Categoría: Uncategorized

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

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

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

¡Vamos a ello!

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

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

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

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

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

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

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

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

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

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

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

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

esquema de cómo funciona NDVI

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

interpretación de los valores NDVI

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

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

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

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

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

imágenes NDVI de LandViewer

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Leer más

Agricultura de precisión

En la región de Péloponnèse, en el sur de Grecia, algunos de los olivos tienen cien años y han sido cultivados mediante métodos probados durante décadas; pero estos enfoques consagrados ahora están siendo aumentados por la agricultura de precisión .

Se trata de una moderna idea de gestión agrícola, que utiliza la última tecnología con el objetivo de aumentar la cantidad y calidad de los productos agrícolas. El sistema, también conocido como Smart Farming , utiliza métodos como GPS, escaneo del suelo y gestión de datos para tomar con mayor precisión la acción requerida en el momento adecuado y brindar el cuidado necesario para garantizar una agricultura saludable y sostenible.

En la región de Péloponnèse, las nuevas técnicas se están utilizando para crear el equilibrio adecuado entre los métodos tradicionales y la mejora de las tecnologías avanzadas.

Los científicos que operan en la zona forman parte de un proyecto de investigación europeo. Los drones con cámaras multiespectrales permiten a los productores de aceite de oliva monitorear con mayor precisión las etapas de crecimiento de cada uno de sus árboles.

Un microscopio en el aire

Evangelos Anastaiou, ingeniero agrícola e investigador de la Universidad Agrícola de Atenas, dijo que es muy útil para vigilar de cerca los árboles:

«Es como poner un microscopio en el aire. Podemos identificar qué árboles son los más vigorosos y saludables en comparación con otros, luego podemos tener tratamientos específicos para todos ellos».

Otro objetivo importante es el mejor control del riego. El sitio también cuenta con una estación meteorológica inteligente. Esto está conectado a los sensores de humedad del suelo y permite al agricultor activar el riego de forma remota cuando sea necesario. El agricultor puede usar su teléfono para activarlo, sin tener que visitarlo en persona. Esto permite un riego más preciso, ahorrando tiempo, dinero y, por supuesto, agua dulce.

Kostas Pramataris, ingeniero informático de la empresa de alta tecnología Synelixis , dice que la nueva tecnología puede garantizar que cada área reciba la cantidad de riego que necesita, minimizando el desperdicio:

«Este dispositivo nos permite monitorear el suelo y establecer algunos umbrales exactos, de modo que cuando la sequedad del suelo desciende por debajo de un nivel específico, puede comenzar a regar. Luego puede dejar de regar cuando se alcanza nuevamente el nivel correcto».

Ayudando a estos procesos hay otro dispositivo inteligente, un sensor de conductividad eléctrica. Esto muestra la ubicación y el movimiento del agua subterránea.

Actualmente, estas tecnologías siguen siendo muy caras para los agricultores que se encuentran bajo presión financiera. Pero dada la seriedad de los riesgos ambientales, muchos están dispuestos a usarlos.

Orientación y reducción de la entrada de recursos

Antonis Paraskevopoulos, director de Economía Rural del municipio de Trifylia, está convencido de la importancia de la nueva tecnología:

«Estos sistemas nos van a ayudar a reducir la cantidad de recursos que estamos usando, que es una de nuestras prioridades. También están orientados a producir productos seguros y aumentar nuestra producción. Pero lo más importante es que el producto final debe ser respetuoso con el medio ambiente. Teniendo en cuenta esos objetivos, no podemos tener éxito sin estas nuevas tecnologías «.

Agricultura en Suecia

También se puede ver que los métodos de agricultura inteligente funcionan en un entorno agrícola muy diferente, muy al norte de Grecia. Suecia es uno de los países más estrictos en términos de bienestar animal.

Una granja aquí también es parte del proyecto Smart Farming. Uno de los métodos que se están aplicando aquí para ayudar al bienestar animal es la fijación de sensores en las orejas de las cerdas, que miden el latido del corazón de los animales.

Christophe Verjus es ingeniero de la Organización Suiza de Investigación y Desarrollo CSEM . Dice que el dispositivo permite acceder a información muy útil:

«Gracias a la medición de la frecuencia cardíaca, especialmente si conocemos la frecuencia cardíaca regular de un animal dado, sabremos si el animal tiene fiebre, si está estresado o enfermo. Lo sabremos antes de que haya síntomas visibles. El ganadero entonces podrá actuar y tomar las decisiones correctas rápidamente «.

