Categoría: Uncategorized

La recopilación de datos de un sensor, o de muchos sensores, es solo el primer paso en el proceso general de toma de decisiones, que puede ser inspección, monitoreo, seguimiento, etc. A menudo, muchos otros componentes, como bases de datos, modelos de simulación y optimización matemática , deben combinarse para formar un sistema de apoyo a la toma de decisiones (DSS) completamente desarrollado.

El resultado final de un DSS es una recomendación, interpretación o predicción con respecto a la situación de interés, como el tratamiento de cultivos, la seguridad alimentaria o la calidad del agua. Estos sistemas pueden volverse bastante complejos, con muchos componentes que interactúan, y pueden ser sistemas integrados y en tiempo real o sistemas fuera de línea.

Cuando se recopilan múltiples flujos de datos, se debe decidir cómo se fusionarán esos datos en el proceso de decisión. Los flujos de datos separados pueden ser:

Modo mixto (incluidos datos cuantitativos y cualitativos).
Redundante (validando los datos de otra secuencia).
Complementario (proporciona medidas de múltiples características de un objeto).
De apoyo (ayuda a verificar alguna interpretación de otro flujo de datos).
Dada la gran cantidad de sensores disponibles en la actualidad y el volumen de información que generan, la investigación y el desarrollo de la fusión de sensores se ha convertido en una comunidad en crecimiento y muy activa. El resultado final del proceso de detección (que puede incluir la fusión del sensor) es una interpretación precisa y confiable de los datos relacionados con un objeto.

Una vez que se ha recopilado información confiable en el paso de detección, es posible que deba combinarse con información y conocimiento de otras fuentes. Por ejemplo, se puede utilizar un modelo de simulación de cultivo para proyectar una condición (o valor) de cultivo futuro en función de las mediciones actuales. O bien, los datos sobre un proceso de fermentación pueden compararse con las tendencias históricas almacenadas en una base de datos para evaluar si se encuentran dentro de límites aceptables.

También se pueden aplicar conocimientos más cualitativos, en forma de bases de reglas de expertos. Un DSS también puede incorporar modelos económicos o cálculos para determinar qué cursos de acción son razonables. Otros factores que pueden necesitar ser considerados incluyen las culturas operativas dentro de la organización o la industria o los mercados financieros actuales.

Leer más

dentificar la variabilidad dentro de un campo y gestionar los insumos para dar cuenta de esta variabilidad es uno de los principios subyacentes de la agricultura de precisión. Aunque la mayoría de los agrónomos reconocen que las poblaciones de malezas dentro de un campo generalmente son muy variables, ha habido relativamente poco esfuerzo para incorporar el conocimiento sobre las poblaciones de malezas en los planes de manejo de malezas. Este documento proporcionará una introducción a las características espaciales de las poblaciones de malezas y cómo podemos utilizar esta información para mejorar los programas de manejo de malezas.

Tipos de distribuciones espaciales
Se han utilizado tres tipos de distribuciones para caracterizar las poblaciones de malezas (Figura 1). En una disposición regular, cada maleza está espaciada equidistantemente de otra y la densidad de la maleza no varía a lo largo del campo. Este tipo de disposición rara vez ocurre excepto en campos mal manejados que tienen densidades de malezas uniformemente altas (> 10 malezas por pie 2). Con una distribución aleatoria, cada sitio en el campo tiene la misma probabilidad de ser ocupado por una maleza. La densidad de las malas hierbas varía a lo largo del campo, y el conocimiento de la densidad de las malas hierbas en un sitio de un campo no proporcionará información sobre la densidad de las malas hierbas en otro lugar dentro del campo. Las malezas con semillas arrastradas por el viento, como la cola de yegua, pueden aparecer en una disposición aleatoria, especialmente si la fuente de la semilla se encuentra a una distancia considerable del campo infestado. La disposición final y más común de las malezas es la distribución irregular o agregada. En esta situación, la densidad de las malezas varía ampliamente en el campo. La presencia de una maleza en un sitio aumenta la probabilidad de que haya maleza en un sitio cercano. La semilla arrastrada por el viento probablemente resultaría en una disposición irregular si la fuente de la semilla estuviera cerca del campo. En esta situación,

Causas de los arreglos de malezas irregulares
Cuando una persona observa un parche de malezas, una de las primeras preguntas que se hacen es «¿por qué hay más malezas en esa parte del campo?» Los parches de malezas en un campo pueden ser el resultado de la variabilidad del suelo, la introducción de semillas de fuentes externas o las prácticas de manejo de cultivos. En algunas situaciones, es fácil determinar el motivo de la presencia de las malas hierbas, como un salto del rociador o un bache donde la cosecha se ahogó a principios de la temporada. Sin embargo, en muchas situaciones es difícil explicar por qué las malas hierbas están presentes en una parte del campo pero no se encuentran en otra parte.

Las diferencias en las características del suelo en un campo pueden influir en las poblaciones de malezas directa o indirectamente. Un efecto directo sería una situación en la que una maleza se adapta mejor a crecer en un determinado tipo de suelo que otras, como un pH alto en comparación con un suelo de pH bajo. La mayoría de las malezas anuales se clasifican como colonizadoras, un grupo de plantas que se mueven rápidamente a áreas donde se ha alterado el suelo y se ha eliminado la vegetación anterior. En condiciones naturales, los colonizadores llenan un vacío en el ecosistema y luego son reemplazados rápidamente por tipos de vegetación más persistentes, como herbáceas perennes, arbustos y / o árboles. Por lo tanto, el requisito principal para las malezas anuales es el suelo desnudo, en lugar de una característica específica del suelo (textura, MO, equilibrio mineral, etc.).

Ocasionalmente se afirma que la presencia de una maleza es un indicador de una característica específica del suelo o un desequilibrio de nutrientes (Tabla 1). En la mayoría de los casos, estas declaraciones son un ejemplo de folclore inofensivo, pero ocasionalmente las personas intentan utilizar esta información para promover el uso de un producto para remediar un problema de suelo inexistente. Aunque las características del suelo pueden tener influencias sutiles sobre las poblaciones de malezas, si el suelo es una fuerza impulsora importante en la distribución de malezas en un campo, entonces probablemente el suelo esté lo suficientemente desequilibrado como para que las malezas no sean la principal preocupación del agricultor.

Cuadro 1. Especies indicadoras de las condiciones del suelo. Fuente: Ehrenfried E. Pfeiffer. 1970. Malezas y lo que dicen. Asociación de Agricultura y Jardinería Biodinámica. Kimberton, Pensilvania.

