los costos. Se han movido gradualmente hacia la agricultura de precisión (también conocida como agricultura satélite o manejo de cultivos específicos del sitio (SSCM)). [La agricultura de precisión es una gestión agrícola basada en la observación y respuesta a las variaciones dentro del campo]. Pero todavía no han adoptado la robótica. Están comenzando a experimentar con datos de robots aéreos, kits que permiten la conducción autónoma de tractores y sistemas avanzados de comunicaciones y GPS, pero por diversas razones no han pasado de la fase experimental.

Si los nuevos productos robóticos hacen su trabajo de manera eficiente, confiable y económica Y no se puede encontrar mano de obra de bajo costo, los agricultores cambiarán sus métodos y comenzarán a implementar robots. No lo han necesitado hasta ahora. Las únicas preguntas reales son (1) si los robots serán financiados, desarrollados, probados en el campo y producidos a tiempo, (2) si estos nuevos dispositivos harán su trabajo de manera adecuada y económica, o (3) si los precios al consumidor deberán aumentar para compensar por salarios más altos porque ningún robot podría adaptarse al trabajo?

Estos son algunos de los factores que afectan el cambio:

Mano de obra migrante:

Los salarios agrícolas en México están aumentando, dando trabajo a quienes solían ir a los EE. UU. A trabajar
Hay otros trabajos menos extenuantes disponibles en México y en los Estados Unidos que brindan opciones donde antes había pocas.
Cada año llegan menos trabajadores migrantes a EE. UU.
Los estados están aprobando y aplicando leyes de inmigración más estrictas que disuaden a los trabajadores indocumentados
Los ingresos son un factor importante en la migración fuera de la agricultura: los gastos de producción agrícola en el promedio de los EE. UU. $ 109,359 por año por granja, mientras que menos de 1 de cada 4 de las granjas producen ingresos brutos superiores a $ 50,000 (3) ”
Uso de robots:

Los investigadores pronostican la expansión del mercado de robots agrícolas de $ 817 millones en 2013 a $ 16,3 mil millones para 2020 (4)
Los dispositivos robóticos de recolección, riego, poda, deshierbe y raleo se están probando en el campo en todo el mundo.
La fumigación y la siembra robóticas se llevan a cabo en Japón y Australia durante años.
Los tractores sin conductor están comenzando a desplegarse y proporcionan menos compactación que los tractores tradicionales
Los sistemas robóticos de ordeño de vacas están avanzando en los EE. UU.
Los viveros están comenzando a utilizar robots de pick-and-place
Los robots de observación aérea probablemente aumentarán la precisión del movimiento agrícola de precisión global una vez que las regulaciones de la FAA estén vigentes a fines de 2015.
ABB, KUKA y Yaskawa han hecho pequeños avances en la industria, aunque proporcionan robots para ayudar a fabricar herramientas agrícolas, tractores y equipos de manipulación de materiales.
Fanuc, KUKA y Adept tienen presencia en la clasificación y el procesamiento de alimentos, pero no en el cultivo o la cosecha.
Otros conductores:

El uso de iluminación LED ha permitido la agricultura en interiores durante todo el año, lo que permite además las métricas para el procesamiento robótico en invernadero
Sensores de cultivo, químicos, de aire y de suelo mejores y más específicos, todos a bajo costo, permiten una mejor comprensión de la variabilidad de los cultivos y mejoran los métodos de precisión
Los sistemas de aprendizaje y el procesamiento de big data ayudan a los agricultores a superponer más y más datos para comprender mejor sus granjas y hacer que sus métodos de precisión sean más precisos.
Las tecnologías de enjambre y mejores sistemas telemáticos pueden optimizar el equipo y controlar la actividad del enjambre, por ejemplo, control de franja de tasa variable para ahorrar semillas, minerales, fertilizantes y herbicidas al reducir la superposición
La financiación gubernamental en los EE. UU. Ha sido insignificante: el USDA ha otorgado subvenciones por un total de $ 4.5 millones para la investigación en robótica. Las asociaciones de productores y los grandes productores de equipos agrícolas han otorgado subvenciones para la investigación o han realizado I + D interna como complemento del USDA. Las empresas de capital de riesgo, en una búsqueda por incubar nueva tecnología para la industria, han invertido $ 71,1 millones en 8 empresas de nueva creación relacionadas con la agricultura en los últimos dos años (2). Las asociaciones público-privadas europeas para varios proyectos agrícolas (que se muestran a continuación) han sido suficientes para dar una ventaja a los proveedores de equipos agrícolas de la UE, así como a las empresas emergentes.

Empresas e instalaciones de investigación a tener en cuenta: NOTA: Si conoce alguna empresa que no esté en esta lista, por favor envíemelas . Gracias.

Robótica 3D
AGCO (Fendt)
Agribotix
AgriFlight
Agritronics
AgroBot
Agrobotica
Amazone-Werke
Aris BV
Soluciones autónomas
Tractor autónomo
BA Systemes
Tecnologías Blue River
CLAAS Agrosystems
Robótica Clearpath
Robots inteligentes para cultivos
CNH Industrial
Sistemas cónicos
Cyberdyne
I + D de Dorhout
ecoRobotix (CH)
Energid
F Poulsen Aps
Proyecto FarmBot
Festo
Fuerza A
Fullwood Ltd
Maquinaria agrícola Garford
Automatización de la cosecha
Ayudante Robotech
Insentec BV
Irmato / Jentjens
Grupo ISO
Robótica Jaybridge
John Deere
Fabricación de Kinze
Industrias Kongskilde (DK)
Grupo Lely (NL)
Robótica Mack
Maf Roda Agrobotic
Magnífico Pty
Tecnologías Naio
Centro Nacional de Investigación Agroalimentaria (BRAIN) (JP)
Centro Nacional de Ingeniería Robótica en CMU
Halcón de precisión
Cosecha robótica
Rovibec Agrisolutions
Rowbot
SenseFly
Shibuya Seiko
SmartBot
Robótica SwarmFarm (AU)
Trimble
Robótica de visión
Vitirover SJCS
Wageningen UR
Wall-Ye
Estado de Washington U
Yamaha
En el próximo tiempo, The Robot Report publicará perfiles de muchas de estas empresas, sus productos relacionados con la robótica y su etapa de desarrollo y pruebas de campo. Manténganse al tanto….

Leer más
Agricultura de precisión y sostenibilidad

Datos y métricas que abonan la agricultura de precisión

Su experiencia en el mundo de la agricultura y de la gestión de la industria ha llevado a cuatro ingenieros a crear D4SmartFarming, una startup madrileña que ayuda a los agricultores en la toma de decisiones precisas. Hace poco más de medio año que se dieron de alta como sociedad con el objetivo de «contribuir a un futuro más sostenible y a ayudar a los «stakeholders» del campo», explica José Manuel Fernández, socio fundador de la empresa. Este equipo de profesionales (agrónomos, técnicos e informáticos) apasionado por la agricultura inteligente y de precisión ha diseñado una plataforma web que permite identificar cualquier parcela y facilitar información acerca de la humedad y del crecimiento del cultivo. «Somos procesadores de datos y damos métricas», puntualiza Fernández, quien se ocupa de la parte técnica del proyecto.

Esta información la obtienen mediante imágenes hipertemporales ofrecidas vía satélite. «Utilizamos unos satélites que mandan sondas de luz y en función de la reflectancia con las plantas somos capaces de identificar su crecimiento. Lo mismo ocurre con la humedad», añade. Con una mínima aportación y sin necesidad de gastos en tecnología o desplazamientos, facilitan cultivos más productivos y con menos emisiones.

Empezaron enfocados en el mundo de la agricultura pero se han dado cuenta que la aplicación puede tener otros usos. «En la banca, para la tasación de las parcelas, en el mundo inmobiliario, para saber cuáles son las parcelas óptimas, y para los seguros que contrate el agricultor», afirma el socio fundador. En sus primeros ocho meses han facturado 60.000 euros y el objetivo para el próximo año es alcanzar los 350.000 euros. «Queremos incrementar el número de áreas, expandirnos y llegar a otros países», matiza. Sus usuarios pagan una cantidad por hectárea al año en función del valor del cultivo.

D4SmartFarming también puede aplicarse para la banca o el mundo inmobiliario
En un principio la startup empezó a operar en Extremadura, con el cultivo del tomate. Pero ya están trabajando en Toledo con maíz y cebada y su primera experiencia internacional ha sido en California. «Nos interesa mucho el mercado norteamericano porque las empresas gestionan muchas hectáreas», indica Fernández. Recientemente la startup madrileña ha sido reconocida en ese país entre más de mil empresas emergentes en unos premios convocados por el European American Enterprise Council. Este galardón en la categoría de AgroFood les brindará apoyo para entrar en este mercado.Además, tienen previsto dar el salto a otros países, entre ellos Italia y Turquía.

Leer más
Agricultura de precisión y sostenibilidad

Precision Ag la clave para hacerlo ‘perfecto’ con las 4R

Los principios de las 4R pueden parecer bastante simples: use la fuente correcta de nutrientes, a la tasa correcta, en el momento adecuado y en el lugar correcto, pero ¿cómo se asegura de tener todas las 4R ‘perfectas’?

La innovación de la agricultura de precisión no solo está ayudando a que los productores sean más productivos; también ayuda a determinar los indicadores de rendimiento al medir el éxito de la administración de nutrientes.

Desde un punto de vista económico, es fácil ver los beneficios de usar herramientas agrícolas de precisión; Teniendo en cuenta el tipo de cultivo, la composición de nutrientes del suelo en el que se cultiva y las áreas específicas del campo que necesitan atención, los productores pueden optimizar sus aplicaciones y aumentar las ganancias.

Pero desde una perspectiva ambiental, la agricultura de precisión tiene la ventaja adicional de proporcionar una forma de medir el desempeño de la sostenibilidad en términos de los principios de las 4R. Así es cómo:

La fuente correcta

La agricultura de precisión puede ayudar a determinar el mejor producto para su campo para garantizar que haya un suministro equilibrado de nutrientes disponibles para el cultivo. Si bien esto marcará la diferencia en la efectividad de la absorción y el crecimiento de una planta, también minimiza la posibilidad de que los nutrientes se escapen al medio ambiente como contaminación.

Al ritmo correcto

Lograr un equilibrio entre lo que los cultivos necesitan para prosperar y la cantidad de nutrientes que el suelo necesita ser suplementado puede ser complicado, pero esto brinda una gran oportunidad para utilizar herramientas de agricultura de precisión como el análisis del suelo. Un análisis más preciso puede ayudar a lograr este equilibrio. El equilibrio adecuado de nutrientes no solo beneficiará a los cultivos, sino que también reducirá la probabilidad de que los nutrientes se desperdicien y posiblemente afecten al medio ambiente.

En el lugar correcto

Ya sea que tenga un acre o 1,000 acres, el uso de herramientas de agricultura de precisión como los sistemas de posicionamiento global (GPS) para ayudar a guiar las aplicaciones de nutrientes específicas del sitio lo ayudará a colocar los insumos donde se necesitan y reducir la posibilidad de aplicaciones ‘fuera del objetivo’.

En el momento adecuado

Dicen que el tiempo lo es todo, pero la agricultura de precisión lleva eso a otro nivel. Al tener en cuenta una variedad de factores, como la absorción del cultivo y la logística de las operaciones de campo, decidir cuándo aplicar los nutrientes no solo afectará el resultado del cultivo, sino que también reducirá el nivel de riesgo ambiental asociado con la pérdida de nutrientes.

Entonces, ¿cuál es una forma de saber que está haciendo un buen uso de los principios de las 4R? Al utilizar la agricultura de precisión, la medición del éxito de los objetivos de los cultivos también puede proporcionar indicaciones mensurables de qué tan bien una operación gestiona la administración de nutrientes 4R.

Leer más
Agricultura de precisión y sostenibilidad

John Deere y el nacimiento de la agricultura de precisión

A principios del siglo XIX, un herrero llamado John Deere se mudó de Vermont a Illinois, donde notó que los granjeros estaban teniendo problemas. La tierra pegajosa de la pradera se acumulaba en sus tradicionales arados de hierro, lo que los obligaba a detenerse con frecuencia para limpiar las cuchillas.

Deere tuvo una idea y, en 1837, presentó su arado de acero «autofrenante» . La hoja cortó la tierra dura y llena de raíces, y su forma curva permitió que la tierra se volcara. La invención de Deere se conoció como «el arado que rompió las llanuras» y ayudó a transformar el Medio Oeste en tierras de cultivo fértiles. Su empresa homónima se convirtió en el mayor fabricante de arados del mundo.

Avance rápido hasta 1994, y el grupo de agricultura de precisión de John Deere, en Moline, Illinois, estaba comenzando a explorar un nuevo concepto en la agricultura conocido como agricultura de precisión. Aún en su infancia, la agricultura de precisión había atraído la atención de varias empresas de tecnología.