Seguimiento del bienestar de las cerdas durante el parto

Esta tecnología ayuda a los ganaderos durante el parto, los nacimientos de las camadas de las cerdas. Este es el momento más crucial del proceso de cultivo. Las cerdas deben gozar de buena salud para cuidar a sus bebés.

Gracias a un sistema de alerta, el granjero Jos Boterman y su hijo Frank pueden darse cuenta más rápido y reaccionar tan pronto como sepan que es necesario hacer algo.

Frank está de acuerdo en que la nueva tecnología es invaluable:

«Cuando estoy en casa, no sé qué está pasando en el establo. Con estos datos, puedo ver desde casa si una cerda empieza a parir. Así que me ayuda por la mañana».

Todos los datos pasan a través de un terminal electrónico situado en el edificio de la granja, que funciona como puerta de enlace. También mide la calidad del aire y la temperatura.

Mejora del bienestar de los animales

Ander Herlin, profesor titular de la Universidad Sueca de Ciencias Agrícolas , es el coordinador de las operaciones suecas del proyecto. Cree que las nuevas tecnologías marcan un gran paso adelante:

“Cada animal es muy importante, es valioso y tiene su propio derecho al bienestar. Por eso tenemos que vigilar a cada animal y esta es la idea de la ganadería de precisión”.

Se espera que el mercado mundial de agricultura inteligente se duplique en los próximos cinco años y alcance un valor de 16.000 millones de euros.

Leer más

Los profesionales agrícolas han seguido beneficiándose en términos de rentabilidad y productividad mediante el uso de desarrollos de tecnología móvil. Desde la recopilación de datos y el seguimiento del rendimiento de la máquina hasta el registro de actividades de exploración de cultivos y el control de drones, las aplicaciones móviles son ahora un componente clave en el mundo de la agricultura de precisión.

Las tecnologías agrícolas inteligentes han facilitado y ayudado a los productores a reducir los costos operativos de sus granjas de manera significativa, mientras que al mismo tiempo aumentan el rendimiento y producen parcelas de tierra. Esto eventualmente se traduce en una mayor rentabilidad de estas granjas. En los últimos años, una de las etapas críticas de esta revolución y las principales tecnologías agrícolas inteligentes que han impulsado en gran medida las prácticas agrícolas y la forma en que los agricultores llevan a cabo sus actividades son las aplicaciones móviles agrícolas.

Además, las aplicaciones móviles agrícolas realmente han ganado una amplia aceptación entre los agricultores modernos debido a su naturaleza versátil. Estas aplicaciones móviles pueden realizar muchas tareas en la granja, que incluyen la creación de mapas de la granja, la exploración de la granja, la gestión de los datos de la granja, el vuelo de drones agrícolas sobre el campo, entre muchos otros trabajos que requiere el agricultor. La naturaleza conveniente y práctica de las aplicaciones móviles agrícolas es lo que les ha permitido ganar popularidad entre los agricultores.

Para continuar satisfaciendo la creciente demanda y necesidades de los productores globales, los desarrolladores de aplicaciones móviles en el sector agrícola han seguido mejorando las capacidades y características de las aplicaciones agrarias. Estos desarrolladores están interesados ​​en garantizar que las aplicaciones agrícolas cubran casi todas las necesidades del agricultor objetivo y sean fáciles de usar.

Por lo tanto, se espera que las aplicaciones móviles agrícolas que están disponibles para los agricultores sean fáciles de usar, y también deberían proporcionar herramientas analíticas básicas y confiscadas con toda la información y los servicios necesarios para el uso del agricultor.

Con el número cada vez mayor de aplicaciones de agricultura de precisión disponibles en las tiendas de aplicaciones de Android e IOS creciendo exponencialmente, es un poco más difícil navegar con éxito por las últimas aplicaciones móviles que ayudan y aumentan la eficiencia de los profesionales de la agricultura de precisión. Sin embargo, lo hemos investigado, evaluado y clasificado para usted: –

Cropio

Esta aplicación proviene tanto de tiendas móviles como de versiones de escritorio. Está disponible tanto en App Store como en Google Play. Cropio es un conocido sistema de gestión de campos por satélite que ayuda o facilita el seguimiento de campos agrícolas de forma remota. El sistema Cropio genera actualizaciones y avances en tiempo real sobre las condiciones actuales del suelo y los cultivos. Además, determina los niveles de vegetación del campo e identifica las áreas problemáticas. Esta información es precisa, además de ofrecer previsiones meteorológicas dentro de tu localidad. La aplicación fue diseñada para ayudar específicamente a optimizar la toma de decisiones, el uso de fertilizantes y agua dentro de una granja específica.