Característica del suelo Especies
Ácido hierba inteligente, fiebre de fregado, hawkweed
Salado bolso de pastor, cardo ruso,
Piedra de cal pennycress de campo, peppergrass de campo
Potasio alto trébol rojo, ajenjo, malva de pantano
Aunque ha habido una investigación considerable que analiza las relaciones entre las características del suelo y las poblaciones de malezas, la mayoría de los datos indican que la mayoría de las malezas anuales están adaptadas para crecer en cualquier suelo con características favorables para el crecimiento de los cultivos. Estudios más recientes que investigan los patrones espaciales de las malezas en campos completos han identificado algunas correlaciones entre los tipos de suelo y la densidad de las malezas que no se detectaron en estudios anteriores. Investigadores de la Universidad de Nebraska informaron que las hojas de terciopelo y el girasol eran más frecuentes en suelos con alta materia orgánica y una elevación relativa baja, mientras que los pastos anuales eran más comunes en los suelos de tierras altas y mejor drenados.

Los factores del suelo pueden tener un gran efecto en la aparición de malezas a través de impactos adversos en el crecimiento de los cultivos. La supresión del dosel de los cultivos aumenta los recursos disponibles para apoyar el crecimiento de malezas, particularmente las ligeras. Retrasar el desarrollo del cultivo durante un período relativamente corto al comienzo de la temporada de crecimiento (1-2 semanas) puede proporcionar a las malas hierbas una ventaja competitiva sobre el cultivo durante el resto de la temporada de crecimiento. En la mayor parte de Iowa, el drenaje deficiente del suelo sería la característica del suelo con más probabilidades de favorecer las malezas, aunque el pH alto puede ser un problema en ciertas asociaciones de suelos.

Las prácticas de producción de cultivos (labranza, aplicación de herbicidas, cosecha) pueden tener una gran influencia en la disposición espacial de las malezas en los campos. Estos parches suelen ser fáciles de identificar, ya que suelen estar orientados en la dirección de funcionamiento de la máquina. Los parches de malezas se pueden crear mediante: aplicación incorrecta de herbicidas, introducción de una nueva especie mediante maquinaria agrícola en la entrada de un campo, espacios entre pasadas de la sembradora o sembradora y propagación de semillas de malezas por la cosechadora. Los herbicidas ejercen más presión de selección sobre las poblaciones de malezas que cualquier otro factor y, por lo tanto, las diferencias en la actividad de los herbicidas en el campo, ya sea debido a suelos variables o aplicación desigual, pueden conducir a poblaciones de malezas agregadas. Un estudio en el centro de Iowa encontró que la característica del suelo más estrechamente asociada con las poblaciones anuales de malezas era la adsorción de herbicidas.

Estabilidad de los parches de malezas
El costo de obtener datos espaciales ha obstaculizado muchos aspectos de la agricultura de precisión, y las malezas plantean un problema particular debido a su naturaleza dinámica. Las características del suelo permanecen relativamente estables a lo largo del tiempo, por lo que se puede utilizar un mapa de las características del suelo durante varios años antes de que se requiera un nuevo muestreo. Dado que la distribución de malezas en un campo puede cambiar rápidamente, un mapa de malezas solo puede proporcionar información precisa para una o dos temporadas de cultivo. Aunque algunos estudios recientes han investigado si los parches de malezas permanecen en la misma parte de un campo de un año a otro, nuestra comprensión de esta característica de las poblaciones de malezas es limitada.

Los parches de malezas perennes tienden a ser más estables que los parches de malezas anuales. La mayoría de las malezas perennes que se encuentran en cultivos agronómicos se propagan principalmente por estructuras vegetativas (portainjertos, rizomas, estolones) en lugar de por semillas. Ejemplos de plantas perennes rastreras incluyen quackgrass, cáñamo aderezo, algodoncillo común y cardo de Canadá. Dado que la mayoría de los herbicidas utilizados en el maíz y la soja son marginalmente efectivos en las plantas perennes, estas malezas tienden a estar presentes en el mismo lugar dentro de los campos de un año a otro. La expansión del parche de plantas perennes es relativamente lenta ya que dependen del nuevo crecimiento de las estructuras de reproducción vegetativa. En un hábitat no perturbado durante un período de cuatro años, una sola plántula de algodoncillo común produjo un parche que consta de 56 tallos y cubrió 100 pies 2. La tasa de expansión del borde del parche para algodoncillo en este estudio fue de menos de 1,5 pies por año. La propagación de las plantas perennes a menudo se ve favorecida por la labranza, lo que da como resultado parches orientados en la dirección de operación del implemento.

Aunque las poblaciones anuales de malezas normalmente se agregan, los parches tienden a ser menos estables que los parches perennes. La investigación ha demostrado que la ubicación de los parches de malezas anuales dentro de un campo permanece relativamente estable de un año a otro, pero el tamaño del parche puede variar ampliamente. La gran capacidad de producción de semillas de muchas especies anuales es un factor importante que contribuye a la naturaleza irregular de las poblaciones de malezas. Aunque el banco de semillas de malezas fluctúa rápidamente en respuesta a las entradas y las pérdidas de semillas, la latencia de las semillas mantiene una fuente de nuevas infestaciones durante varios años. El potencial de movimiento de semillas de malezas permite que las anuales se propaguen más rápidamente que las perennes. Las especies de malezas con semillas que permanecen en la planta hasta la cosecha se pueden esparcir rápidamente por el campo mediante la cosechadora, mientras que las especies con semillas que se rompen antes de la cosecha se moverán con menos rapidez.

Las prácticas de manejo de malezas generalmente están dirigidas a especies anuales, por lo que la efectividad de las tácticas de control es un factor principal que influye en la distribución de las anuales en un campo. Se ha demostrado que los factores del suelo que afectan la actividad herbicida (adsorción, persistencia) influyen en la distribución de las malezas. La actividad herbicida también se ve influenciada por la densidad de las malezas, y es más probable que las malezas escapen al control en áreas con poblaciones altas. Este factor contribuye a la estabilidad de los parches, ya que las malezas que escapan al control producen semillas que aumentan el banco de semillas. Al año siguiente, es probable que las áreas con un gran banco de semillas tengan altas densidades de malezas y, por lo tanto, es más probable que las malezas escapen nuevamente del control en estas áreas. El tamaño del parche se reducirá en años con las condiciones climáticas favorables para la actividad herbicida,

Implicaciones de la distribución de malezas en el manejo de malezas
Uno de los objetivos de la agricultura de precisión es tomar mejores decisiones de manejo a través de una mayor comprensión de la variabilidad dentro de un campo. Aunque nuestra comprensión de los factores que impulsan las infestaciones de malezas ha mejorado mucho en los últimos años, aún no está claro el potencial de usar esta información para mejorar los programas de manejo de malezas.