Rockwell International Corp., más conocida como contratista de defensa, desarrolló una de las primeras aplicaciones de agricultura de precisión. El Sistema de Posicionamiento Global en el que se basaba la agricultura de precisión era principalmente una constelación militar, y Rockwell utilizó su conocimiento de los satélites militares para diseñar su Sistema de Visión . Introducido en 1995, el sistema creó mapas de campo detallados. Según un informe de Los Angeles Times, la computadora del sistema conectada a una cosechadora registró el volumen de cultivos cosechados y emparejó esos números con los datos de ubicación. El mapa resultante reveló qué parcelas de tierra eran más productivas que otras. Los agricultores podrían hacer un seguimiento con pruebas de campo para determinar la composición del suelo y aplicar niveles específicos de fertilizantes e insecticidas en la siguiente temporada de siembra.

Pero después de una avalancha inicial de adopción, el interés de los agricultores en la agricultura de precisión comenzó a estancarse , por una serie de razones: el equipo tenía una curva de aprendizaje pronunciada, faltaba soporte técnico, los sistemas tenían fallas y eran costosos. Rockwell se unió a otras empresas que salían del campo justo cuando John Deere estaba aumentando su I + D.

Los ingenieros de Deere sabían que tenían que resolver el problema que había desafiado a sus competidores: ¿Cuál era la aplicación asesina que justificaría el costo de la agricultura de precisión y haría que los agricultores quisieran usarla? Como había hecho el fundador de la empresa antes que ellos, decidieron que una mejor arada era la respuesta.

Al arar un campo sin GPS, un agricultor generalmente tenía casi un metro de superposición entre filas. Reducir esa superposición significaría pasar mucho menos tiempo en el campo y también usar menos fertilizante. Los ingenieros de Deere se asociaron con ingenieros de la Universidad de Stanford para desarrollar un tractor autónomo controlado por GPS. A pesar de algunas demostraciones exitosas en condiciones idealizadas, estaba claro que necesitaban un sistema GPS que fuera más preciso y más fácil de usar.

De vuelta a la mesa de dibujo.

Luego, Deere trabajó con el Laboratorio de Propulsión a Chorro de la NASA y la Tecnología NavCom (ahora una subsidiaria de Deere) en un mejor sistema GPS. El resultado fue el primer receptor GPS de Deere, que también trabajó con otras constelaciones regionales de satélites de posicionamiento. La versión de 1996, que se muestra arriba, fue apodada cariñosamente Green Eggs and Ham. Diseñado para montarse en la parte superior de la cabina de un tractor, llevaba una antena de GPS y una antena de banda C que utilizaba señales de estaciones base regionales para corregir las lecturas de GPS. En ese momento, el gobierno de EE. UU. Aún degradaba intencionalmente las señales de GPS destinado al uso civil, una práctica que finalmente abandonó en mayo de 2000. Si bien los productos de la competencia también hicieron algunas correcciones de GPS, el receptor Deere fue más preciso porque corrigió las señales provenientes de cada satélite GPS.

Ambas antenas estaban ubicadas debajo de la «yema» amarilla. El dispositivo conectado a las pantallas y al sistema de mapeo dentro de la cabina. Además de ser precisa, la unidad tenía que ser resistente, capaz de soportar un clima pésimo, temperaturas de –20 ° a 45 ° C, vibraciones de vehículos e incursiones ocasionales de roedores, pájaros y otras criaturas.

Tractores john deere
Foto: Deere & Co.
Trabajo de campo: el receptor GPS «huevos y jamón verde» de John Deere, que entró en producción en 1997 como StarFire, se encuentra en la parte superior de la cabina de un tractor.
Mientras tanto, los ingenieros de Deere continuaron trabajando en AutoTrac, su tractor autónomo. Incorporaron en el StarFire de segunda generación la capacidad de conectarse con un módulo de compensación de terreno, lo que permitió que el sistema GPS del tractor siguiera los contornos del suelo y trazara una línea exactamente paralela a la trayectoria anterior del tractor. AutoTrac se lanzó como producto comercial en 2002.

Hoy en día, la combinación de un GPS más preciso y un control de vehículos autónomo ha hecho que la agricultura de precisión sea económica, al menos para las grandes explotaciones. Los sistemas autoguiados ahora cultivan aproximadamente del 60 al 70 por ciento de la superficie cultivada en América del Norte, del 30 al 50 por ciento en Europa y más del 90 por ciento en Australia.

El receptor GPS Green Eggs and Ham de John Deere se exhibirá hasta junio de 2018 en el Museo Nacional de Historia Estadounidense en Washington, DC, como parte de la feria Precision Farming.

Una versión abreviada de este artículo aparece en la edición impresa de marzo de 2018 como «Arando con precisión».

Parte de una serie continua que analiza fotografías de artefactos históricos que abarcan el potencial ilimitado de la tecnología.

Leer más
Agricultura de precisión y sostenibilidad

Qué es la teledetección

Definiciones

La teledetección se refiere al proceso de recopilar información sobre un objeto, a distancia, sin tocar el objeto en sí. El método de detección remota más común que viene a la mente de la mayoría de las personas es la imagen fotográfica de un objeto tomada con una cámara. La teledetección se ha convertido en mucho más que mirar objetos con los ojos. Ahora incluye el uso de instrumentos, que pueden medir atributos sobre objetos que los ojos humanos sin ayuda no pueden ver o sentir.

Algunas otras definiciones de percepción remota son:

«La fotogrametría y la teledetección son el arte, la ciencia y la tecnología de obtener información confiable sobre los objetos físicos y el medio ambiente, mediante un proceso de registro, medición e interpretación de imágenes y representaciones digitales de patrones de energía derivados de sistemas de sensores sin contacto» (Colwell, 1997) .

«La teledetección puede definirse en términos generales como la recopilación de información sobre un objeto sin estar en contacto físico con el objeto. Las aeronaves y los satélites son las plataformas comunes desde las que se realizan las observaciones de teledetección. El término teledetección se limita a los métodos que emplean electromagnéticos la energía como medio para detectar y medir las características del objetivo ”(Sabins, 1978).

«La teledetección es el arte y la ciencia de obtener información a distancia, es decir, obtener información sobre objetos o fenómenos sin estar en contacto físico con ellos. La ciencia de la teledetección proporciona los instrumentos y la teoría para comprender cómo se pueden detectar objetos y fenómenos. El arte de la teledetección está en el desarrollo y uso de técnicas de análisis para generar información útil ”(Aronoff, 1995).

Historia

En 1858, un fotógrafo francés, Gaspaed Felix Tournachon, fue el primero en tomar fotografías aéreas desde un globo atado. Unos años más tarde, en 1861, las fotografías aéreas se convirtieron en una herramienta de inteligencia militar durante la guerra civil. También se tomaron fotografías aéreas de cámaras montadas en cometas (1858) y en palomas mensajeras (1903). En 1909 Wilber Wright voló el primer avión en tomar las primeras fotografías en vuelo. Las primeras fotografías aéreas utilizadas en el proceso de creación de mapas fueron presentadas en un artículo en 1913 por el Capitán Tardivo en una reunión de la Sociedad Internacional de Fotogrametría.

Las fotografías aéreas militares se utilizaron a gran escala durante la Primera Guerra Mundial. Los militares entrenaron a cientos de personas para procesar e interpretar fotografías de reconocimiento aéreo. Las unidades aéreas francesas revelaron 56.000 fotografías en cuatro días durante la ofensiva Meuse-Argonne en 1918 (Colwell, 1997). Después de la Primera Guerra Mundial y durante la década de 1930, las empresas comerciales de reconocimiento aéreo emplearon a muchos ex militares para procesar fotografías aéreas para producir mapas como mapas topográficos, mapas de gestión forestal y mapas de suelos.

La Segunda Guerra Mundial vio el desarrollo de películas de infrarrojos en color para el Ejército de los EE. UU. En 1942. Estas imágenes se utilizaron para detectar fuerzas enemigas y equipos que estaban camuflados. La mayoría de la inteligencia aliada reunida sobre el enemigo durante esta guerra fue el resultado directo del fotoreconocimiento aéreo.

El ejército de los Estados Unidos y otras agencias gubernamentales como la Administración Nacional de Aeronáutica y del Espacio (NASA) continuaron desarrollando el uso de la teledetección durante los años de la guerra fría. La década de 1960 también vio la expansión y el desarrollo de la teledetección terrestre desde el espacio. El primer satélite de reconocimiento fotográfico espacial militar, Corona, fue lanzado en 1960. Corona tomó fotografías de la Unión Soviética y sus aliados usando películas fotográficas. La película expuesta se transfirió luego a vehículos de recuperación no tripulados en el espacio. Los vehículos de recuperación luego desorbitaron y regresaron a la tierra en paracaídas con la película, que luego fue procesada y analizada en el laboratorio. La primera serie de satélites meteorológicos llamados Satélites de observación de infrarrojos de televisión (TIROS) comenzó a lanzarse en 1960. La NASA continuó recopilando imágenes para sus estudios de observación de la Tierra.

wpe2.jpg (19838 bytes) SR-71.jpg (151373 bytes)

Figura 1.1 Sitio de misiles cubanos 1962 Figura 1.2 SR-71

Fotografías aéreas tomadas desde aviones U-2 de gran altitud y RF101 de baja altitud, descubrieron instalaciones de misiles en Cuba como la que se muestra en la figura 1.1. Estas imágenes fueron televisadas al mundo durante la Crisis de los Misiles en Cuba en 1962. En 1964, la Fuerza Aérea de los Estados Unidos comenzó a volar el avión de reconocimiento SR-71 Blackbird que se muestra en la figura 1.2. El SR-71 vuela a velocidades superiores a Mach 3 o 2,000 millas por hora y en altitudes superiores a los 85,000 pies.

Durante la década de 1970 se lanzaron decenas de satélites estadounidenses de observación de la tierra y meteorología. También durante la década de 1970, las naves espaciales tripuladas, como la estación espacial Skylab, recopilaron imágenes de la tierra desde el espacio exterior. En 1972, el Landsat-1 que se muestra en la figura 1.3 con una resolución original de sólo 80 metros fue el primer satélite lanzado al espacio para la observación de recursos terrestres no militares. Landsat contenía sensores capaces de tomar imágenes digitales multiespectrales.

landsat.gif (29467 bytes)

Figura 1.3 Satélite Landsat

Los satélites de fotoreconocimiento militares de EE. UU. Se han mantenido en secreto y no están disponibles para el público en general. A partir de 1976, el ejército de Estados Unidos comenzó a desplegar satélites de alta resolución más sofisticados capaces de transmitir imágenes digitales a la Tierra. Se lanzaron ocho satélites Keyhole-11 entre 1976 y 1988. Se lanzaron tres satélites Keyhole-11B mejorados entre 1992 y 1996. Pueden producir imágenes con resoluciones estimadas de casi diez centímetros (cuatro pulgadas) (Vick et al, 1997).

Se han utilizado imágenes satelitales no militares para monitorear la degradación y contaminación del medio ambiente. Estas imágenes también se pueden utilizar para evaluar el daño de las inundaciones y los desastres naturales, ayudar a pronosticar el clima, ubicar reservas de minerales y petróleo, ubicar poblaciones de peces, monitorear las corrientes oceánicas, ayudar en el mapeo y planificación del uso de la tierra, producir mapas geológicos y monitorear pastos, recursos forestales y agrícolas.

Propiedades y conceptos fundamentales

El espectro electromagnético

Todos los objetos, incluidas las plantas y el suelo, emiten o reflejan energía en forma de radiación electromagnética. La radiación electromagnética viaja en ondas que se propagan por el espacio de forma similar a la que se muestra en la figura 1.4. Tres componentes principales de estas ondas son la frecuencia, la amplitud y la longitud de onda. La frecuencia es el número de crestas de ciclo que pasan por un punto durante un período de tiempo determinado. Un ciclo por segundo se conoce como un hercio. La amplitud es el nivel de energía de cada onda que mide la altura de cada pico de onda. La longitud de onda es la distancia desde la parte superior de un pico de onda hasta la parte superior del siguiente pico de onda

wave.gif (6514 bytes)

Figura 1.4 Radiación electromagnética

La fuente más común de radiación electromagnética con la que estamos familiarizados es el sol. El sol irradia energía que cubre todo el espectro de frecuencias electromagnéticas como se muestra en la figura 1.5.

Los sensores remotos actúan de manera similar al ojo humano. Son sensibles a imágenes y patrones de luz reflejada. Una diferencia importante entre el ojo humano y los sensores remotos es el rango de frecuencia del espectro electromagnético al que son sensibles.