Aplicación iSOYL scout

Esta aplicación se conoce comúnmente como la aplicación SOYL y es compatible con dispositivos basados ​​en IOS. Esta aplicación móvil se utiliza principalmente para explorar la granja por parte de los productores. Ayuda al agricultor a registrar el desempeño de los cultivos en diferentes ubicaciones de la granja mediante la utilización de las capacidades del Sistema de posicionamiento global del dispositivo que contiene la aplicación. Además, la aplicación móvil permite al agricultor identificar hasta qué punto han invadido las malas hierbas y elaborar un cronograma de cómo manejarlas. La aplicación también permite al productor tomar imágenes de áreas de interés en la finca para verlas y analizarlas posteriormente. El agricultor también puede compartir las imágenes y otra información relevante.

Aplicación GrainTruckPlus

Esta aplicación móvil fue desarrollada por John Deere para ayudar a los agricultores durante la cosecha. Esta aplicación ayuda a los productores a gestionar el equipo de cosecha hasta los siguientes elevadores preferidos más cercanos. Los agricultores pueden realizar un seguimiento de su equipo de cosecha en cualquier momento. Ayuda al agricultor a ahorrar tiempo mediante la creación. Esta aplicación permite al agricultor saber dónde se encuentra el equipo de cosecha en un momento determinado, el tiempo aproximado hasta el ascensor seleccionado y cuál es el tiempo de espera aproximado en ese ascensor. Por lo tanto, esta aplicación permite al agricultor administrar el tiempo creando un horario que combinará los camiones, los carros y los elevadores. Esto asegura que para cuando la cosecha del campo llegue a los elevadores, el tiempo de espera sea aproximadamente mínimo.

La aplicación Yara ImageIT.

Esta aplicación móvil también se llama aplicación internacional Yara. Esta aplicación fue desarrollada específicamente para ayudar a los productores a manejar los niveles de nitrógeno en sus campos. Funciona midiendo la absorción de nitrógeno de las plantas basándose en imágenes tomadas y luego da recomendaciones basadas en los niveles de deficiencia. La aplicación utiliza la variación de color de las plantas. Ayuda en la aplicación de nitrógeno precisamente para optimizar los rendimientos y reducir el impacto ambiental del uso de químicos como fertilizantes.

Malezas de identificación

Este tipo de aplicación móvil permite a los productores identificar las malas hierbas con las que no están familiarizados. Identifica las malas hierbas basándose en una serie de características y características únicas.

FarmLogs

Es importante señalar que esta aplicación móvil es gratuita. Puede obtener ayuda con la administración de la granja y los servicios de asesoramiento de los propietarios de la aplicación. El mapeo de campos y la recopilación de información histórica y actual son algunas de las características que tiene.

Otras aplicaciones que vale la pena considerar son:

La aplicación Pocket Rain Gauge.
La aplicación de trabajos Agcareers.com
Acción NCGA
Buscador de semillas
KSUSoyYieldCalc
NeoMyco
Granja en mano

Leer más

El último lugar donde se podría esperar encontrar drones y vehículos de exploración sería haciendo observaciones y controles en un campo de maíz, sin embargo, pronto, estos podrían unirse a los tractores y arados en la lista de herramientas agrícolas obligatorias de un agricultor, gracias a su potencial para reducir el uso de pesticidas y aumentar la cantidad de cosechas que se pueden cultivar.

Es parte de una tendencia hacia la llamada agricultura de precisión, en la que los agricultores utilizan equipos para controlar sus cultivos y responder a problemas cuando y donde estos se produzcan, en lugar de aplicar soluciones generales a un campo entero.

El Problema
Los peligros del uso excesivo de pesticidas en el medio ambiente pueden remontarse al libro de 1962 ‘Silent Spring’ (Primavera Silenciosa) de Rachel Carson, al que le ha sido atribuido el mérito de iniciar el movimiento moderno de conservación.
La UE aplica, actualmente, restricciones a ciertos pesticidas que contienen neonicotinoides, que se han relacionado con la desaparición de poblaciones de abejas melíferas en toda Europa.
En 2014, un estudio de la UE destacó los beneficios de la agricultura de precisión. El uso de este método puede reducir la escorrentía de pesticidas y fertilizantes, que pueden dañar significativamente el medio ambiente local.