Aunque los umbrales económicos no se han utilizado ampliamente para orientar las decisiones de manejo de malezas en maíz y soja, continúan los esfuerzos para mejorar estas herramientas para que sean más aceptadas. La mayoría de los umbrales económicos se basan en el supuesto de que las malezas se distribuyen uniformemente en el campo, mientras que esto rara vez ocurre en el campo. No tener en cuenta la distribución de malezas en el campo reduce la precisión de las predicciones de pérdida de rendimiento en las que se basan los umbrales económicos. Si una infestación irregular de malezas aumenta la pérdida de rendimiento esperada en comparación con una infestación uniforme, los modelos de umbral recomendarían dejar una infestación de malezas que podría resultar en pérdidas de rendimiento superiores al costo de control.

Las malas hierbas reducen el rendimiento de los cultivos principalmente al competir con el cultivo por recursos limitados (luz, agua, nutrientes, etc.). Una maleza aislada compite solo con las plantas de cultivo que se encuentran a cierta distancia. Por ejemplo, se descubrió que el berberecho común reduce el rendimiento de todas las plantas de soja a 20 pulgadas de su tallo. Si dos plantas de berberecho se encuentran a 20 pulgadas una de la otra, compiten por los recursos entre ellas (competencia intraespecífica) así como con las plantas de soja adyacentes (competencia interespecífica). Dado que la competencia entre las dos plantas de berberecho reduce su crecimiento, el impacto combinado de las dos malas hierbas en las plantas de cultivo adyacentes es menor que si las malas hierbas estuvieran fuera del área de influencia de la otra. Así, la misma cantidad de malezas en un campo causa menos pérdida de rendimiento cuando se presentan en una distribución irregular que si se distribuyen uniformemente por el campo (Figura 2). La competencia intraespecífica entre malezas en parches densos da como resultado estimaciones conservadoras de pérdidas de rendimiento cuando las predicciones se basan en densidades promedio de malezas, lo que reduce la probabilidad de que se subestime la verdadera pérdida de rendimiento de una competencia de malezas.

El conocimiento de la distribución de malezas en el campo crea una oportunidad para el manejo de malezas específico del sitio. Una forma potencial de utilizar esta información es mediante la aplicación de herbicidas de tasa variable (VRA). La premisa de VRA es que la tasa óptima de herbicidas varía a lo largo del campo y que la tasa óptima para un área específica se puede predecir basándose en la información conocida sobre el campo. Algunos de los factores que influyen en el rendimiento de los herbicidas incluyen las características del suelo (principalmente herbicidas aplicados al suelo), las poblaciones de malezas y las condiciones ambientales. El potencial de beneficios económicos con VRA varía según la importancia relativa de estos tres factores.

El impacto del tipo de suelo sobre la actividad herbicida está bien documentado. La mayoría de los herbicidas se adhieren a los coloides del suelo, y la porción del herbicida adsorbida a estos coloides no está disponible de inmediato para controlar las malezas. Las dosis de herbicidas aplicados al suelo se ajustan de forma rutinaria de acuerdo con el tipo de suelo presente en el campo. Tradicionalmente, la tasa se ha seleccionado con base en el tipo de suelo «promedio» encontrado en el campo. Sin embargo, con la tecnología actual es posible ajustar las tasas «sobre la marcha» de acuerdo con la variabilidad del suelo en el campo. Los fabricantes de herbicidas han desarrollado ecuaciones para calcular las tasas de herbicidas para una textura de suelo y materia orgánica específicas. Por ejemplo, la etiqueta Dual II MAGNUM recomienda aumentar la tasa en 0.1 pt / A por cada uno por ciento de aumento de materia orgánica en un suelo de textura media. Basado en esta información, en un campo típico de Iowa, la tasa Dual variaría en un 15-30% debido a cambios en la materia orgánica del suelo. Si bien esto puede parecer un cambio de tasa significativo, es relativamente pequeño según el nivel de precisión de la aplicación de herbicidas en cultivos de campo. El potencial de beneficios económicos con VRA según el tipo de suelo disminuye con la capacidad de respuesta de los herbicidas a los cambios del suelo.

El rendimiento del herbicida generalmente tiende a disminuir a medida que aumenta la densidad de malezas. Por lo tanto, el manejo de malezas podría hacerse más eficiente ajustando la tasa de herbicidas de acuerdo con los cambios en las poblaciones de malezas. El costo de recopilar los datos necesarios para mapear con precisión las poblaciones de malezas es un problema importante en este momento. En la mayoría de las situaciones, los métodos tradicionales utilizados para detectar plagas en los cultivos no permiten el desarrollo de mapas de malezas con suficiente detalle para basar los ajustes de la dosis de herbicida. La investigación actual está investigando el potencial del uso de sensores remotos para mapear poblaciones de malezas, reduciendo así el costo de recopilar esta información.

Si bien el efecto del tipo de suelo y la población de malezas en el desempeño de los herbicidas está bien documentado, también se sabe que las condiciones ambientales influyen fuertemente en el desempeño. Comprender la contribución relativa de estos tres factores es importante para determinar los beneficios potenciales de VRA. En estudios de ISU a finales de la década de 1980, la tasa de Dual necesaria para el control del 80% de la hierba de la taza varió de menos de 2 pts / A a más de 10 pts / A durante 6 años de investigación. Esta investigación se realizó en el mismo campo con poblaciones de cupgrass uniformemente altas, por lo que las diferencias en el medio ambiente fueron en gran parte responsables de la amplia gama de eficacia dual. Si el medio ambiente tiene una mayor influencia en la actividad herbicida que el tipo de suelo o la población de malezas, entonces puede haber poco beneficio económico, si es que hay alguno, para VRA.

Otra oportunidad para el manejo de malezas en un sitio específico es el uso de aplicaciones intermitentes. Debido a la naturaleza irregular de las poblaciones de malezas, muchos campos pueden tener grandes áreas libres de malezas. Las aplicaciones intermitentes permitirían al administrador rociar solo aquellas áreas del campo que están realmente infestadas. Se han utilizado dos enfoques para controlar los pulverizadores para aplicaciones intermitentes, mapas históricos de distribución espacial o el uso de sensores en tiempo real para detectar la presencia de malezas a medida que el pulverizador se mueve por el campo.