El rango del espectro electromagnético varía desde longitudes de onda muy cortas de menos de diez billonésimas de metro conocidas como rayos gamma, hasta ondas de radio con longitudes de onda muy largas de varios cientos de metros. El espectro electromagnético se puede dividir en segmentos discretos de rangos de longitud de onda llamados bandas, también denominados a veces canal.

emspec.gif (6125 bytes)

Figura 1.5 Espectro electromagnético

Es el sol el que más a menudo proporciona la energía para iluminar objetos (figura 1.6). La energía radiante del sol golpea un objeto en el suelo y parte de esta energía que no se dispersa ni se absorbe se refleja de regreso al sensor remoto. Una parte de la energía del sol es absorbida por objetos en la superficie de la tierra y luego es emitida nuevamente a la atmósfera como energía térmica.

radiación.gif (8739 bytes)

Figura 1.6

Región visible

La porción de luz visible del espectro electromagnético varía de 0,4 micrómetros («µm») (longitud de onda más corta, frecuencia más alta) a 0,7 µm (longitud de onda más larga, frecuencia más baja). Este es el rango de frecuencia de la luz al que es sensible el ojo humano. Cada objeto refleja, absorbe y transmite energía electromagnética en la parte visible del espectro electromagnético y también en otras frecuencias no visibles. La energía electromagnética que atraviesa completamente un objeto se denomina transmitancia. Nuestros ojos reciben la luz visible reflejada por un objeto.

Los tres colores primarios reflejados por un objeto (figura 1.7) conocidos como primarios aditivos son las longitudes de onda azul, verde y rojo. Los colores primarios no pueden formarse mediante la combinación de otros colores primarios. Los colores intermedios se forman cuando una combinación de colores primarios se refleja en un objeto. Magenta es una combinación de rojo y azul reflejados, cian una combinación de azul y verde reflejados y amarillo una combinación de rojo y verde reflejados.

La película de color produce colores mediante el uso de capas de tintes que filtran varios colores. Los tres colores que absorben los colores primarios, conocidos como primarios sustractivos , son magenta, cian y amarillo. El magenta absorbe el verde y refleja el rojo y el azul, el cian absorbe el rojo y refleja el azul y el verde y el amarillo absorbe el azul y refleja el rojo y el verde. La absorción de todos los colores produce negro. Si no se absorbe ningún color, la película se vuelve blanca.

blue.gif (1820 bytes) green.gif (1886 bytes) red.gif (1843 bytes)

magenta.gif (2230 bytes) cyan.gif (2080 bytes) yellow.gif (2102 bytes)

black.gif (1777 bytes) white.gif (2053 bytes)

Figura 1.7

Región de infrarrojos

La región espectral infrarroja no visible se encuentra entre la luz visible y la porción de microondas del espectro electromagnético. La región infrarroja cubre un rango de longitud de onda de 0,7 µm a 14 µm. Esta amplia gama de longitudes de onda infrarrojas se subdivide en dos regiones infrarrojas más pequeñas. Cada una de estas regiones presenta características muy diferentes.

La región infrarroja más cercana a la luz visible contiene dos bandas más pequeñas etiquetadas como infrarrojo cercano e infrarrojo de onda corta con longitudes de onda que oscilan entre 0,7 µm y 1,1 µm y entre 1,1 µm y 3,0 µm respectivamente. Estas regiones infrarrojas exhiben muchas de las mismas características ópticas que la luz visible. El sol es la fuente principal de radiación infrarroja, que se refleja en un objeto. Las cámaras que se utilizan para capturar imágenes en el espectro de luz visible pueden capturar imágenes en la región del infrarrojo cercano mediante el uso de una película de infrarrojos especial.

La otra región infrarroja con longitudes de onda más largas que van desde 3,0 µm a 14,0 µm está compuesta por dos bandas más pequeñas etiquetadas como infrarrojo de onda media e infrarrojo de onda larga con longitudes de onda que van desde 3,0 µm a 5,0 µm y desde 5,0 µm a 14,0 µm respectivamente. Los objetos generan y emiten radiación infrarroja térmica, por lo que estos objetos se pueden detectar por la noche porque no dependen de la radiación infrarroja reflejada del sol. Los sensores remotos que operan en este rango de longitud de onda infrarroja miden la temperatura de un objeto.

Interacción entre plantas y radiación electromagnética

Estructura de la hoja

La estructura de una hoja se muestra en la Figura 1.8. La cutícula es una fina capa cerosa que cubre las células de la epidermis en la superficie de la hoja. Los pequeños derrames en la capa de células de la epidermis se llaman estomas. Los estomas están rodeados por células de guarda, que hacen que los estomas se abran o se cierren. Las celdas de protección regulan la evaporación del agua de la hoja y también controlan el intercambio de gases entre la hoja y la atmósfera.

La capa interior de la hoja está compuesta por dos regiones de tejido mesófilo. Aquí es donde ocurre la mayor parte de la fotosíntesis. El mesófilo en empalizada se encuentra justo debajo de la epidermis superior. Estas células son alargadas, alineadas en filas y contienen la mayoría de los cloroplastos de la hoja. Los cloroplastos de la mayoría de las plantas contienen pigmentos y dos tipos diferentes de clorofila. La clorofila a es la más abundante y es de color verde azulado. La clorofila b es de color verde amarillento y absorbe la luz y luego transfiere esa energía a la clorofila a. Las moléculas de pigmento dentro de los cloroplastos también absorben energía luminosa y transfieren la energía a la clorofila. El mesófilo esponjoso es el interior inferior de la hoja compuesto por células de forma irregular y sueltas. Estas células contienen cloroplastos y están rodeadas de espacios de aire.

leaf.gif (63606 bytes)

Figura 1.8 Sección transversal de una hoja de una planta típica

Respuesta espectral

La clorofila absorbe principalmente la luz en las longitudes de onda de violeta a azul y rojo. La luz verde no se absorbe fácilmente y se refleja, lo que le da a la hoja una apariencia de color verde. La estructura de la pared celular interna del mesófilo provoca una alta reflectancia de la radiación infrarroja cercana. La clorofila es transparente a la radiación infrarroja cercana. El fuerte aumento de la energía reflejada justo más allá de la región roja de la luz visible hacia la región del infrarrojo cercano se denomina borde rojo. La Figura 1.9 muestra este fuerte aumento de reflexión ubicado alrededor de la longitud de onda de 0,7 µm. La ubicación del borde rojo no es estática durante la vida de una hoja. A medida que la hoja madura, la clorofila absorberá longitudes de onda ligeramente más largas en la región roja visible. Este cambio mueve el borde rojo que se muestra en la figura 1.9 hacia la derecha y se conoce como desplazamiento al rojo (Campbell, 1996).

Los factores de estrés ambiental como la sequía, las enfermedades, la presión de las malezas, el daño por insectos y otros estresan o dañan las plantas. Este estrés provocará cambios fisiológicos en la planta. Las plantas estresadas tendrán una reflectancia espectral diferente a la de las plantas normales en la misma etapa de crecimiento. Un ejemplo de cambio fisiológico sería el cambio en el color de las hojas de las plantas debido a la clorosis. El color amarillo de la clorosis es causado por la descomposición de la clorofila. El verde reflejado disminuirá y el rojo reflejado aumentará. La correlación de las diferentes respuestas espectrales observadas con el equipo de detección remota con la condición real de las plantas es fundamental para la interpretación e identificación precisas de los daños y el estrés en los cultivos.

Figura 1.9

Tipos de sensores

La mayoría de los sensores remotos miden y registran la magnitud y frecuencia de la radiación reflejada de un objeto. Los datos del espectro de frecuencias registrados del objeto se comparan y hacen coincidir con las firmas del espectro de objetos conocidos, lo que permite la identificación y clasificación del objeto en el suelo.

La teledetección de aviones y satélites utiliza sensores de imágenes, que miden la energía reflejada de los objetos bajo vigilancia. Estos sensores de imágenes se dividen en dos categorías generales, sensores activos y sensores pasivos. Los sensores pasivos monitorean solo la luz solar natural reflejada o la energía electromagnética de un objeto. Los sensores pasivos constituyen la mayoría de los sensores que se utilizan en la actualidad. Los sensores de imagen activos proporcionan su propia luz o energía electromagnética, que se transmite al objeto y luego se refleja de regreso al sensor. Un ejemplo común de este tipo de sensor es el radar. La cubierta de nubes en el cielo a menudo puede impedir que los sensores pasivos reciban energía reflejada desde el suelo, pero los sistemas de radar pueden penetrar la cubierta de nubes.

La historia temprana de la teledetección consistió en imágenes fotográficas en película tomadas por cámaras. La luz reflejada que recibe la cámara expone la película al reaccionar con la emulsión química de la película para crear una imagen en formato analógico. Las imágenes producidas son fijas y no están sujetas a mucha manipulación a menos que se conviertan a un formato electrónico digital. Las imágenes digitales tienen ventajas sobre las imágenes de películas analógicas porque las computadoras pueden almacenar, procesar, mejorar, analizar y renderizar imágenes en una pantalla de computadora.

Las imágenes digitales son imágenes reducidas a números. La imagen se compone de números, que representan atributos de la imagen como el brillo, el color o la longitud de onda de la frecuencia de la energía radiada, y la ubicación de la posición de cada punto o elemento de la imagen. Los elementos de imagen de menor tamaño en una pantalla de computadora se denominan píxeles. Una imagen digital está formada por píxeles dispuestos en filas y columnas que se muestran en las figuras 1.6, 1.7, 1.8.

pixel.gif (950 bytes) scanlin.gif (1666 bytes)
Figura 1.10 Un solo píxel Figura 1.11 Una fila de píxeles representa una línea de exploración

img1bnd.gif (2810 bytes)

Figura 1.12 Las filas y columnas de píxeles representan una imagen

Resolución

Los sensores remotos miden diferencias y variaciones de objetos. Hay cuatro resoluciones principales que afectan la precisión y la utilidad de los sensores remotos.

La resolución espacial describe la capacidad de un sensor para identificar el detalle de tamaño más pequeño de un patrón en una imagen. La distancia entre patrones u objetos distinguibles en una imagen que se pueden separar entre sí a menudo se expresa en metros.

La resolución espectral es la sensibilidad de un sensor para responder a un rango de frecuencia específico. Los rangos de frecuencia cubiertos a menudo incluyen no solo luz visible, sino también luz no visible y radiación electromagnética. El rango discreto de longitudes de onda de frecuencia que un sensor puede detectar y medir se llama Banda. Las características del suelo, como el agua y la vegetación, se pueden identificar por las diferentes longitudes de onda reflejadas. El sensor utilizado debe poder detectar estas longitudes de onda para poder ver estas y otras características.

La resolución radiométrica a menudo se denomina contraste. Describe la capacidad del sensor para medir la intensidad de la señal o el brillo de los objetos. Cuanto más sensible es un sensor al brillo de un objeto en comparación con su entorno, más pequeño es el objeto que se puede detectar e identificar.

La resolución temporal es el período de tiempo transcurrido entre las imágenes tomadas del mismo objeto en el mismo lugar. Cuanto más frecuente sea el retorno de un sensor a una ubicación específica exacta, mayor será la resolución temporal. Varias observaciones a lo largo del tiempo revelan cambios y variaciones en el objeto que se observa. Para los sistemas de satélites, la resolución temporal se describe como el período de revisión, que se refiere al tiempo que tarda un satélite en regresar a la misma área en órbitas posteriores.

Procesamiento de imágenes

Una vez que se han adquirido los datos digitales sin procesar de la teledetección, se procesan en información utilizable. Las fotografías de películas analógicas se procesan químicamente en un cuarto oscuro, mientras que las imágenes digitales se procesan en una computadora. El procesamiento de datos digitales implica cambiar los datos para corregir ciertos tipos de distorsiones. Siempre que se modifiquen los datos para corregir un tipo de distorsión, existe la posibilidad de crear otro tipo de distorsión. Los cambios realizados en los datos de teledetección implican dos operaciones principales: preprocesamiento y posprocesamiento .

Preprocesamiento

Los pasos de preprocesamiento de una imagen de teledetección generalmente se realizan antes de la mejora, extracción y análisis del posprocesamiento de la información de la imagen. Normalmente, será el proveedor de datos quien preprocesará los datos de la imagen antes de la entrega de los datos al cliente o usuario. El preprocesamiento de datos de imágenes a menudo incluirá corrección radiométrica y corrección geométrica .

Se realizan correcciones radiométricas a los datos de la imagen digital sin procesar para corregir los valores de brillo del objeto en el suelo que se han distorsionado debido a la calibración del sensor o problemas de mal funcionamiento del sensor. La distorsión de las imágenes se debe a la dispersión de la energía de la luz electromagnética reflejada debido a una atmósfera en constante cambio. Ésta es una fuente de error de calibración del sensor.

Se realizan correcciones geométricas para corregir la inexactitud entre las coordenadas de ubicación de los elementos de la imagen en los datos de la imagen y las coordenadas de ubicación real en el suelo. Varios tipos de correcciones geométricas incluyen correcciones de sistema, precisión y terreno.