El Dr. José M. Peña del Instituto de Agricultura Sostenible de Córdoba, España, dirigió el proyecto TOAS financiado por la Unión Europea, en el que drones sobrevolaban los cultivos para crear mapas de zonas de infestación con malezas para los agricultores de modo que pudieran identificar qué áreas tratar.

‘En Europa, el 60 % de los pesticidas que aplicamos son herbicidas para controlar las malezas’, dijo el Dr. Peña. ‘(Con) la tecnología aplicada al cultivo, podemos reducir drásticamente el uso de estos productos químicos y eso es un beneficio para el medio ambiente y para el agricultor’.

El Dr. Peña y su equipo utilizaron drones y tecnología de análisis de imágenes, que detecta ligeras diferencias en el color del campo a fin de descubrir la vegetación y las malezas que compiten con los cultivos. Sin embargo, las malezas y los brotes de cultivos pueden parecer similares a principios de temporada, cuando los cultivos se hallan en su momento más vulnerable.

La solución implicó examinar los patrones de cultivo junto con las imágenes. ‘Nosotros sabemos que los cultivos siguen un patrón, y a la vegetación que se sale de este patrón se la clasifica como maleza’, dijo el Dr. Peña.

‘Así, de este modo, podemos integrar la información espectral (y) también la posición y la forma de las plantas en el software para detectar aquellas que son malezas’.

Luego, los agricultores pueden aplicar herbicidas a áreas específicas, monitorear la evolución de sus cultivos a través del tiempo, y crear un mapa en 3D fotorrealista de su campo tomando fotografías aéreas desde múltiples ángulos.
Investigadores programaron drones para identificar malezas que se salen de los patrones normales de cultivos. Imagen cortesía de TOAS

Maíz, aceitunas

Después de analizar en primer lugar los campos de maíz y los olivares, el equipo determinó, posteriormente, que la tecnología funcionó para otros cultivos como el del girasol, la almendra y la uva.

‘Esto demuestra que la tecnología y el proyecto pueden ir más allá de la idea original’, dijo el Dr. Peña. ‘Asimismo, obtuvimos una precisión muy alta – podemos detectar más del 95 % de las malezas en los campos. Una cosa importante es que podemos detectar las partes del campo de cultivo que están libres de infestación. Este lugar es la zona donde el agricultor no necesita aplicar herbicida’.

No obstante, detectar las malezas es sólo la mitad de la tarea, e investigadores en otros lugares están desarrollando vehículos terrestres no tripulados, o vehículos de exploración, que pueden completar la labor eliminando las malezas.

“Nosotros podemos reducir de manera radical el uso de estos productos químicos, y eso es un beneficio para el medio ambiente y para el agricultor”, señaló el Dr. José M. Peña, del Instituto de Agricultura Sostenible, España.

‘Lo que estamos haciendo es demostrar que, realmente se puede realizar de forma totalmente automática’, dijo el Prof. Roland Siegwart de ETH Zurich, Suiza, quien dirige un proyecto de robótica llamado FLOURISH, financiado por la Unión Europea, para desarrollar el prototipo de un sistema integrado de drones y vehículos de exploración.

Escaneando diferentes características de los cultivos, tales como la altura y la cubierta de copas, el dron puede comunicar al vehículo de exploración no tripulado en el terreno las áreas que necesitan atención. El vehículo de exploración, entonces, elimina las malezas, aplica pesticida a un área específica, o le señala al agricultor las áreas que pueden necesitar fertilizante extra.

El Prof. Siegwart dice que esto podría conducir a un uso mucho más eficaz de los pesticidas.

‘Yo podría hacer la estimación de que probablemente sea una fracción muy pequeña del porcentaje de todos los productos químicos que son rociados en el campo la que realmente tiene un impacto’, dijo él. ‘Si tenemos más información, en realidad, se puede, con suerte, alcanzar una eficacia mucho más alta. Con, probablemente, 100 veces menos sustancias químicas aplicadas al campo, se puede tener exactamente el mismo efecto’.