El uso de mapas históricos para dirigir la aplicación intermitente está limitado por el costo de obtener mapas precisos de la distribución de malezas dentro de los campos. El potencial de beneficio económico de este enfoque aumenta a medida que aumenta el porcentaje del campo libre de malezas. Investigadores de la Universidad de Nebraska mapearon intensivamente las malezas en una sección de 10 acres de un campo. Encontraron que el 59, 40 y 34% del área de muestreo no estaba infestada por girasol común, velvetleaf y cola de zorra, respectivamente. Aunque había grandes áreas del campo no infestadas por las especies individuales, cuando se superpusieron los mapas de las diferentes especies, había muy poca área libre de malezas en el campo. En esta situación, no habría ningún beneficio de la aplicación intermitente si el tratamiento que se estaba aplicando fuera un tratamiento de amplio espectro dirigido a las tres especies.

Los rociadores inteligentes utilizan sensores para detectar la presencia de malezas. Los sensores están conectados al pulverizador a través de una computadora y encienden y apagan el brazo o la boquilla dependiendo de si hay malezas o no. Se han comercializado rociadores inteligentes para su uso en terrenos en barbecho, donde pueden distinguir entre el suelo desnudo y el follaje de las plantas; sin embargo, los aspersores que pueden distinguir entre cultivos y malezas aún se encuentran en la etapa experimental. La ventaja obvia de esta tecnología es que elimina la necesidad de una exploración detallada y un mapeo de las poblaciones de malezas. Una aplicación lógica para estos rociadores sería para tácticas de control suplementarias dirigidas a las malezas que escapan a las tácticas de control primarias. Sin embargo, el bajo nivel de umbral para las malezas puede limitar el potencial de esta tecnología en el maíz y la soja. Existe una alta probabilidad de que el sensor no detecte las malezas que crecen bajo el dosel del cultivo y, por lo tanto, escapen al control. Estas malezas pueden ser las más competitivas con el cultivo debido a su proximidad a la hilera de cultivos.

Resumen
La naturaleza agregada de las poblaciones de malezas está bien documentada y nuestra comprensión de los factores que conducen al desarrollo de parches de malezas está aumentando. El objetivo de estudiar la estructura de las poblaciones de malezas es mejorar los sistemas de manejo de malezas. A corto plazo, el conocimiento sobre la variación espacial en suelos y malezas puede proporcionar beneficios en el área de aplicación de herbicidas de tasa variable. Si bien la influencia de los suelos y las poblaciones de malezas en el desempeño de los herbicidas se conoce desde hace mucho tiempo, la contribución relativa de estos factores en comparación con la influencia de las condiciones ambientales es poco conocida. Se requiere investigación adicional para determinar si el costo adicional de la aplicación de dosis variable está justificado considerando la gran influencia que tiene el clima en el desempeño del herbicida.

A largo plazo, la investigación actual sobre poblaciones espaciales de malezas puede proporcionar una mejor comprensión de las características del suelo que favorecen el desarrollo de parches de malezas. Esta información puede conducir a nuevos métodos de manipulación del suelo para crear un ambiente menos favorable para las especies de malezas. Si bien es poco probable que estas tácticas sean tan efectivas como la tecnología actual de herbicidas, podrían emplearse para mejorar la actividad de otras estrategias de control (herbicidas, cultivo, etc.).

Leer más

Big data se refiere a la “generación de enormes cantidades de datos debido a las nuevas tecnologías de medición, recolección y almacenamiento” 1 que se acumulan en cantidades tan grandes que son imposibles de evaluar utilizando técnicas de análisis convencionales.

Se cita cada vez más como uno de los principales impulsores del desarrollo agrícola en el contexto de la mejora del rendimiento y la gestión de costos. La conectividad de datos ha demostrado constantemente su valor clave al permitir a los agricultores obtener el máximo valor de los insumos de manera que optimicen el uso de recursos escasos y mejoren la productividad agrícola para satisfacer una demanda mundial de alimentos en constante aumento. Este documento técnico describe los principales impulsores de los macrodatos agrícolas hasta la fecha, cómo es probable que evolucionen y las posibles implicaciones para los proveedores de protección de cultivos.

Principales impulsores del big data en la agricultura

Agricultura de precisión : definida como “ un sistema de gestión que se basa en información y tecnología, es específico del sitio y utiliza una o más de las siguientes fuentes de datos: suelos, cultivos, nutrientes, plagas, humedad o rendimiento, para una óptima rentabilidad, sostenibilidad, y protección del medio ambiente ” 2 . Habiendo surgido hace unos 20 años, hoy en día con frecuencia produce elementos de datos clave necesarios para aplicaciones de big data, lo que lo convierte en un motor importante. Un aspecto clave de la agricultura de precisión es que implementa tecnología de tasa variable y datos en tiempo real para adaptarse a las condiciones de cultivo dentro de un campo para optimizar el uso de insumos y los productos asociados. Algunos expertos creen que las aplicaciones de tarifa variable serán tan comunes como lo han sido las aplicaciones de tarifa plana 3, y por lo tanto, la agricultura de precisión seguirá siendo un motor importante del crecimiento futuro de big data en la agricultura.

Sensores : abarca tanto la detección remota (por ejemplo, tecnología satelital, vehículos aéreos no tripulados / drones, etc.) como sensores en el campo que monitorean cualquier cosa, desde aplicaciones de semillas hasta rendimiento. Los sensores a menudo se consideran los componentes básicos de los sistemas de agricultura de precisión y un medio clave para recopilar los grandes volúmenes de información que se utilizan en el análisis de big data. Según un documento técnico de DigitalGlobe 4 , los avances tecnológicos en la teledetección junto con los avances en TI, computación en la nube, tecnología móvil, adopción generalizada de GPS y tecnologías digitales han dado como resultado “ el desarrollo de sistemas de soporte de decisiones que pueden integrar varias observaciones remotas con mediciones de campo para proporcionar inteligencia procesable en el campo ”.