La corrección del sistema utiliza un punto de referencia geográfica para un elemento de píxel, como el proporcionado por el sistema de posicionamiento global. La precisión de la corrección a menudo varía según la precisión de la posición dada por el sistema de posicionamiento global. La inestabilidad del sistema de plataforma de la aeronave se muestra en la figura 1.13. La corrección de preprocesamiento elimina la distorsión del movimiento como se muestra en la figura 1.14.

toledo_small_raw.jpg (12229 bytes)

Figura 1.13 Datos brutos del sensor aéreo sin corregir.

toledo_synthetic_small.jpg (14879 bytes)

Figura 1.14 Datos preprocesados ​​corregidos para el movimiento de la aeronave.

La corrección de precisión utiliza puntos de control de tierra. Los puntos de control terrestre, que tienen ubicaciones geográficas precisas de longitud y latitud predeterminadas, se utilizan a menudo para medir el error de ubicación de los elementos de la imagen. Hay varios modelos matemáticos disponibles para estimar la posición real de cada elemento de la imagen en función de su distancia desde el punto de control del terreno.

La corrección del terreno es similar a la corrección de precisión, excepto que, además de la longitud y la latitud, se hace referencia a una tercera dimensión de elevación con el punto de control terrestre para corregir la distorsión inducida por el terreno. Este procedimiento también se conoce como orto-corregido u ortorrectificado. Por ejemplo, los edificios altos parecen inclinarse lejos del punto central de la figura 1.15, mientras que los edificios directamente debajo de la lente de la cámara (nadir) solo tienen sus techos visibles. La distorsión del relieve será mayor para los objetos más alejados del centro de la foto.

LongBeach.jpg (122278 bytes)

Figura 1.15 Ejemplo de terreno o desplazamiento de relieve.

Postprocesamiento

Las rutinas de posprocesamiento de imágenes digitales incluyen mejora de imágenes , clasificación de imágenes y detección de cambios . Estas rutinas de proceso computarizado mejoran la calidad de la escena de la imagen y ayudan en la interpretación de los datos.

Las técnicas de mejora de la imagen incluyen estiramiento del contraste, filtrado espacial y relación.

El estiramiento del contraste cambia la distribución y el rango de los números digitales asignados a cada píxel en una imagen. Esto se hace a menudo para acentuar detalles de la imagen que pueden ser difíciles de observar para el espectador humano sin ayuda.

El filtrado espacial implica el uso de algoritmos llamados filtros para enfatizar o restar importancia al brillo usando un cierto rango de números digitales sobre una imagen. Los filtros de paso alto mejoran el detalle del borde de la imagen. Los filtros de paso bajo suavizan una imagen y reducen el ruido de la imagen.

Las razones se calculan tomando los números digitales de una banda de frecuencia y dividiéndolos por los valores de otra banda. El rango de proporción se puede redistribuir para resaltar ciertas características de la imagen.

La clasificación de imágenes agrupa los píxeles en clases o categorías. Este proceso de clasificación de imágenes puede no estar supervisado o supervisado.

La clasificación de imágenes sin supervisión es un sistema informático que asigna píxeles a grupos estadísticamente separables en función de los valores numéricos digitales de píxeles de varias bandas espectrales. A los patrones de conglomerados resultantes se les pueden asignar diferentes colores o símbolos para visualizarlos y producir un mapa de conglomerados. El mapa resultante puede no corresponder necesariamente a las características del terreno que le interesan al usuario.

La clasificación supervisada es un procedimiento más completo que utiliza un analista de imágenes humanas experimentado para reconocer y agrupar píxeles en clases y categorías de interés para el usuario. El analista selecciona varias muestras de patrones de píxeles homogéneos en la imagen denominados sitios de entrenamiento. Los analistas identifican estos sitios visitando realmente la ubicación del terreno y haciendo observaciones de campo (verificación del terreno) o utilizando experiencia y habilidades pasadas. Los píxeles restantes fuera de los sitios de formación se hacen coincidir con los sitios de formación utilizando técnicas de procesamiento estadístico.

La detección de cambios es un proceso en el que dos imágenes en la misma ubicación tomadas en fechas diferentes se comparan entre sí para medir cualquier cambio en la forma física, ubicación o propiedades espectrales. Luego se produce una tercera imagen que muestra solo los cambios entre la primera y la segunda imagen. La detección de cambios se presta al análisis de la automatización informática. Los valores numéricos digitales de píxeles se comparan píxel por píxel dentro de cada banda de frecuencia. El análisis por computadora es más útil cuando se combina con la experiencia y el conocimiento del analista humano para interpretar los cambios de imagen.

Leer más
Agricultura de precisión y sostenibilidad

CÓMO BIG DATA ESTÁ REVOLUCIONANDO LA INDUSTRIA AGRÍCOLA

En todo el mundo, la agricultura se enfrenta a muchos desafíos cada vez más complejos. Estos incluyen problemas globales como alimentar adecuadamente a una población en constante crecimiento utilizando cada vez menos recursos, adaptarse a los efectos del calentamiento global, la presión sobre los recursos hídricos o la disminución de la tierra disponible. Además, para muchos países, la agricultura debe trabajar seriamente en su atractivo, especialmente para los jóvenes, reduciendo la arduo trabajo y ofreciendo más tiempo libre. Aunque son enfermeros, técnicos, agricultores, administradores, los agricultores de hoy tienen 1.000 puestos de trabajo y, a menudo, trabajan solos. Por último, el mundo agrícola debe satisfacer las nuevas expectativas de los consumidores, cada vez más exigentes con respecto a sus alimentos, ya sea en términos de calidad o trazabilidad. Estos diferentes requisitos pueden ser satisfechos por la tecnología y en particular porel Big Data .
Cada día, se producen en todo el mundo 2,5 trillones de bytes de datos 2,5 trillones de bytes de datos . Los últimos 5 años han producido tantos datos como los últimos 50 años. Se estima que el mercado global de Big Data es de decenas de miles de millones de dólares por año. La industria agrícola tiene mucho que ver con eso. Este sector genera efectivamente un volumen colosal de datos valiosos con la explosión de sensores. La inversión en macrodatos agrícolas aumenta constantemente. Los economistas están de acuerdo en que asistimos a la próxima revolución agrícola. Incluso estamos hablando de agricultura digital o agricultura inteligente, es decir, una agricultura que utiliza tecnologías de la información y la comunicación.
De hecho, la agricultura digital nació hace 40 años con los primeros satélites de observación del suelo y se aceleró en la década de 1980 con la explosión de la capacidad informática. La tercera fase de aceleración tuvo lugar a principios del siglo XXI con la aparición de nuevas oportunidades como el smartphone, el GPS o nuevos satélites, mucho más sofisticados, y últimamente, con objetos conectados. Entonces, ahora estamos en una situación muy favorable para la agricultura digital.
EL PODER DE LOS DATOS
El potencial del big data parece increíble y su impacto inmenso. Frente al abanico de oportunidades disponibles, la tasa de adopción de nuevas tecnologías dentro del sector agrícola aumenta de manera constante, a pesar de los altos costos de compra.
Desde un punto de vista personal, estas herramientas de datos tecnológicos permiten a los agricultores más tiempo libre mediante la optimización de su producción. Gracias a esta tecnología, el agricultor puede intervenir de forma muy precisa en su explotación. Hasta entonces, sujeto a los caprichos del mercado, las crisis climática y sanitaria, el agricultor podrá convertir todos los datos de los sensores en increíbles herramientas de control. Por otro lado, el big data nos está conduciendo hacia una agricultura de precisión, que es más ecológica y económica. Además, los escáneres, sensores y herramientas analíticas también se utilizan cada vez más en el seguimiento de alimentos para monitorear y recopilar datos en sus cadenas de suministro. Permiten un seguimiento completo de la calidad de los productos, cumpliendo así con los nuevos requisitos de los consumidores. Estas tecnologías también ayudan a reducir el desperdicio en la cadena de suministro. RecuérdaloSe tira el 40% de los alimentos producidos en el mundo, incluido el 10% al 15% de los productos terminados. Los datos también están revolucionando el proceso tradicional utilizado para crear nuevas especies de plantas, que es caro, requiere mucha mano de obra y puede llevar más de 10 años. Big data acelera las cosas.
Al mismo tiempo, como en otros sectores en plena transformación, abundan las startups que ofrecen nuevos servicios y revolucionan un modelo ya consolidado. Muchas empresas emergentes de tecnología han ingresado a este nicho de mercado para enfrentar una amplia gama de desafíos para mejorar y transformar la producción de alimentos y energía. Se están creando nuevas empresas que se especializan en la recopilación, agregación y análisis de datos. Su objetivo es proporcionar a los agricultores planes individuales para poder utilizar su tierra de la manera más eficiente posible de acuerdo con los objetivos deseados y las diversas limitaciones ambientales. En 2015, más de 500 nuevas empresas de tecnología agrícola recaudaron $ 4.6 mil millones. Por otro lado, los principales actores globales, GAFA, están involucrados en esta transformación digital invirtiendo varios millones de dólares.
CONCLUSIÓN
Los macrodatos agrícolas ocuparon rápidamente un lugar considerable en la vida diaria de los agricultores y se volvieron indispensables muy rápidamente. De todos modos, las necesidades en este mercado crecen inexorablemente debido a la disminución del número de agricultores y, como resultado, las superficies de las fincas están destinadas a ser cada vez más importantes. Los datos prometen un salto cuántico hacia una agricultura de alta precisión más económica y ecológica, pero también una revolución científica en la comprensión de las relaciones entre agricultura, medio ambiente y clima. Los beneficios son numerosos, más tiempo para el agricultor, más precisión, más anticipación, más ahorro y más respeto por el medio ambiente. Big Data vale la pena. Todavía es difícil calcular realmente la contribución de esta nueva revolución digital. No sabemos qué ganaremos invirtiendo en estas tecnologías,
Sin embargo, existe un problema económico real en torno a quién es el propietario de los datos. Si el agricultor se convierte en un usuario “simple” de los datos pero no los posee, se puede modificar todo el circuito económico agrícola. Por eso, a algunos agricultores les preocupa la protección de datos, sobre todo cuando se sabe que la tierra se vende al 20% en USA más si se acompaña

Leer más
Agricultura de precisión y sostenibilidad

Drones y visión artificial, la nueva agriculturaya está aquí

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Leer más
Agricultura de precisión y sostenibilidad

Historia de la agricultura de precisión

1996
En 1996 Louis van den Borne dio el primer paso hacia la agricultura de precisión. Se probó un sistema de registro que estaba vinculado a un Muller UNI-Control S. La computadora de a bordo UNI-Control-S se puede utilizar durante todo el año, en muchas máquinas agrícolas, para medir (áreas / distancia recorrida), controlar ( a partir de cantidades), verificando y almacenando los datos (Müller-Elektronik, 1994).

Este sistema se compró para que el registro de aspersión se realice automáticamente midiendo el consumo de combustible y los tiempos de las tareas y realizando un registro personal. En combinación con el cálculo del precio de costo y el registro de existencias, este fue un sistema confiable y simple.

1998
La tarjeta con chip de UNI-Control S fue compatible con Comwaes hasta 1998. Cuando MS-DOS cambió a Windows 3.1, Comwaes ya no pudo admitir la tarjeta con chip y el sistema se volvió inútil mientras no se encontrara otra empresa de soporte . Dacom, una empresa que ha estado produciendo registros de cultivo utilizando soluciones TIC avanzadas desde 1980, empleó a un programador que también trabajó con Müller UNI-Control. El mecánico contratado se aseguró de que el sistema permaneciera apoyado, de modo que van den Borne se quedó con el sistema.

En 1998, se dieron los primeros pasos con respecto al registro de límites de campo. ISAplan, un software francés, fue desarrollado para datos geográficos. En este software fue posible procesar datos. Un programa que formó parte de ISAplan fue ISAGPS. Este programa se ejecutó en una PDA, un llamado I-PAC. Los límites del campo se rompieron con este PDA. Debido a que aún no había RTK-GPS, estos límites de campo tenían una precisión de 5 metros.

Luego, los límites del campo se procesaron en ISAplan. No fue posible colocar un fondo detrás de los bordes del campo. Los mapas disponibles solo contienen fondos de los Países Bajos. Las parcelas se distribuyeron por los Países Bajos y Bélgica, por lo que estos mapas no se pudieron utilizar como fondo.

A través de contactos con Dacom a través del sistema Uni Control S, se probó el modelo de enfermedad de la papa de Dacom en 1998. Se instaló una estación meteorológica para esto. El modelo de enfermedad clasifica las parcelas por riesgo. Dacom utiliza un sistema de puntos. Esto se clasificó en prioridad de la fumigación. Las parcelas propensas a enfermedades están en la parte superior de la lista. En combinación con el Müller UNI-Control S, se podrían cargar tareas de control de enfermedades. La computadora de pulverización calculó la cantidad de agente de pulverización por hectárea. La etapa del cultivo, el crecimiento del cultivo y la posición del cultivo aún no se habían ingresado. Ambos pulverizadores que poseía Van den Borne estaban equipados con un UNI-Control S.