Un aumento en la investigación de la tecnología agrícola puede también tener el beneficio añadido de eliminar el estigma sobre la tecnología con drones en sí ya que ayuda a resolver problemas como el modo de producir suficiente alimento para una población en crecimiento.

‘Por lo general, decimos que alrededor del 20 al 30% de la cosecha total de alimentos del campo ya está perdida, debido a que hay algunos problemas en el campo. Si se puede reducir esto, realmente se puede ayudar a alimentar a la sociedad de todo el mundo’.

Leer más

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

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

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

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

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

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

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

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

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

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

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

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

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

· Gestión optimizada de la explotación agrícola.

· Garantiza una producción agrícola suficiente.

· Recolecta de productos con mayor valor nutritivo.

· Reducción del uso de pesticidas y fertilizantes.

· Menor impacto medioambiental.

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

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

· Ayuda en la toma de decisiones y sus resultados.

· Ahorro de combustible en los tractores.

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

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

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

Leer más

La agricultura de precisión continúa ganando interés y tracción en toda la industria de insumos agrícolas. Las soluciones integradas, ya sean drones, satélites, sensores u otras tecnologías, tienen mucho que ofrecer a los productores y ciertamente podrían tener un impacto en la aplicación. AgriBusiness Global entrevistó a Ash Madgavkar, fundador de Ceres Imaging , una empresa de agricultura de precisión con sede en California que ayuda a los productores y asesores agrícolas a tomar decisiones inteligentes de gestión agrícola con sensores, análisis, modelos de aprendizaje automático y ciencia de plantas patentados.

Madgavkar discutió cómo los sensores encajan en el panorama más amplio de la agricultura de precisión hoy, qué papel jugarán en el futuro.

ANUNCIO

La aplicación de precisión está creciendo rápidamente en todo el mundo. ¿Qué papel juegan los sensores en la aplicación de precisión?

Dar sentido a los sensores para la agricultura de precisión
Ash Madgavkar, fundador, Ceres Imaging

Presentamos un programa de educación continua llamado » Avances en imágenes «. En nuestro episodio más reciente, el asesor agrícola de extensión cooperativa de la UC, George Zhuang, argumentó que los datos son lo más importante que frena la aplicación de precisión. Estamos de acuerdo con esta opinión y creemos que los sensores proporcionarán:

Contribución importante a la prescripción y planificación de VRA de nutrientes de pretemporada;
Un componente crítico para cualquier prescripción de VRA de nutrientes durante la temporada; y
Datos críticos para aplicaciones de precisión no relacionadas con nutrientes, incluidas aplicaciones de pesticidas, fungicidas, agua y reguladores del crecimiento.
¿Cómo se integra la tecnología de sensores con otras tecnologías de agricultura de precisión?

Ceres Imaging está diseñado para capacitar a los productores para que tomen decisiones inteligentes. Con ese fin, lo hemos integrado con muchas plataformas agrícolas digitales líderes, como FieldView y el Centro de operaciones John Deere . Esto significa que nuestras imágenes se pueden ver en esas plataformas y junto con otras fuentes de datos. También hemos facilitado que los productores carguen datos de terceros en la plataforma Ceres Imaging si prefieren trabajar en nuestra herramienta. Algunos productores están integrando Ceres con sus mapas de rendimiento para mejorar la granularidad / resolución de esos mapas de rendimiento.

Ceres Imaging también ha priorizado las integraciones con otros proveedores de hardware para aumentar la precisión de nuestros conocimientos y hacer que los datos sean más procesables. Esto incluye integraciones con sensores de campo, así como la próxima generación de equipos de riego de precisión.

¿Cómo cambiará la tecnología de sensores en los próximos años / década y qué impacto tendrá en la agricultura de precisión?

El cambio tecnológico de los sensores está impulsado por reducciones de costos en el hardware de los sensores, mejoras en la inteligencia artificial y el análisis de datos, y los beneficios que se obtienen al trabajar con datos más grandes y conjuntos de datos más diversos. Creemos que con estas mejoras, la detección evolucionará desde la identificación de problemas hasta la realización de predicciones y diagnósticos de problemas. Vemos una tendencia continua hacia la integración entre diferentes tipos de sensores y hardware. Y creemos que beneficiará a las empresas de sensores más grandes que pueden proporcionar la escala necesaria para que tales integraciones valgan la pena. También creemos que la usabilidad y la capacidad de acción mejorarán drásticamente, lo que aumentará la adopción de manera significativa. En el pasado, los productores tenían que realizar un entrenamiento profundo y examinar cientos de imágenes. Hoy (existen) herramientas para detectar automáticamente,

¿Qué factores (es decir, relacionados con la industria, económicos, regulatorios) influirán en cómo se utilizan los sensores en el futuro?