Internet de las cosas : Porter y Heppelmann (2014) 5 afirman que esta frase se acuñó para reflejar el creciente número de productos inteligentes conectados y para resaltar las nuevas oportunidades que pueden representar. También afirman que las matrices de tipos de equipos agrícolas están cada vez más interconectadas y vinculadas con fuentes de datos externas para facilitar la optimización de los equipos agrícolas. John Deere y AGCO, por ejemplo, no solo están conectando la maquinaria agrícola, sino también el riego, el suelo y las fuentes de nutrientes con datos sobre el clima, los precios de los cultivos y los futuros de los productos básicos para optimizar el rendimiento de la granja. Los límites de la industria se están redefiniendo y la fabricación de tractores, por ejemplo, se ha expandido a la optimización de equipos agrícolas.

Uso de teléfonos inteligentes : según el New York Times 6 , la consumerización de la TI está “trasladando software que alguna vez fue caro a teléfonos inteligentes que pueden conectarse a sistemas en la nube más baratos. El costo cada vez menor de los semiconductores está haciendo que la tecnología una vez exótica sea un lugar común en muchos equipos agrícolas ” . Basado en una encuesta de Syngenta de 2014 7, se estima que el 64% de los agricultores del Reino Unido utilizan un teléfono inteligente. Esto, junto con la amplia gama de aplicaciones agrícolas disponibles, significa que los teléfonos inteligentes sirven como una plataforma crítica para proporcionar soluciones de big data a los agricultores, al mismo tiempo que son una fuente importante de la que se pueden obtener conocimientos de big data. Por ejemplo, los proveedores agrícolas podrían utilizar datos basados ​​en máquinas sobre plantaciones de semillas en campos individuales combinados con datos meteorológicos y de enfermedades para notificar a los agricultores sobre las amenazas pendientes y proponer estrategias de mitigación. El uso de teléfonos inteligentes seguirá ejerciendo una gran influencia en el uso de big data en la agricultura tanto en las economías desarrolladas como en las emergentes en los próximos años.

Computación en la nube : de acuerdo con Intel 8 , las organizaciones deberían “ considerar la computación en la nube como la estructura para respaldar sus proyectos de big data”Porque ofrece una forma rentable de admitir tecnologías de big data y aplicaciones de análisis avanzado que pueden impulsar el valor comercial. También afirma que el interés en aplicar análisis de big data a partir de sensores y sistemas inteligentes aumenta continuamente a medida que las empresas buscan obtener información más rápida y rica de manera más rentable que en el pasado. Tener la capacidad de lidiar con los cada vez más grandes volúmenes de datos mientras genera información procesable en tiempo real que se puede difundir en toda la organización es un desafío importante para la mayoría de las empresas agrícolas que necesitan continuar enfocándose en sus propuestas de valor centrales. Muchas de estas empresas requerirán soporte en términos de plataformas o soluciones analíticas como la nueva plataforma Agility lanzada por Proagrica.

Implicaciones para los proveedores agrícolas

Los avances detallados anteriormente se han combinado en los últimos años para generar cambios transformadores en la industria y, sin duda, desempeñarán un papel cada vez más importante para todas las empresas agrícolas en los próximos años. La captura de datos se ha convertido rápidamente en la norma, y ​​la tecnología de menor costo ayuda a contribuir a la proliferación de datos agrícolas. Esto significa que, además del volumen de datos, la velocidad (es decir, las tasas a las que se recopilan los datos) y la variedad de datos (p. Ej., El número de fuentes de datos como genómica de plantas, datos de maquinaria, etc.) también se expandirán exponencialmente. Para los proveedores agrícolas, hay varias implicaciones que incluyen:

Las plataformas de Business Intelligence (BI) deberán ser ágiles y fáciles de usar : la investigación de Gartner 9 sugiere que las plataformas de BI deberán » respaldar las necesidades de la organización para una mayor accesibilidad, agilidad y conocimiento analítico de una amplia gama de fuentes de datos».”. Esto, junto con las presiones adicionales de la escasez de recursos, así como la necesidad de alimentar a una población mundial en crecimiento, significa que será imperativo que los proveedores agrícolas tengan acceso y la capacidad de procesar los conocimientos en tiempo real disponibles a partir de big data. . La agilidad es un gran ejemplo de cómo las organizaciones pueden aprovechar los datos más grandes, amplios y precisos de la industria para transformar la forma en que se acercan al mercado y adaptar las ofertas de productos a los productores y clientes durante la temporada. Tradicionalmente, los proveedores han tenido que confiar en encuestas cuyos resultados generalmente no están disponibles hasta el final de la temporada de crecimiento para analizar el mercado e introducir cambios para la próxima temporada, momento en el cual la dinámica del mercado podría haber cambiado sustancialmente.

Aparición de nuevas amenazas competitivas : un artículo 10 reciente de Harvard Business Review señala que la disrupción basada en datos tiene el potencial de revisar el entorno competitivo de una industria vertical y cita ejemplos como los teléfonos inteligentes y Uber. Pueden surgir amenazas similares en la agricultura y es fundamental que los proveedores identifiquen la aparición de nuevos competidores en una etapa temprana para que puedan adaptar sus estrategias en consecuencia.

Se requieren más datos basados ​​en evidencia para corroborar las afirmaciones de los productos : los agricultores y los asesores tienen cada vez más acceso a sistemas avanzados de apoyo a las decisiones y estarán mejor posicionados para examinar si las afirmaciones que hacen los proveedores agrícolas representan una propuesta de valor convincente para sus circunstancias específicas. A medida que los agricultores esperan esta evidencia de sus proveedores, además de tener acceso a datos de tendencias relevantes y de alta calidad, las empresas pueden aplicar los conocimientos derivados de plataformas como Agility para facilitar una mayor participación de los agricultores en las estrategias seleccionadas para su finca específica.

Big Data representa un potencial emocionante para las empresas en la cadena de suministro agrícola, pero en sí mismo sigue siendo solo eso: potencial. Las diferentes funciones enumeradas pueden servir para beneficiar a las empresas cuando se implementan correctamente, pero es cuando las empresas de la cadena de suministro realmente integran sus sistemas, cuando la cadena de suministro se acerca al 100% de conectividad, todas las empresas pueden prosperar y obtener ganancias, al igual que el consumidor y de hecho, todo el sector agrícola.

Referencias :

Leer más

La agricultura de precisión es un enfoque cuantificado del cultivo que emplea sensores, modulación de entrada y análisis de datos para mejorar la eficiencia de la agricultura y aumentar el rendimiento de los cultivos. Si bien las herramientas individuales no suelen ser rentables y, a menudo, no son relevantes para las pequeñas granjas, la combinación de estas tecnologías en soluciones integradas para grandes granjas conduce a ganancias (ahorros de costos más aumentos de ingresos) de hasta $ 66.50 por acre para el trigo de invierno de EE. UU., Según Lux Research .