2000
Jacob quería trabajar en casa en 2000. Sin embargo, su padre, Louis, le hizo estudiar más. Jacob fue al HAS en Den Bosch. En su tercer año hizo una pasantía en Grimme, donde estaban ocupados con las mediciones de rendimiento. Por lo tanto, los sensores de la cosechadora se probaron en Van den Borne Potatoes, que eran muy buenos. Los sensores se compraron y montaron en la cosechadora de patatas de Van den Borne.

Además, surgió el deseo de cartografiar las parcelas sobre la base de los llamados «mapas del personal» de los Países Bajos y Bélgica. Esto no funcionó en la práctica, porque los mapas fronterizos de ambos países no coincidían. Después de escanear, los límites del campo no coincidieron.

La solución se encontró en Synoptic. Se trataba de una empresa geográfica de Wageningen que vendía mapas satelitales. Estas tarjetas se pueden utilizar como fondo. La desventaja de estos mapas era el hecho de que las carreteras y calles no eran visibles en estos mapas. Para ello, se adquirieron nuevos mapas de carreteras de Tele Atlas. Posteriormente, TomTom se hizo cargo de esta empresa.

2004
En 2004 se adquirió un esparcidor de fertilizante que podía medir la aplicación. Esto hizo posible determinar exactamente cuánto fertilizante se esparció en cada parcela. Esta máquina Rauch pudo distribuir dosis variables a la izquierda y a la derecha a través de ISOBUS. La dosis se puede ajustar manualmente. Todavía no existe ningún software que pueda dosificar controlados por la izquierda y la derecha.

Se compró una sembradora hidráulica Hassia, que permitió un 10% más de plantación en las hileras centrales. Esto tuvo la ventaja de que en las dos crestas próximas a las rutas de aspersión se plantó un 10% más de semillas de papa.

2006
En colaboración con PPL, van den Borne Papa instaló un sensor de humedad del suelo, para poder controlar el riego. Este sistema de riego fue suministrado por Dacom. El sensor de suelo mide la humedad del suelo presente, de modo que se pueda notar rápidamente la escasez.

Debido a que se recopilaron cada vez más datos con diferentes sistemas, Van den Borne eligió el paquete de software Farm Works Software. Farm Works Software permite dibujar mapas previamente, pero también ajustarlos posteriormente. El registro de cultivo también se puede realizar con Farm Works Software. La razón para comprar el software Farm Works fue que podía procesar más datos diferentes de diferentes fabricantes.

2007
Para introducir aún más la agricultura de precisión en la empresa, en 2007 se compró un nuevo pulverizador arrastrado en tándem de Dammann. Este pulverizador estaba equipado con un control de sección mediante GPS. Todo esto fue controlado por medio de ISOBUS, lo que resultó en un gran ahorro en el número de cables que van del tractor al implemento. La operación también fue integrada por ISOBUS.

Este pulverizador tenía un volante con un signo de interrogación en el software, después de lo cual Jacob investigó el significado de este icono. Terminó en Reichardt. Reichardt es un proveedor alemán de sistemas GPS. Suministraron el primer sistema GPS que utilizó D-GPS en combinación con sensores ultrasónicos. Esto hizo posible lograr una precisión de 2 a 3 centímetros.

En la primavera de 2007 iniciamos un nuevo equipo a prueba.
El nuevo equipo es una tijera Lemken Varitansanit 7. Aramos con un Fendt 820 Vario. Este tiene una potencia máxima de 206 CV. El arado fue excelente este año. El nuevo equipo ha demostrado su valía esta primavera. Gracias a un nuevo sistema Lemken que garantiza que el deslizamiento de las ruedas, que es estándar entre el 20% y el 25% durante el arado, se reduce del 3% al 5%, toda la potencia se puede utilizar de manera óptima. Esto permite tirar de un arado de 7 surcos con soportes de suelo y un compactador con un Fendt de 200 CV. Arar los promontorios también es muy fácil. Siempre aramos los promontorios con la parte delantera. Podemos levantar en la última rueda de la rueda trasera para que no ara más. Con este equipo pudimos arar una media de 7 km / h con el sensor de radar (deslizamiento mínimo). El arado tiene un ancho de trabajo de 3,75 metros. Esto equivale a una capacidad durante el arado de poco más de 2. 5 ha por hora. Si contamos el giro y el transporte por carretera, llegamos a una capacidad media de 2,2 ha por hora. Esto le da la misma capacidad que la máquina spading.

2008 La
temporada 2008 ha comenzado con el uso de dos poters Hassia SL +. A mitad de temporada, Miedema presentó el Hassia CP. Esta máquina fue mejorada sobre la SL +. La falta de control, el control de las calles y el depósito de patatas son ejemplos de esto. Estas mejoras aumentaron la precisión del poter.

El pulverizador adquirido en 2007 tenía control de sección mediante GPS con secciones de tres metros y en 2008 estaba equipado con seis Greenseekers instalados por Randy Wilbrink. Son sensores de biomasa que miden la densidad del cultivo mediante reflexión de luz. Dado que cada uno de los Greenseekers tiene su propia fuente de luz, se pueden realizar mediciones tanto durante el día como durante la noche. Los datos útiles de los Greenseekers se expresan en NDVI, Índice de vegetación de diferencia normalizada. Estos datos se procesaron en Farm Works Software.

2009
Después de la fase de prueba del Hassia CP en 2008, se compraron dos Hassia CP en 2009. El sistema GPS de Reichardt se amplió con RTK, Real Time Kinematic. Esto mejoró la precisión del sistema GPS a una desviación de 2 centímetros. Esto hizo que los sensores ultrasónicos fueran superfluos y aumentara la facilidad de uso. Ahora no era necesario montar sensores ultrasónicos adicionales en el tractor ni transportarlos por los campos. El sistema GPS también se amplió con un piloto automático. Esto permitió que dos tractores trabajaran en el mismo campo al mismo tiempo, sin superponerse. Una segunda ventaja fue que las patatas ahora están exactamente en la parte de atrás. Como resultado, se pueden producir menos daños durante la cosecha. El sistema de hileras rectas permitió al conductor concentrarse mejor en los alfareros, mejorando aún más la calidad del trabajo de siembra.

Desde 2009 también utilizamos sensores de humedad del suelo. Estos sensores miden la cantidad de agua que queda en el suelo. Al medir la humedad en el suelo, podemos elegir un momento óptimo de riego, que evita el estrés de las plantas y el agua se utiliza de manera eficiente.

Debido a que el Greenseeker solo puede medir el NDVI, Van den Borne Potatoes buscó otro sensor comparable que pudiera medir múltiples longitudes de onda. En la Agritechnica de Hannover se estableció contacto con Fritzmeier.

2010
Desde 2010, se ha utilizado un vehículo Probotiq autónomo para escanear el suelo. Con este vehículo, un Kubota, se escanea la parcela para escanear el suelo. Debido a que este vehículo tiene RTK-GPS, los límites del campo tienen una precisión de 2 centímetros. Una vez que se han roto los límites de la parcela, el Kubota puede conducir de forma independiente en esta parcela. El programa Crop-R se utiliza para mapear todas las parcelas. Este programa de registro de cultivos puede realizar un seguimiento de todas las acciones en todos los lotes, de modo que los empleados puedan encontrar fácilmente los lotes, pero también pueden registrar todas las acciones.

El Kubota, que fue adquirido en 2010, fue parte de un proyecto que PPL llevó a cabo junto con WUR. Para ello, Van den Borne Potatoes compró el EM-38MKII. El proyecto de PPL incluyó un problema de rendimiento potencial basado en la conductividad del suelo.

Después de la conversación con Fritzmeier en Agritechnica, en 2010 se llevó a cabo una prueba colocando todos los sensores de cultivo disponibles en la barra de pulverización. Además del Fritzmeier, estos sensores fueron el YARA-N-Sensor, el OptRx y el Greenseeker. De hecho, después de un año de prueba, Fritzmeier demostró ser el sensor de cultivos más confiable.

La cosechadora de patatas estaba equipada con nuevos sensores. Los sensores de Grimme fueron reemplazados. Los nuevos sensores de rendimiento que se montaron en el AVR Puma pudieron
mapear con precisión el rendimiento.

Para poder tomar medidas de rendimiento, se utiliza un monitor de rendimiento específico y avanzado. Este monitor, llamado YieldMaster PRO, fue desarrollado por Van de Borne Potatoes en colaboración con Probotiq. El YieldMaster PRO funciona de la siguiente manera: los sensores de pesaje están montados en la cosechadora de patatas. Estos sensores de pesaje están montados debajo de una cinta transportadora en la cosechadora. Las patatas que se cosechan pasan por esta cinta y van al búnker de almacenamiento en la cosechadora. Los sensores de pesaje miden el flujo másico de las patatas que pasan por la cinta transportadora hasta la tolva de la máquina. Los datos de esta medición se combinan con la velocidad de conducción de la cosechadora, la velocidad de la cinta y la información del GPS. Al hacer esta combinación, se pueden hacer mapas de rendimiento precisos y específicos de la ubicación. Además de los mapas de rendimiento,

2011
El Hassia CP, que estaba equipado con control de sección, fue controlado por GPS en 2011. El software, el HMI GPS planting Comfort, se ha instalado y garantiza que los cuatro elementos de plantación se enciendan y apaguen en el momento adecuado. Primero, los contornos de la parcela se dividen. Luego, la parcela se puede plantar y el software asegura que las secciones del macetero estén encendidas. Además, la distancia entre las piernas era infinitamente variable.

Durante la cosecha, se realizó por primera vez una medición de rendimiento con la trituradora de la empresa contratante Reyrink de Diesen. Esto se hace mediante un sistema de medición de rendimiento justo después de la recogida y una medición de materia seca en la tubería. La intención era mapear la parcela de prueba de pasto para optimizar posteriormente la fertilización.

Sin embargo, después de una investigación, parece que las mediciones de rendimiento mediante el corte de pasto no son confiables. El césped que se encuentra en 1 m2 se divide en un terreno de 117 m2 al cortar y sacudir. Al rastrillar, la misma hierba se divide en 2 hileras. Por tanto, esta investigación ha demostrado que la hierba que se está cortando no ha crecido en el mismo lugar.

Los drones se volaron por primera vez. El programa Nederland van Boven explicó cómo funciona esto. Las cámaras multiespectrales muestran qué áreas de tierra necesitan más o menos fertilización. Esta cámara puede medir múltiples anchos de banda de reflexión de la luz, lo que permite medir la masa de hojas y la vitalidad de los cultivos. Esto sucedió con un avión de Aura Imaging. Sobre la base de estas imágenes de la cámara, se pulverizó follaje variable hasta la muerte por primera vez, a través del ISOBUS del pulverizador.

2012
Para poder aplicar aún más fertilización específica del sitio, Danny Goris, trabajador contratado en Dessel (BE) compró un esparcidor de estiércol de tres ejes, que podía leer tarjetas de tareas. Esto hizo posible esparcir estiércol sólido variable. La razón de esto fueron las diferencias en las parcelas medidas por el EM-38MKII.

La esparcidora de fertilizante se equipó con una instalación de pesaje en 2012. Esto permitió calcular exactamente cuánto fertilizante se esparció y en qué cantidad por ubicación.

La segunda innovación con las patas de patata fue el uso de mapas de sombras. Las papas se esparcieron más a la sombra porque el rendimiento a la sombra ya es menor. Por tanto, es mejor invertir en fertilización, menos compactación y otros factores en lugares con mayor potencial de rendimiento que en lugares donde no hay gran potencial.

Se adquirió un nuevo pulverizador Dammann, que tenía doble tanque con sistema de inyección directa. Esto permitió combinar fertilizantes y productos fitosanitarios, pero dosificarlos por separado. El sistema de inyección directa significa que los fertilizantes y productos fitosanitarios se inyectan directamente en la tubería, para que no queden residuos en los tanques. Este pulverizador también estaba equipado con control de sección por tapa. Se compraron seis sensores Fritzmeier y se montaron en la pluma.

Se compraron nuevos sensores Fritzmeier y se colocaron en un caballete en el varillaje delantero. El esparcidor de fertilizante podría controlarse directamente de esta manera, sin tener que cargar primero los datos en el software Farm Works para crear tarjetas de tareas. Esto se hizo a través de un sistema en línea usando ISOBUS. En combinación con la nueva instalación de pesaje que se construyó en el esparcidor de fertilizante, fue posible ver inmediatamente cuánto fertilizante se esparció por ubicación.