A continuación se muestran algunas de las metatendencias que creemos que influirán en las tasas de adopción y en cómo se utilizan los sensores.

Precios: Los bajos precios de las materias primas desalientan las inversiones en prácticas de gestión. Creemos que los precios bajos de las materias primas retrasarán la adopción a corto plazo.
Costos: en el otro lado de esta tendencia, creemos que los aumentos en los costos de insumos y mano de obra ampliarán la adopción de sensores, lo que puede disminuir significativamente los costos de nutrientes, manejo de enfermedades y agua.
Regulación: Esperamos que los sensores se utilicen para el cumplimiento, así como para una mejor gestión de los recursos en respuesta a la regulación.
Cambio climático: Estamos viendo una mayor variabilidad de los eventos climáticos que aumentan drásticamente la adopción de tecnología de sensores a medida que los modelos de pronóstico estancados se vuelven irrelevantes.
¿Qué pueden hacer las empresas a corto plazo para mitigar los costos que generarán las tarifas?

A corto plazo, seguiremos viendo a algunos productores tratar de controlar los costos hasta que tengan una idea más clara de las tarifas. Estamos viendo esto con los productores que buscan maniobrabilidad y oportunidades para retrasar o evitar un gasto inicial significativo. Un ejemplo de esto es adoptar una dosis variable o una aplicación de nitrógeno durante la temporada como alternativa a una gran aplicación inicial de nitrógeno.

Para los jugadores más verticales, veremos algunas decisiones difíciles en las inversiones durante la temporada. Por ejemplo, uno de nuestros clientes más importantes, Olam International , está utilizando nuestro índice de estrés acumulativo para predecir el rendimiento en la temporada. Les está ayudando a analizar el ROI de varias posibles soluciones o inversiones para mejorar el rendimiento. Creo que veremos más productores siguiendo su ejemplo.

Leer más

Un nuevo sensor de bolsillo podría poner la agricultura de precisión al alcance de los pequeños agricultores de Etiopía. La agricultura de precisión utiliza datos de observaciones de alta tecnología para evaluar y abordar la variabilidad de los cultivos y ayudar a los agricultores a emplear sus recursos de manera más eficaz.

Haekoo-Kim
Las lecturas de rendimiento de cultivos de tecnologías satelitales o basadas en sensores se utilizan para «hacer lo correcto, en el lugar correcto, en el momento correcto». Comercializado por Trimble desde agosto de 2012, el sensor de cultivo portátil GreenSeeker lee la luz roja e infrarroja cercana reflejada por las plantas para medir las tasas de fotosíntesis y el vigor del cultivo. Cuando se usa con el índice de vegetación de diferencia normalizada (NDVI), las lecturas pueden ayudar a los agricultores a decidir exactamente cuánto fertilizante de nitrógeno aplicar para obtener los mejores rendimientos.

Esto es especialmente importante en Etiopía, cuyos suelos, como los de muchas partes de África, generalmente carecen de nitrógeno, un elemento muy móvil cuya disponibilidad se ve afectada por las lluvias y las características del suelo. A un costo de alrededor de 500 dólares, el sensor podría hacer que la agricultura de precisión sea asequible para los agricultores de Etiopía. No tiene la precisión de sensores más grandes, pero es menos costoso y se adapta mejor a las circunstancias de los pequeños agricultores.

Leer más

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Leer más

Claves para entender la agricultura 4.0
28/02/2019

La tecnología lo ha conquistado todo. Es imposible pensar en un sector que no haya sido influenciado por el progreso tecnológico y la digitalización. Incluso la agricultura no ha podido resistir los encantos de la nueva era. Hablamos de Agricultura 4. 0, tecnología Smart Agro y los conceptos de AgroTech, AgTech y Smart Farming. Pero, ¿qué significa toda esta nueva corriente dentro del sector agrario?