En el estudio de Lux Research, el mejor escenario asumió sensores de humedad del suelo de transmisión inalámbrica, combinados con el servicio de pronóstico del tiempo y el apoyo de decisiones integrado en granjas de 5,000 acres. Mientras que los ahorros en costos de insumos promediaron $ 24.5 por acre, las ganancias de producción fueron de $ 42.0 por acre.

«La clave para una agricultura de precisión eficaz es el apoyo legítimo a las decisiones, cerrando el ciclo de las mediciones, mediante el registro y el análisis, para vincular sin problemas las condiciones en la granja con consejos prácticos», dijo Sara Olson, analista de investigación de Lux y autora principal del informe titulado , » Cada entrada es una oportunidad: cómo la agricultura de precisión está redefiniendo el negocio del cultivo «.

Los analistas de Lux Research evaluaron el potencial de las tecnologías de agricultura de precisión y las oportunidades para aquellos que buscan hacer un juego en este campo. Entre sus hallazgos:

Las ofertas holísticas impulsarán la adopción. Los desarrolladores con tecnologías como sensores o drones no ofrecen soluciones completas, lo que crea una oportunidad para un integrador que puede combinar mediciones de entrada y salida con análisis de datos, predicción y verdadero apoyo a las decisiones.

Los mercados emergentes son diferentes. En países en desarrollo como India, los enfoques de agricultura de precisión de alta intensidad y alto capital adoptados por los agricultores de mercados desarrollados no funcionarán. Sin embargo, una sólida infraestructura de telefonía móvil y dispositivos económicos como niveladores láser y tensiómetros (sensores de humedad) pueden combinarse para crear una atractiva propuesta de valor de agricultura de precisión.

Las empresas de semillas están desempeñando un papel importante. Los acuerdos recientes en el espacio, como la adquisición de Climate Corporation por parte de Monsanto, demuestran que las empresas de semillas se están enfocando en el sector de la agricultura de precisión. Dado lo críticos que serán el conocimiento de cultivos y los algoritmos específicos de cultivos para el éxito en este campo, las empresas de semillas están bien posicionadas para desempeñar un papel más importante.

El informe, titulado “Cada entrada es una oportunidad: cómo la agricultura de precisión está redefiniendo el negocio del cultivo”, es parte del servicio Lux Research Agro Innovation Intelligence .

Leer más

Durante las últimas décadas, a medida que las máquinas agrícolas más grandes y más rápidas han brindado la capacidad de administrar granjas en constante expansión, los agricultores en su mayor parte han seguido tratando a los grandes campos como elementos uniformes. Sin embargo, las actitudes han ido cambiando en los últimos años. y un nuevo método de agricultura llamado agricultura de precisión está emergiendo rápidamente. Basado en lo que se llaman métodos «específicos del sitio», la agricultura de precisión implica el estudio y manejo de variaciones dentro de los campos que pueden afectar el rendimiento de los cultivos. Gira en torno a la idea de que el tratamiento de una gran región ya que un área uniforme es esencialmente un desperdicio y utiliza un exceso de recursos costosos en forma de fertilizantes, pesticidas y herbicidas. Cualquier área tan grande como un campo puede contener amplias variaciones espaciales en los tipos de suelo, disponibilidad de nutrientes y otros factores importantes;no tener en cuenta estas variaciones puede resultar en una pérdida de productividad. Si bien los costos de los insumos agrícolas continúan aumentando, los agricultores individuales no pueden hacer nada para aumentar el precio de sus cultivos debido a la naturaleza del mercado de productos básicos.La agricultura de precisión es un método de cultivo gestión que permite al agricultor producir de manera más eficiente, obteniendo así ganancias a través del uso económico de los recursos.Un efecto importante de la agricultura de precisión es el alto beneficio ambiental de usar tratamientos químicos solo donde y cuando son necesarios.Esta promoción de la administración ambiental es una clave componente de las nuevas actitudes en la agricultura.Los agricultores individuales no pueden hacer nada para aumentar el precio de sus cultivos debido a la naturaleza del mercado de productos básicos La agricultura de precisión es un método de gestión agrícola que permite al agricultor producir de manera más eficiente, obteniendo así ganancias mediante el uso económico de los recursos. de la agricultura de precisión es el alto beneficio ambiental de usar tratamientos químicos solo donde y cuando son necesarios. Esta promoción de la administración ambiental es un componente clave de las nuevas actitudes en la agricultura.Los agricultores individuales no pueden hacer nada para aumentar el precio de sus cultivos debido a la naturaleza del mercado de productos básicos La agricultura de precisión es un método de gestión agrícola que permite al agricultor producir de manera más eficiente, obteniendo así ganancias mediante el uso económico de los recursos. de la agricultura de precisión es el alto beneficio ambiental de usar tratamientos químicos solo donde y cuando son necesarios. Esta promoción de la administración ambiental es un componente clave de las nuevas actitudes en la agricultura.Esta promoción de la administración ambiental es un componente clave de las nuevas actitudes en la agricultura.Esta promoción de la administración ambiental es un componente clave de las nuevas actitudes en la agricultura.
«Específico del sitio»: ¿qué significa?

El sitio específico es un término que se refiere a tratar el área más pequeña posible como un solo elemento. Por ejemplo, en lugar de tratar un campo completo con herbicida debido a unas pocas infestaciones de malezas aisladas, el manejo específico del sitio requiere el tratamiento de solo esas áreas. Un sitio es simplemente la unidad más pequeña que el agricultor puede manejar con las herramientas disponibles, ya sea un área de 100 pies cuadrados o una planta individual. El tratamiento de cada sitio es específico para las necesidades de cada sitio, según lo determinado por los datos de pruebas de suelo y informes de exploración de cultivos.La implementación del GPS ha permitido a los agricultores mapear con precisión sus campos y reducir el tamaño de su sitio a un área de solo unos pocos metros.Con las capacidades informáticas actuales, un campo podría dividirse en una cuadrícula de cientos de áreas manejables por separado unidades Sin embargo,Dependiendo del tamaño del campo y las consideraciones del presupuesto de prueba, los cuadrados de cuadrícula de un acre o dos son comunes en estos días.