Jacob también compró el primer dron este año. Esto se refería al Parrot AR Drone. Este dron se utilizó principalmente como dron de práctica. Jacob usó esto para hacer videos de las máquinas.

Las remolachas se cosechan por primera vez con un Grimme Maxtron de Loonbedrijf Van Eijck equipado con sensores de rendimiento. Las diferencias de rendimiento se utilizan para ajustar la fertilización en primavera.

2013
Después de que se comprara el primer dron en 2012, fue reemplazado en 2013 por el DJI Phantom I. Jacob también usó este dron para practicar el vuelo. Usó una lente recta en lugar de una Gopro para tomar fotos y videos. Fue uno de los únicos en Holanda.

Por primera vez se han realizado pruebas con aderezo en las patatas utilizando los sensores de cultivo Fritzmeier con el pulverizador Dammann. Resulta que todavía hay mucho que ajustar para aplicar una buena fertilización. Las reglas de cálculo de Fritzmeier aún no se han desarrollado lo suficiente como para brindar buenos consejos.

2014
Como Agrometius se convirtió en un distribuidor de Veris, Jacob quiso probarlo en su campo para probar y comparar el Verisscan de Agrometius y el EM-38 de Geonics. El Verisscan funciona de una manera ligeramente diferente, es decir, destructiva. Esto permite medir el pH del suelo. Sin embargo, se necesita un disparador mucho más pesado para realizar este escaneo.
Los resultados de la prueba se detallan en la siguiente tabla.

propiedad / escáner Dualem EM-38MKII Verisscan
Profundidad 0,5 – 1,0 m 0,3 – 0,9 m
pH No si
Conductividad del suelo si si
Tractor Kubota 50 paquete Tractor 150 pk
Exactitud 5 metros 10 metros
Destructivo No si
También se realizó una prueba con Miramap. Miramap se especializa en detectar la humedad. El escáner que se encarga de esto es el Mirascan. Se trata de un radar de onda larga que detecta la presencia de humedad en el suelo mediante bajas frecuencias.

A finales de 2013, se decidió adquirir un pulverizador autopropulsado Dammann de tres ejes con doble depósito. Estos tanques juntos tenían una capacidad de 12000 litros. Este pulverizador también estaba equipado con seis sensores Fritzmeier. El control de sección que se instaló envió la jeringa por tres tapas. La jeringa en tándem que se compró en 2012 también se convirtió nuevamente en control de sección por tres boquillas. El control de sección por cap no proporcionó los beneficios esperados. Para demostrar el funcionamiento de los controles de sección, se cubrió un prado que se iba a rociar hasta matarlo con el logotipo de Van den Borne Potatoes.

El maíz se cosechó este año con un flujo Case Axial. Los hermanos Loonbedrijf Vermeulen de Bladel compraron esta máquina que estaba equipada con un sistema de rendimiento. Esto hizo posible notar diferencias en las parcelas, que también eran claramente visibles. La fertilización podría entonces ajustarse en primavera.

El DJI Phantom I fue reemplazado por la nueva versión, el DJI Phantom II. Esto tuvo una serie de mejoras en comparación con la primera versión, como una mejor batería. También voló por primera vez con un Sky Hero, que podría usarse para karting. Estas tarjetas fueron «cosidas». Esto significa que las fotos tomadas por Sky Hero podrían vincularse entre sí, creando un mapa grande. El Sky Hero también estaba equipado con navegación por puntos de referencia, lo que hacía innecesario volar con un control remoto.

Además, en 2014 se realizó un hermoso video sobre agricultura de precisión en Van den Borne Potatoes. Este video se muestra a continuación.

2015
El Dualem EM-38MKII pudo medir la conductividad a 0,5 metros y 1 metro de profundidad. Sin embargo, las capas perturbadoras pueden estar mucho más profundas en el suelo. El Dualem 21S se adquirió en 2015. Este escáner de fondo es capaz de tomar medidas a cuatro profundidades diferentes, a saber, 0,5 metros, 1 metro, 1,5 metros y 3 metros. Esto permitió realizar un escaneo más preciso.

Bert Rijk realizó una prueba con el Ebee. El eBee es un UAV ligero y controlado automáticamente, adecuado para tomar fotografías aéreas. Con la cámara de alta resolución de 16MP, el eBee captura imágenes con una resolución de suelo de 3 a 30 cm por píxel. El eBee no solo toma ortofotos, sino que también ve fotos (Sensefly, 2015).

El eBee se lanza a mano. Debido a que las alas se pueden desmontar fácilmente, el eBee es fácil de transportar.
El propio Jacob reemplazó su DJI Phantom II en 2015 con el DJI Inspire 1. Este es un quadcopter que puede volar un máximo de 3 kilómetros a una velocidad máxima de 80 km / h. El tren de aterrizaje puede colapsar, permitiendo que la cámara que está debajo gire 360 ​​grados. También se puede ver en vivo con este dron a través de una aplicación en un teléfono inteligente. Incluso se pueden conectar dos controladores, para que alguien pueda volar y alguien pueda operar la cámara. (DJI, 2015) Este dron también estaba equipado con navegación por puntos de referencia. Los campos todavía se midieron con fotos RGB. Estas fotos se utilizaron para contar plantas y calcular el crecimiento por mancha.

En 2015 se adquirieron varios sensores nuevos. En primer lugar, Van den Borne compró 12 nuevos sensores de humedad del suelo de Dacom. Estos sensores se colocan en diferentes parcelas, de modo que se envíe información precisa a Crop-R.

Lemken había diseñado un nuevo equipo que apoya ISOBUS. Como resultado, el control de cambios se integró en la terminal ISOBUS CCI. El equipo en cuestión es el Lemken Juwel con Fixpack. El sistema Geoplough X se ha desmontado desde entonces. La compactación de los campos se mide ahora sobre la base del control de la fuerza de tracción.

La empresa danesa Fasterholt vino a visitarla después de que escucharan en una conferencia que Van den Borne Potatoes ha estado trabajando en la aspersión de precisión durante varios años. Preguntó si Van den Borne quería pensar en una aplicación en sus máquinas. Fasterholt fabrica carretes de riego autopropulsados. Uno de ellos fue probado en 2015. Después de una semana se decidió comprar un segundo carrete.

La pluma que se compró en 2014 se montó luego en un carrete autopropulsado. Esto aumentó la capacidad y consumió menos energía. Las mangueras del carrete también son más delgadas, ya que ya no es necesario tirar de ellas.

Para un proyecto de PPL, se colocaron 3 nuevas cámaras con detección de tara en el nuevo AVR Puma. Inicialmente estaba destinado a detectar taras como terrones y piedras. En la práctica, resultó que las cámaras podrían usarse para medir parámetros de calidad, como la longitud y el grosor de las patatas. Este proyecto también fue financiado por PPL y ejecutado por Probotiq.

2016
En la primavera de 2016, los pulverizadores Dammann regresaron a la fábrica para actualizar el hardware y el software. Esta actualización pone a disposición de los pulverizadores una serie de nuevas opciones. El control de curvas y el nuevo control de brazo neumático e hidráulico con 4 sensores ultrasónicos son ejemplos de ello.

La fertilización se llevó a cabo en primavera con un Vervaet equipado con un sensor NIR. Este sensor es capaz de medir el nitrógeno presente en tiempo real. De esta forma, la fertilización ya no es por metro cúbico, sino por contenido de nitrógeno. Por ejemplo, el nitrógeno se distribuye uniformemente por el campo o se orienta a tareas.

Se han encargado dos nuevos drones. Estos son el Foxtech D130 y el Avular. La Foxtech D130 está equipada con una cámara Micasense. Este dron también es capaz de transportar cargas pesadas, lo que permite colgar varias cámaras y sensores más pesados ​​debajo. El Avular, que se espera para finales de 2016, estará equipado con una cámara hiperespectral y RTK-GPS. Esto hace que las mediciones sean aún más precisas. Los drones ahora se pueden usar si los mapas de los sensores cercanos y los mapas de satélite no brindan suficiente información sobre lo que está sucediendo en el campo. Al sobrevolar la trama con el dron, se da rápidamente una mejor impresión.

Ahora también está montado un sensor gamma en el Kubota. Este sensor mide elementos que responden a la radiación radiactiva mediante radiación gamma. La investigación ha demostrado que Kali es un elemento que reacciona fuertemente a esto. Dado que Kali es un elemento importante para la planta de papa, tiene sentido conocer la presencia de Kali en el suelo.

En 2016, los hermanos Jan y Jacob decidieron reemplazar el brazo de carrete montado anteriormente por la pistola rociadora tradicional. El árbol de aspersión era muy sensible al mantenimiento y, dado el riego de los pozos, esta no era una opción.

2017
Además de todas las exploraciones del suelo que hemos realizado y analizado en los últimos años, también hemos comenzado a analizar si se podrían medir más parámetros en el suelo. Hemos visto muchos problemas en el suelo en los últimos años, pero siempre fue sorprendente que el mayor problema fuera la compactación del suelo. También queríamos poder medir el grosor del perfil, porque esto puede marcar una gran diferencia en la profundidad de enraizamiento y, en última instancia, en el potencial de rendimiento. Para medir estas 2 cosas, compramos el Fritzmeier profi 60 en el verano de 2016. Este es un dispositivo de muestreo de suelo que podría medir la resistencia del suelo y la profundidad de la banda de rodadura mientras simultáneamente toma muestras de suelo a 3 profundidades diferentes. El primer plan era acoplar esta broca a la kubota, pero durante la temporada descubrimos que no tenía suficiente potencia para hacer funcionar el taladro. Decidimos en el otoño de 2016 comprar un tractor pequeño para esto. Para poder utilizar todas las posibilidades de nuestro sistema Probotiq, pronto se nos ocurrió un Fendt vario 210 P.

El fendt 210 p vario que hemos comprado está equipado con el paquete autónomo percisionmakers. Esto permite que el tractor realice el trabajo de escaneo de forma completamente autónoma sin conductor. El sistema también permite conducir exactamente a las ubicaciones de muestra calculadas y perforar un agujero aquí.

El sistema está construido de tal manera que después del escaneo con el doble 21h, los datos registrados se utilizan para calcular la ubicación de muestreo y luego conducir allí de forma autónoma. Este sensor de suelo Dualem es capaz de medir la parcela en 6 profundidades diferentes. También montamos el sensor Medusa Gamma debajo de la sembradora para medir la textura del suelo. (piense en la fracción de arena / arcilla, luttem y materia orgánica)

Después de probar con un Ebee en 2015, en 2017 se decidió comprar un Ebee. El Ebee se utilizó junto con una cámara 4c multiespecificación con la que se podían mapear las parcelas. Además de comprar el Ebee, en 2017 también se compró el dron Insprie 2. Este dron tiene una cámara de 24 megapíxeles con la que se pueden mapear las malas hierbas en parcelas.

En 2017 trabajamos por primera vez con la trituradora de estiércol de Louis Deenen. Este año ha adquirido una nueva trituradora de estiércol de 3 ejes de Tebbe con sistema de pesaje y la posibilidad de romper estiércol variable mediante tarjetas de tareas. Debido a que no queremos depender de una máquina, este año intentamos fertilizar esta máquina de manera variable en función de nuestros escaneos de suelo.

Para acelerar la adopción de la agricultura de precisión en los Países Bajos, se ha establecido el Centro de prácticas para la agricultura de precisión. Con estas innovaciones, nos dirigimos a un menor uso de agua, minerales, productos fitosanitarios y recursos para lograr un mayor rendimiento (cualitativo y cuantitativo). Los grupos de innovación con agricultores arables, productores de frutas y arboricultura, productores de hortalizas a campo abierto y otros cultivos abiertos son fundamentales. Junto con los grupos de innovación, se está trabajando intensamente durante tres años para probar las técnicas e interpretar los datos en la práctica. También analizamos cómo las innovaciones y los datos disponibles se pueden utilizar para sus operaciones comerciales.

2018
En 2018 se volvieron a realizar inversiones en un dron en el que se adquirió el Matrice 210. Este dron tiene tres cámaras que fueron las siguientes, la térmica x4s también llamada FLIR, una cámara de 20 megapíxeles y una cámara RBG. Con la cámara FLIR, se podían obtener imágenes térmicas de un campo con las que se podía comparar si una infestación por Phytophthora estaba relacionada con la temperatura del cultivo.

En 2018, se decidió comprar un tanque de estiércol de turbera para esparcir purines sobre parcelas cultivadas con papas van den Borne. Este tanque de estiércol era un tanque de nutriflow con el que es posible analizar los datos del estiércol. El tanque de estiércol nutriflow puede analizar el estiércol del pozo de estiércol, pero también durante el esparcimiento. Es posible incluir nitrógeno, potasio, fosfato, materia seca y amonio.