4 claves para entender la agricultura 4.0
Es una consecuencia inevitable de la era digital. El futuro está muy ligado a la tecnología y la supervivencia de las empresas del sector dependerá de cómo hayan logrado transformar su modelo de negocio.
La falta de recursos es un factor a tener en cuenta. La tecnología agraria es un aliado para prever, analizar e implementar nuevas estrategias para la gestión eficiente del agua u otros recursos.
La conectividad no es un valor adicional, sino un requisito indispensable. Las tecnologías IoT son la clave para alcanzar la máxima conectividad.
La sensorización es la clave. La potencia del procesamiento de datos y la recolección de datos (Big Data) nos ayudará a optimizar y tener un mejor desempeño.
Agricultura de precisión
Es cierto que puede ser necesario renovar procesos, invertir en I + D y apostar por las nuevas tecnologías. ¿Es el fin de la agricultura tradicional?

La nueva era digital no debe verse como un obstáculo, sino como una oportunidad.

La agricultura inteligente permite una mayor precisión y, por tanto, un ahorro sustancial de recursos. Podemos calcular exactamente la duración óptima del pulso de riego, adaptarnos a la situación climática gracias a la geolocalización y lograr un mayor rendimiento.

¿Cómo podemos transformar la agricultura tradicional en agricultura 4.0?
En ITC queremos ayudarte en el desafío de la transformación digital. Nuestros controladores están diseñados para la nueva era de la agricultura 4.0. Dosificación avanzada, geolocalización y conectividad con dispositivos móviles son algunas de las soluciones que ofrecemos.

¿Necesitas más razones para dar el salto a la tecnología agrícola? ¿No sabes por dónde empezar? Contáctanos y te ayudaremos a encontrar la mejor solución.

Leer más

Manejo de cultivos específico del sitio(SSCM) es un concepto de gestión agrícola que se basa en la observación, la medición y la respuesta a la variabilidad de los cultivos entre campos o intracampo. Es una de las muchas técnicas agrícolas modernas que pueden hacer que la producción sea más eficiente. Y para asegurar las prácticas de conservación del suelo también. Con el SSCM, los agricultores pueden obtener un mejor rendimiento, el suelo también se alterará menos y no habrá agotamiento de recursos o minerales. También se puede decir que SSCM es la ‘agricultura específica del sitio’ o la ‘agricultura de precisión’. Los agricultores tomaron grandes campos y luego los dividieron en pequeños parches para que no ocurra una mala aplicación de los productos. Con SSCM, la eficiencia de los cultivos y las granjas también aumentará. Los agricultores que utilizan las prácticas de SSCM utilizan datos meteorológicos, humedad, temperatura del suelo, crecimiento y otros factores para la rotación de cultivos. También gestionan las tasas de riego para que no se acumulen sales en la superficie del suelo. Algunos agricultores utilizan la técnica moderna como GPS, tractores y cosechadoras operados por computadora. También utilizan prácticas modernas como imágenes aéreas, recolección de muestras de suelo, tipo de suelo y rendimiento potencial, etc. para dividir los campos grandes en unidades pequeñas para reducir el desperdicio y aumentar la producción. Los sensores también se colocan en todo el campo, estos sensores detectan incluso los micro cambios en la planta o en el suelo y al detectar estos cambios, los sensores envían la información a los centros. Los centros recopilan datos de los campos y los procesan en tiempo real y ayudan a los agricultores a decidir sobre la siembra, la fertilización, el riego y la cosecha. Ahora los sensores están conectados al goteo u otro tipo de sistema de riego operado por computadora. Los sensores detectan los cambios y el sistema de riego funciona y entregan la cantidad exacta de agua necesaria al lugar donde se necesita. Los fertilizantes también se aplican mediante el sistema de riego y los sensores también funcionan para ello. Los insecticidas y weedicidas se aplican cuando es necesario y son inspeccionados por sensores y se aplican cuando las imágenes aéreas muestran su necesidad. Los agricultores usan los datos del suelo para analizar sus campos y saber que donde el suelo es mejor, tiene mejores nutrientes y una buena capacidad de retención de agua, cultivan un cultivo denso allí o donde el suelo es pobre, los agricultores cultivan cultivos de acuerdo con las condiciones del suelo. Los cultivos funcionan mejor en ambos tipos y el suelo también se verá menos alterado. En parcelas más débiles, los agricultores pueden cultivar pastos para el pastoreo del ganado. Mediante las prácticas de agricultura de precisión O SSCM, los agricultores pueden producir un mejor rendimiento y también pueden conservar el suelo.

Leer más