La revista Directions es presentada por lo siguiente …
Mapa
¿Eres un cazador de imágenes?
Si está buscando un único sitio para buscar más de 35 fuentes de imágenes satelitales de alta y media resolución, no busque más, ¡Image Hunter es su solución! Busque y obtenga una vista previa de las imágenes de una base de datos en constante crecimiento con datos en resoluciones que van desde 30 cm a 22 m. Una vez que encuentre las imágenes perfectas para su proyecto, envíe su solicitud de cotización y un representante de Apollo Mapping se comunicará con usted en breve. Es fácil 🙂

EMPEZAR

Pasos en el proceso de agricultura de precisión

La agricultura de precisión es un proceso cíclico, por supuesto, pero un agricultor puede comenzar con la agricultura en un sitio específico en casi cualquier época del año.En general, los agricultores deben realizar la planificación anual, la recopilación de datos y los pasos de análisis para completar la agricultura de precisión. ciclo.

Antes de plantar: realice pruebas de suelo, luego análisis de datos para determinar variaciones espaciales en las condiciones del suelo que requieren una variedad de tratamientos o métodos de plantación.
En la temporada de crecimiento: comience sembrando con tasas de siembra variables en todo el campo y use la aplicación de dosis variable (VRA) de fertilizantes según lo determinen los datos de las pruebas del suelo. La exploración de cultivos se realiza para buscar problemas como malezas, plagas o enfermedades. Los hallazgos determinan si se justifican más VRA de tratamientos químicos u otras acciones.
Durante la cosecha: a medida que se cosecha el cultivo, un monitor de rendimiento en los registros de la cosechadora registra datos de rendimiento georreferenciados para analizarlos y mapearlos en todo el campo.Los resultados de rendimiento variable en todo el campo pueden ayudar al agricultor a descubrir si sus métodos de gestión han tenido éxito. y determinar cómo proceder en la próxima temporada.
Herramientas y métodos en la agricultura moderna
Pruebas de laboratorio

El agricultor de hoy depende de fuentes externas para obtener cierta información, como los datos del suelo. Los laboratorios de pruebas pueden realizar análisis del suelo para detectar nitrógeno, fósforo, potasio y otros nutrientes. Hay varios métodos de selección de puntos de muestreo disponibles para el agricultor, y una cuadrícula de muestreo puede El punto principal es que si se toman más muestras en un campo, los datos serán más específicos del sitio. Esto proporciona una base inicial de información para desarrollar planes de VRA.

Plantación: cómo y qué

En la agricultura de precisión, los cultivos se plantan a tasas variables según se determina a partir del conocimiento previo sobre las condiciones del campo y los datos de las pruebas del suelo. El equipo de siembra actual puede programarse para producir tasas de siembra variables; Los cambios de tasa los determina y programa el agricultor. Lo que se siembra también es de importancia crítica, y la explosión en el desarrollo de cultivos mejorados genéticamente ofrece a los agricultores una ventaja impresionante al elegir variedades resistentes y de alto rendimiento.

Exploración de cultivos

A medida que los cultivos crecen, las observaciones deben documentarse cuidadosamente sobre cualquier problema que se desarrolle en el campo.Aunque la exploración de cultivos no es nada nuevo, los exploradores de cultivos de hoy pueden ingresar sus observaciones en un SIG, vinculado a la ubicación precisa del problema a través de datos de GPS y la información puede analizarse en comparación con otros datos del SIG.

Tradicionalmente, las personas con conocimientos capaces de identificar numerosos problemas han realizado la exploración de cultivos. Entre las herramientas de campo de los exploradores de cultivos modernos se encuentran el receptor GPS y una computadora portátil. Con la llegada del mapeo de video, cualquier persona no capacitada puede registrar las condiciones del campo para ser revisadas por expertos más tarde. .Otros métodos para identificar problemas en un campo incluyen la teledetección aérea o satelital. Actualmente, estos métodos pueden tener un costo prohibitivo y tener un alto tiempo de respuesta. Son necesarias mejoras en la disponibilidad de datos satelitales, pero eventualmente esta puede ser una fuente de uso común información.

Aplicación de productos químicos de tasa variable

VRT (tecnología de dosis variable) y VRA (aplicación de dosis variable) se refieren al desarrollo de pulverizadores automáticos de dosis variable, que son una herramienta extremadamente importante en la agricultura de precisión, donde la práctica de aplicación de productos químicos en todo el campo ha sido reemplazada por aplicaciones específicas del sitio tratamientos, los rociadores capaces de aplicaciones de tasa variable son esenciales. Estas máquinas están programadas para entregar con precisión la cantidad correcta de productos químicos necesarios en un campo, después de la entrada de la exploración de cultivos y el análisis de la variabilidad de las condiciones del campo. Este elemento en el sistema agrícola de precisión es muy importante responsable de reducir el costo de los insumos y disminuir el impacto ambiental, mediante la aplicación automatizada de la menor cantidad de productos químicos necesarios.

Monitores de rendimiento

La revista Directions es presentada por lo siguiente …
estudiante graduado
Penn State lanza un nuevo título en ciencia de datos espaciales
Los productos de mapeo estándar de hoy en día no pueden satisfacer todas las necesidades. Las empresas ahora buscan expertos en ciencia de datos espaciales que puedan diseñar y crear nuevas soluciones de mapas para resolver problemas críticos en el mundo. En respuesta, Penn State ha presentado una Maestría en Ciencia de Datos Espaciales completamente en línea para brindar a los profesionales geoespaciales las habilidades para trabajar a la vanguardia de la industria. Los estudiantes tomarán cursos en línea en programación, informática y ciencia de datos espaciales. Haz avanzar tu carrera.

DESCARGAR INFORMACIÓN

El monitoreo del rendimiento es probablemente la piedra angular más importante de la agricultura de precisión. El método tradicional de monitoreo del rendimiento mediante el pesaje de lotes de cultivos cosechados está dando paso al método de agricultura de precisión de monitoreo instantáneo del rendimiento. flujo durante la cosecha y la velocidad de la cosechadora. Estos datos, combinados con la ubicación GPS para cada punto de datos, permiten la creación de un mapa de rendimiento dentro de un SIG. El mapa de rendimiento es una herramienta visual que los agricultores y consultores de cultivos pueden comparar con mapas de datos de análisis de suelo, mapas de aplicación de productos químicos y otra información, lo que resulta en una recomendación para el plan de manejo específico del sitio del próximo año.un mapa de rendimiento muestra evidencia de las relaciones entre el rendimiento del cultivo y las variables de condición del campo.