Para analizar los campos muestreados de manera más eficiente, van den Borne compró la clasificadora inteligente en 2018. Este robot es capaz de analizar muestras de tubérculos para determinar su altura, clasificación por tamaño y peso bajo el agua. Con la compra de la clasificadora inteligente, el análisis de las muestras de patata se automatiza y el trabajo manual es cosa del pasado.

En 2018, se puede leer un artículo interesante sobre la agricultura de precisión de las papas Van den Borne en National Geographic .

En 2018, el último sistema GPS Trible RTK en Van den Borne desapareció de la granja. Todos estos han sido reemplazados por el sistema GPS Fendt. El siguiente video muestra cómo trabajar con el GPS Fendt.

2019
Para monitorear aún mejor las parcelas durante la temporada de crecimiento, en 2019 se compró la cámara micasense Altum. Esta cámara se construyó en el dron inspire 2 con el que se pueden monitorear las pruebas y las parcelas durante la temporada de crecimiento.

En 2019 cambiamos nuestra antigua esparcidora de fertilizantes Rauch por el último modelo. Técnicamente, este esparcidor de fertilizantes ha mejorado mucho, pero también hay algunas opciones nuevas en el campo del software. Por ejemplo, ahora podemos esparcir cantidades de izquierda a derecha por separado a través de una tarjeta de tarea.

También este año cosechamos 3 pumas 3. Ambas máquinas fueron equipadas con AVR Connect este año. este es un módulo de comunicación que reenvía todos los datos de la cosechadora (incluida la medición del rendimiento) a la nube AVR. Todos estos datos se hacen visibles en el portal web AVR Connect, lo que facilita la gestión de la cosecha. Todos también pueden ver dónde están las cosechadoras y, por ejemplo, cuánto combustible les queda.

Además, se han realizado inversiones en una máquina spading Imants con un ancho de trabajo de 6 metros. El deseo es aplicar la agricultura de control de tráfico a todo el cultivo, por lo que el ancho de trabajo se amplía a 6 metros. Al aplicar este principio, se reduce la compactación del suelo, de modo que la vida del suelo se salva en gran medida.

En 2019 también se realizaron inversiones en el programa Raindancer. Raindancer garantiza que el agua se utilice de forma sostenible. Cuando se usa Raindancer, se coloca una ubicación GPS en la pistola rociadora con cambio automático de sección. Esto controla automáticamente el ancho de la pistola rociadora, lo que evita la superposición y el desperdicio de agua.

En 2019, también se construyeron cámaras hiperespectrales especiales en la cosechadora de patatas. Estas cámaras pueden escanear las patatas recolectadas en busca de longitud y tara. La cámara está montada en la parte superior de la cinta de llenado de combustible.

2020
Con el fin de hacer que las medidas de cultivo relativas a la pulverización de productos fitosanitarios sean aún más eficientes, en 2020 se decidió construir un nuevo tipo de tecnología de pulverización para el Dammann arrastrado. Se eligió la técnica PWM, Puls Width Modulation, mediante la cual la jeringa por tapón se puede controlar cada 50 cm. Con la técnica PWM, las boquillas se encienden y apagan de 10 a 100 veces por segundo. Debido a la gran variación, es fácil cambiar la entrega además del control por tapa. Con la pulverización en curvas, el pulverizador ahora también se puede ajustar automáticamente, con más pulverización en la curva exterior que en la interior. De esta forma se puede obtener un patrón de pulverización óptimo.

En 2020 también compramos un esparcidor de abono de 3 ejes que puede leer y esparcir tarjetas de tareas. De esta forma podemos adaptar el abono regalo al suelo para crear un surco de construcción óptimo.

A partir de 2020, como patatas van den Borne, queremos aplicar un sistema CTF, control del tráfico agrícola, en el que se cultive la mayor cantidad posible en líneas de tranvía. Con la compra de la sembradora de rueda Imants ahora podemos sembrar abonos verdes y granos con un ancho de trabajo de 6 metros. Con la compra de esta máquina, tenemos un ancho de trabajo de 6 metros, por lo que compactamos menos terreno por hectárea. Al contrarrestar la compactación del suelo, la vida del suelo se mantiene mejor y tratamos de obtener un suelo resistente.

En 2020, compramos un nuevo sensor Dualem, el Dualm 1 HS, con Soilmasters, que incluye patatas van den Borne. Este sensor facilita el mapeo de huertos donde se toman medidas a 4 profundidades diferentes.

Con los últimos desarrollos con GPS, ahora también es posible dejar que el tractor circule por las curvas de forma autónoma. Durante la aplicación del fertilizante, esto se registra en un video.

Leer más
Agricultura de precisión y sostenibilidad

Cómo la Big Data está revolucionando la agricultura y la cadena de abastecimiento

La agricultura está enfrentando una revolución con la integración de herramientas y sistemas de decisiones potenciados por Big Data. Los agricultores de subsistencia necesitan subirse a esta tendencia para acortar la brecha en los rendimientos. Los agricultores grandes necesitan aumentar rendimientos y bajar costos. Y los consumidores exigen alimentos más saludables. Los datos se están utilizando en el mundo agrícola para aumentar la eficiencia y al mismo tiempo disminuir el impacto sobre el medioambiente. La capacidad computacional moderna ha permitido aumentar la capacidad de recolectar, intercambiar, procesar y sintetizar datos de una forma tal que está impactando en todo el ámbito agrícola: maquinaria agrícola, optimización de semillas, fertilizantes e insumos, riego y gestión predial. Para poder obtener valor de la Big Data, esta debe ser procesada y analizada a tiempo y sus resultados deben estar disponibles para tomar decisiones en las operaciones agrícolas. La efectividad en su uso también está relacionada con tener una combinación acertada de gente, procesos y tecnología. Según el informe sobre inversiones de AgFunder, más de 500 startups de agricultura y alimentos levantaron US$4.600 millones en el 2015. La revolución de la Big Data se encuentra en sus inicios y es difícil predecir cómo va a estar en dos años más. Todavía nos situamos en la etapa de la adopción temprana, con grandes éxitos pero al mismo tiempo con muchas empresas que no logran superar el veredicto del mercado. Los productos basados en máquinas que aprenden serán exponencialmente mejores en la medida que más usuarios se unan. Vonnies Estes, consultora independiente con base en California, escribió este artículo para New Ag International.

PRÁCTICAS AGRÍCOLAS BASADAS EN DATOS: MEJORES RESULTADOS
La producción agrícola es muy compleja ya que interactúan la biología, el clima y las acciones humanas. Los productores han adoptado tecnologías de precisión en los años recientes. Con la disponibilidad de GPS y de otras tecnologías, los productores pueden hacer seguimiento a los rendimientos, guiar y controlar las máquinas, monitorear las condiciones del campo y gestionar los insumos a niveles muy precisos dentro de los campos, aumentando de esta manera la productividad y la rentabilidad.

Al mismo tiempo, los datos se van acumulando en conjuntos tan grandes y complejos que no pueden ser estudiados sin software. Los datos per se no pueden generar ideas ni visiones; por lo tanto, se requieren servicios de consultoría y análisis para ayudar a que los productores saquen provecho de las enormes cantidades de datos que recolectan. Las aplicaciones de software basadas en sistemas de máquinas aprenden a través de sus interacciones con datos, aparatos y las personas. Y a medida que van aprendiendo, generarán grandes oportunidades para tomar mejores decisiones dentro de los campos. Las empresas de Big Data pueden evaluar muchísimas variedades genéticas, agroinsumos y condiciones en cuentos de campos, suelos y climas. Pueden realizar ensayos de campos en tiempo real en millones de hectáreas. Esto entrega a los agricultores información para optimizar las siembras, a nivel de cada planta en suelos y climas específicos. Por ejemplo, en la protección de los cultivos esto implica que se podrá llegar a aplicaciones específicas para cada planta o zona de un predio.

¿POR QUÉ AHORA?
La Big Data ha sido usada en otros mercados desde hace algún tiempo. Son numerosos los factores que han empujado esta tecnología hacia la agricultura. En primer lugar, hay capital disponible para desarrollar la tecnología: muchos inversionistas en empresas de Big Data están buscando nuevos mercados donde aplicar sus tecnologías. Y la agricultura se presenta como un mercado enorme donde incorporar innovación. El segundo factor es la integración en la cadena: los cambios disruptivos provienen de conectar innovaciones en múltiples áreas: integrando los avances en ingeniería genética, insumos físicos, tecnologías de información y máquinas inteligentes. Los productores podrán crear prescripciones a la medida de semillas, fertilizantes y pesticidas. Las máquinas inteligentes podrán ejecutar los tratamientos prescritos y al mismo tiempo recolectar más datos para entregar retroalimentación al agricultor.

El tercer factor (o “driver”) es que la agricultura se caracteriza por tener bajos márgenes en grandes volúmenes. Los márgenes estrechos e incluso los ingresos negativos en los campos están impulsando a los grandes productores industriales a buscar formas de ahorrar tiempo y dinero al tener mejor información accesible para tomar decisiones a escala. La cuarta razón es porque la Big Data es una tecnología accesible y cada vez mejor: la disponibilidad de banda ancha y el cloud computing ha logrado tener cobertura y superar el umbral de costos de manera de poder proveer de internet de las cosas a los campos, ofreciendo una infraestructura de datos a partir de la cual se puede trabajar. Este nuevo nivel de capacidad de análisis y captura de datos permite optimizar la práctica de agricultura de precisión. Y, finalmente, esta tecnología llega en un momento en que la humanidad necesita imperiosamente aumentar la producción de alimentos en un 60% en los siguientes 40 años, de forma sustentable. Al usar pesticidas y fertilizantes de forma más eficiente se mejora la calidad del aire y el agua, lo que beneficia también a suelo. La recolección y análisis de estos datos tiene un gran potencial para reducir la contaminación generada por la agricultura.

LA ADOPCIÓN TODAVÍA ES LENTA A NIVEL DE CAMPO
Pese a toda la moda y la cobertura mediática, la adopción de esta tecnología todavía es lenta a nivel de campo. El éxito dependerá más de la velocidad de adopción que de las capacidades de la tecnología. John Mewes, un agricultor de Dakota del Norte señala:

“Todavía estamos en la infancia de cómo se puede usar la data en la producción agrícola, aunque ya hemos tenido avances exitosos. El ejemplo más obvio es el aumento en la siembra variable y en la fertilización variable, basados en datos de rendimientos que se han recolectado por años. Y mientras esto es claramente un paso en la decisión correcta, esto sigue estando lejos de la perfección porque un sector productivo de un campo puede serlo durante un año y al año siguiente bajar debido al clima o al cultivo. ¿Cómo debemos tratar esas áreas? Incluso si tenemos zonas que siempre se comportan bajo el promedio, las tecnologías actuales no buscan determinar cómo hacer los cambios operativos para hacer esas zonas más productivas. Las herramientas actuales sencillamente ayudan al agricultor a ser más específico en el uso de los insumos, basados en la productividad histórica de esa zona del campo”.

Los potenciales beneficios del uso de Big Data en agricultura son obviamente grandes pero todavía no se han logrado poner en práctica algunos requisitos básicos como (1) encontrar beneficios y valores cuantificables; (2) desarrollar nuevos canales de ventas y servicios para estos productos; (3) los costos en dinero y tiempo son muy altos para integrar los productos a la operación y (4) el lanzamiento de productos y su marketing muchas veces no van en concordancia con la estacionalidad de la agricultura.

FOCO EN LA TECNOLOGÍA Y NO EN EL BENEFICIO PARA EL AGRICULTOR: UNO DE LOS VARIOS PROBLEMAS DE ADOPCIÓN
Tanto los agricultores como los capitalistas de riesgo opinan que muchas veces el foco está en la tecnología y no en cómo estas tecnologías ofrecen valor a los agricultores. Los agricultores señalan que muchas veces el diseño de los productos no los considera. Muchos desarrolladores de tecnología no entienden que la parte más difícil de la tecnología agrícola no es la tecnología en sí, sino que la gestión del campo y el acceso al mercado. Esta falta de conocimiento se manifiesta en productos que no generan valor y en modelos de negocios fallidos. Tiempo vs. Valor es otro tema en la adopción de estas tecnologías: meterse en nuevas tecnologías consume tiempo. Y los agricultores están teniendo experiencias mixtas en términos de tiempo destinado y el valor que obtienen. Los agricultores están enfrentando una “fatiga por las apps” (“app fatigue”) debido a que muchos desarrolladores de Silicon Valley visitan los campos con las nuevas apps. John Mewes indica:

“Uno de los problemas que estamos enfrentando es que hay muchas aplicaciones con un solo uso. La mayoría de los campos tienen varios cultivos y cada uno de ellos requieren una serie de decisiones que debemos hacer durante el año. Y los agricultores ya trabajan largas horas durante el periodo del año en que esas decisiones se deben tomar. Sencillamente no tenemos el tiempo para saltar desde una aplicación a otra para cada decisión, especialmente cuando muchas de estas aplicaciones requieren que las alimentemos con mucha información antes de empezar a usarlas. Este esfuerzo redundante de tener que alimentar una o varias aplicaciones con mucha información, es uno de los principales factores que detienen la adopción de muchas nuevas tecnologías, especialmente de aquellas que, pese a que se ven promisorias, todavía no han sido probadas ampliamente en el mercado”.

Entregar ideas, visiones, no solo datos es el mayor desafío para los proveedores de este mercado, si quieren ser exitosos a nivel de campo. La cantidad y calidad de los datos es a veces insuficiente para que los agricultores hagan comparaciones válidas y útiles. E incluso cuando esta data es generada, muchas veces es incompatible con otros datos de otras fuentes. Esta incompatibilidad generalizada de datos ha hecho que en general la información no sea accesible para los agricultores. Muchos proveedores de tecnología están ofreciendo partes del sistema, lo que hace muy difícil para el usuario final elegir qué piezas implementar. Debemos llegar a un punto donde todo trabaje en armonía y ofrecer una experiencia simple de automatización para tomar decisiones. Otro factor que muchas veces es mirado en menos es la desconfianza. Muchos agricultores no están dispuestos a entregar la información de sus campos. Temen que los agentes reguladores tengan acceso a la información de los campos sin su consentimiento. En un estudio realizado por la American Farm Bureau, cerca del 76% de los que respondieron señalaron que estaban preocupados que terceros pudieran utilizar sus datos para especulación sobre commodities, sin su consentimiento. No quieren que los datos terminen en las manos de competidores o en empresas de insumos (semillas, químicas, fertilizantes), que pueden usar esa información para vender más. Los agricultores estarán más dispuestos a compartir su información cuando utilizan las herramientas, las herramientas están más integradas y hay una demostración del valor que generan. Las empresas que no tengan intereses creados en los resultados de los análisis, serán en las que los agricultores confíen más. Mewes señala:

“El potencial para mejorar la productividad agrícola apoyándose en los datos es enorme. Lamentablemente, gran parte de los beneficios potenciales no se pueden obtener solo con la data de un solo campo. Para desarrollar modelos o herramientas de apoyo a las decisiones, se requieren grandes cantidades de datos para poder separar la señal del ruido, y para comprender adecuadamente cómo operan las diferentes combinaciones de factores. El foco de la industria sobre la propiedad de la información, pese a que es bien intencionada, impide seriamente la habilidad colectiva de obtener todos los beneficios que se pueden obtener a partir de los datos colectivos. Debemos encontrar un término medio donde los agricultores tengan el incentivo de contribuir a un conjunto abierto y colectivo de datos que permitan dar el salto en la eficiencia agrícola. Los agricultores deben preguntarse también de qué les sirve tener sus datos en un disco en algún lugar, para que no sea usada y finalmente borrada”.

EL FUTURO SE VE PROMISORIO SIN LA TECNOLOGÍA SE ADAPTA A LAS NECESIDADES DE LOS CULTIVOS
La tasa de adopción de nuevas tecnologías sigue aumentando, pese a los bajos precios de los commodities. Un estudio reciente realizado por Robert Hill de Caledonia en Estados Unidos, calculó que entre 2013 y 2019 los agricultores van a duplicar el número de tecnologías que emplean. Cerca de un 25% de los grandes agricultores planean aumentar sus inversiones en nuevas tecnologías agrícolas y tecnologías de datos para la agricultura, según una encuesta realizada a 300 agricultores del Medio-Oeste que tienen cada uno al menos 1.500 acres bajo su gestión. El Dr. Hill postula que este es el inicio de una “Tercera Ola” en la agtech moderna, luego de la introducción de las semillas genéticamente modificadas y los equipos dotados con GPS. Será clave enfatizar la facilidad de uso y la compatibilidad de los sistemas si los proveedores quieren ser exitosos a nivel de campo. Con la proliferación de múltiples vendedores con diferentes piezas del puzle en desarrollo beta, uno puede entender por qué es tan difícil para el agricultor poder tomar decisiones sobre qué tecnología incorporar. Ese es en general un síntoma de las nuevas tecnologías y deberá mejorar. Los vendedores comenzarán a trabajar en conjunto y la información será más utilizable para todas las áreas de la gestión agrícola. Las tecnologías y productos que encajen con las actuales operaciones van a ser adoptadas con rapidez. John Mewes:

“Lo que necesitamos es que la data fluya fácilmente y tenga pocos obstáculos, y así po der usar esa información para desarrollar herramientas efectivas que nos permitan tomar decisiones agrícolas. Todos tenemos algo que hacer para que esta industria avance. Los fabricantes de equipos necesitan trabajar para mejorar la calidad de la información recolectada y remover las barreras a la recolección, diseminación y a compartir la información. Los agricultores y las empresas de aplicaciones deben hacer un mejor trabajo manteniendo y calibrando las plataformas de recolección de datos y estar más dispuestos a compartir la información (quizás de forma anónima) por el bien común. Las empresas de semillas y químicas deberían ayudar también al abrir la información acerca de los ensayos sobre sus productos. Y la industria como un todo necesita avanzar hacia unificar estándares de datos, de manera que los datos de todo el espectro puedan ser utilizados de manera más fácil”.

Pero lo más importante para lograr un gran futuro para la industria de la Big Data en agricultura es hacer coincidir la tecnología con las necesidades del cultivo. Cuando cosechan una vez al año, los agricultores a lo máximo tienen entre 30 y 40 cosechas en su vida. Por lo tanto, no están dispuestos a perder una mala cosecha debido a mala tecnología. El ciclo de innovación de la tecnología debe estar de acuerdo al ciclo del cultivo y no al revés. El despliegue de los productos debe estar en sincronía con las operaciones de los campos. La rápida innovación del modelo de “lean start up” no necesariamente coincide con los de una industria donde algunas innovaciones y la información solo llegan una vez al año.

MÁS QUE MAÍZ, MÁS QUE NORTEAMÉRICA
Los cultivos más comunes con cerca de 300 millones de acres y US$155.000 millones en valor son los que han recibido los beneficios de esta tecnología hasta la fecha. Pero en la medida que la tecnología se simplifica y se integra, será posible expandirla hacia otros cultivos y regiones. Los gobiernos, ONG y empresas están trabajando para expandir el acceso de los datos a millones de pequeños agricultores en los países desarrollados. Agricultores de subsistencia en lugares como el África Sub Sahara o la India están utilizando teléfonos móviles para intercambiar información sobre clima, enfermedades y precios de mercado. Esta tecnología también se expandirá hacia cultivos de alto valor. Berries, frutales y hortalizas generan ventas por US$35.000 millones y son más valiosos por hectárea que los cultivos extensivos, lo que hace que explotaciones de tamaños medios tengan el dinero suficiente para adoptar las nuevas tecnologías. La escasez de mano de obra en los cultivos de alto valor es otra de las grandes razones que explican la incorporación de tecnologías.

GRANDES CAMBIOS EN LA CADENA DE SUMINISTRO DE INSUMOS
El acceso a grandes cantidades de información a lo largo de millones de acres provocará cambios sísmicos en la cadena de abastecimiento de semillas, insumos agrícolas y alimentos, impulsados por la democratización de la tecnología y la información. Tiene la capacidad de disrumpir las cadenas de valor y es muy probable que no sea muy popular entre retailers, distribuidores y las grandes empresas de semillas y agroquímicos.

La información le entrega poder al agricultor al dar más visibilidad a los precios y el desempeño de los insumos. Los agricultores podrán usar menos agroquímicos, aplicados de forma más precisa. Es probable que usar productos genéricos con mayor precisión pueda generar mejores resultados que el uso de marcas “top”. Pero también, usar productos top con precisión en algunas zonas del campo abrirá grandes mercados para las grandes empresas. La plantación más precisa, generará una reducción en el uso de insumos del 30-40%, lo que además de estrujar los márgenes de las grandes empresas de agroinsumos, va a generar más consolidación en la cadena de suministro.

Las nuevas empresas han centrado su negocio principal en recolectar, agregar y analizar datos desde múltiples predios. Su objetivo es ofrecer a los agricultores planes individualizados para cultivar cada campo con precisión hasta la última planta. La información que reciben de los agricultores permite a las empresas de data mejorar sus modelos y hacer mejores recomendaciones.

La información permite adaptar los productos para satisfacer las necesidades específicas de los clientes de manera continua y con estrategias de precios adaptadas al valor que generan para cada segmento. La disrupción requerirá de grandes ideas, nuevos modelos de negocios y gente muy capaz. Una nueva generación de empresas independientes está aprovechando la Big Data para generar nuevas visiones, prácticas y productos. Las empresas de agroinsumos tradicionales y las cadenas de abastecimiento deberán adaptarse si quieren continuar en el negocio. Las grandes 6-5-4 empresas agrícolas están siendo desafiadas en la medida que las nuevas tecnologías entregan a los agricultores el poder de saber qué plantar, cuándo y cómo plantar y qué insumos usar para maximizar los rendimientos y la rentabilidad. En el pasado la innovación se concentraba en empresas con el mayor presupuesto de I+D, combinaciones de productos o mayor participación de mercado. La innovación ahora favorece la creación de nuevas empresas por una serie de razones. Una es confianza. Los agricultores deben estar convencidos que sus datos serán anónimos y están menos dispuestos a que su información esté en manos de grandes empresas dispuestas a empujar sus productos hacia los agricultores. La segunda razón es la necesidad de obtener recomendaciones imparciales y un flujo de información en dos direcciones. Incluso si las grandes empresas agrícolas y de insumos pudieran desarrollar las mejores plataformas digitales, les va a costar ser percibidas como actores imparciales.

Leer más
Agricultura de precisión y sostenibilidad

on un ojo puesto en las últimas tecnologías aplicadas a la agricultura y el otro en prestarle un servicio diferencial a los productores, Nidera Semillas ha lanzado una nueva propuesta que es única en el mercado. La red de distribuidores de la semillera contará a partir de este año con un grupo de drones que sobrevolarán los lotes de maíz recabando distinto tipo de información útil para el cultivo, que luego será analizada y compartida con los productores, como parte de la experiencia que la empresa está creando para sus clientes.

«Siempre estamos pensando cómo agregar valor a nuestras semillas y cómo brindarle un servicio superior a nuestros clientes. El uso de drones y de información georeferenciada viene creciendo en agricultura y resulta de gran utilidad», explica Ignacio Beltramino, director comercial de Nidera Semillas.

Área de cobertura

La iniciativa, que se circunscribe en esta primera etapa al cultivo de maíz, involucra a 40 distribuidores desplegados por distintos puntos del país, desde Charata, en Chaco, hasta Tres Arroyos, en Buenos Aires, pasando por Tucumán, Córdoba, Santa Fe y Entre Ríos.

A partir de ahora, los asesores técnicos de la red visitarán a sus clientes provistos de un dron DJI Matrice 100, un equipo ideal para trabajar en el campo por su autonomía, robustez y resistencia a diferentes condiciones climáticas. «Se trata de una plataforma que puede soportar distintos tipos de sensores o cámaras. En principio el proyecto arranca con sensores multiespectrales y sensores visuales RGB. Pero en el transcurso de los años se podrán incorporar nuevos dispositivos, como sensores termales o de otras longitudes de onda y resoluciones», detalla Nicolás Bergmann, titular de Taguay, la firma que desarrolla junto a Nidera Semillas esta propuesta.

Vuelos

En el campo se realizan dos tipos de vuelos sobre los lotes: el primero de reconocimiento, con una cámara que proporciona imágenes cenitales a partir de la cual se detectan fallas en la siembra, zonas con anegamiento, entre otros datos. “En este tipo de vuelos se logra ver el cultivo desde una perspectiva totalmente distinta y te cambia la forma de pensar. Cuando uno mira de forma horizontal a la altura de la cintura, se ve a lo largo y parece una tabla perfecta. Pero cuando observas desde arriba empezás a notar un montón de cosas que no te imaginabas”, comenta Bergmann.

El segundo se trata de un vuelo automático donde el distribuidor configura un plan de vuelo y el dron de forma autónoma sobrevuela la superficie y a partir de sus sensores recopila información que luego será analizada por la compañía norteamericana Precision Hawk, líder en este tipo de servicios. En menos de dos días, el productor recibirá todos los datos procesados en dos reportes: un mapa de ambientación y un mapa de altimetría con los que podrá tomar decisiones y realizar ajustes para lograr una producción más eficiente, optimizar su negocio y obtener mayores rendimientos.

«El nivel de detalle al que se puede acceder con este tipo de tecnologías es muy superior a lo que estamos acostumbrados a ver con satélites. A partir del mapa de ambientación de índice verde se puede visualizar el vigor del cultivo, manchones de malezas o la georeferencia de ambientes estresados», considera el gerente de Taguay.

Leer más