Leer más

La adopción de técnicas de agricultura de precisión permite un ahorro considerable en el consumo de insumos y energía orientados a la optimización de la producción y calidad de los cultivos. El manejo del agua de riego es, sin duda, un buen ejemplo de los beneficios de las técnicas de agricultura de precisión. Los ejes de la aplicación de la agricultura de precisión en el riego se basan en entregar la cantidad de agua justa en el momento correcto y de la manera indicada, siendo el objetivo determinar cuánto, cuándo y cómo regar.

Carlos Zúñiga, Ingeniero Agrónomo Ph.D. Doctorado en Ingeniería Agrícola y Biológica, Universidad del Estado de Washington. INIA La Cruz.

Carlos Zuñiga, Ingeniero Agrónomo, Ph.D. INIA La Cruz

El uso de sensores, no solo en el riego sino en todas las etapas productivas, es fundamental para obtener las respuestas a estas preguntas de manera precisa y temporalmente adecuada. Además de los ya conocidos sensores de humedad de suelo, los avances en electrónica han permitido, en el último tiempo, la creación de nuevos sensores ópticos que pueden detectar, a través de imágenes, energía reflejada o emitida por los cuerpos. Energía que es invisible a nuestros ojos y que puede dar importante información sobre las necesidades hídricas y el estado nutricional y sanitario de los cultivos. Además, la posibilidad de acoplar estos sensores en plataformas aéreas no tripuladas permite abarcar grandes superficies de terreno en una sola captura de datos y a una alta frecuencia, dando la oportunidad de dimensionar la variabilidad espacial del terreno y con alta resolución temporal.

El principio de estos sensores ópticos está basado en la interacción entre los cuerpos y la luz que estos emiten o reflejan. Una pequeña parte de esa luz es visible, el resto es imperceptible a nuestros ojos. Sin embargo esa parte invisible contiene información de gran utilidad sobre el estado de un cultivo. Una parte de la radiación no visible es la radiación infrarroja, dimensionar esta radiación, mediante sensores especialmente diseñados, es una poderosa herramienta para determinar el estado hídrico, sanitario y de desarrollo de las plantas. En el presente artículo se presentarán tres sensores que se basan en la detección de radiación infrarroja que pueden ser de gran ayuda en el manejo agronómico de los cultivos, se discutirá acerca de las plataformas que pueden portar estos sensores y cuáles son los desafíos futuros en el análisis de la información obtenida.

FIgura 1: Imagen termal captada desde un dron (a) y relación entre temperatura de la canopia y la conductancia estomática (b)

FIgura 2: Imagen RGB (a) e imagen termal (b) captada desde una plataforma terrestre móvil

FIgura 3: Espectroradiómetro (a) e imagen multiespectral tomada desde un dron en uva vinífera (b).

SENSORES TERMALES INFRARROJOS
El estrés hídrico en las plantas, detectado por las raíces, produce una respuesta hormonal que provoca el cierre de los estomas disminuyendo la transpiración. Este cambio fisiológico, reducción de la transpiración, disminuye la energía disipada por la planta, lo que se traduce en un aumento de la temperatura de las hojas. En otras palabras, una planta bajo estrés hídrico tendrá una temperatura foliar más alta que aquellas sin estrés. En el último tiempo el desarrollo de la termografía infrarroja ha permitido disponer, a un costo asequible, de las herramientas necesarias para detectar diferencias en temperatura con alta precisión y resolución, las llamadas cámaras termales (Figura 1a). Estas cámaras determinan la temperatura de los cuerpos a través de la radiación infrarroja que estos emiten. Por lo tanto, aprovechando la relación entre el cierre de estomas y el aumento de la temperatura foliar podemos diferenciar plantas estresadas de plantas no estresadas. Esta relación ha sido ampliamente documentada. Por ejemplo, en estudios realizados por el autor, en Washington State University, en uva vinífera, se sometió un cuartel de Cabernet Sauvignon a cuatro regímenes hídricos, un control sin limitaciones hídricas (100%) y tres tratamientos que recibieron 60, 30 y 15% del control. A estos tratamientos se les midió la conductancia estomática (medida del nivel de cierre de estomas) con un porómetro, al mismo tiempo que se tomaban imágenes termales aéreas con un dron.

Los resultados indicaron una relación inversa entre las lecturas de conductancia estomática y la temperatura de la canopia (Figura 1b). Comprobando que la temperatura de las plantas aumenta cuando están más estresadas. El sistema fue preciso además en determinar la diferencia entre las plantas control y las que sufrieron estrés. También la técnica se probó instalando una cámara termal en un pequeño tractor tomando imágenes individuales de las plantas. Los resultados fueron los mismos, sin embargo, el uso de imágenes individuales requiere tener una referencia termal para comparar datos obtenidos con diferencia temporal (Figura 2).

SENSORES MULTIESPECTRALES E HIPERESPECTRALES
La información contenida en la radiación infrarroja cercana reflejada por las plantas y su relación con la energía reflejada en el verde y el rojo está asociada a la cantidad de clorofila presente en las hojas. Por lo tanto, déficit nutricionales, enfermedades o el desarrollo del cultivo pueden ser dimensionados a través del análisis de la radiación reflejada en esta banda (800 a 2500 nm). Se han desarrollado múltiples sensores que pueden obtener esta información. Las cámaras digitales convencionales pueden detectar radiación roja, verde y azul (también conocida como RGB por sus siglas en inglés), pero se pueden modificar sus filtros para detectar radiación infrarroja cercana (800 – 900 nm Figura 3b). Existen otro tipo de sensores que pueden medir un espectro más amplio de radiación reflejada (entre 450 y 2500 nm), que aportan mayor información acerca del estado de los cultivos, los espectroradiómetros y cámaras hiperespectrales (Figura 3a). Estas últimas, obtienen una imagen de los objetos en cada una de las bandas que la cámara posea.

Un aspecto importante a considerar en cualquier recopilación de información con estos sensores, es la luz incidente al momento de la toma de datos. Para poder hacer comparables las mediciones se debe recurrir a la calibración de las imágenes respecto de una referencia o la determinación de índices de vegetación respecto a un estándar. De cualquier modo, el correcto uso de estos equipos permite obtener información relevante acerca de los cultivos antes que nuestra vista los pueda detectar, de esta manera se pueden tomar decisiones de manejo con anticipación a la ocurrencia de deficiencias nutricionales o daño por enfermedades en un nivel severo.

IMÁGENES TRIDIMENSIONALES PARA DETERMINAR VARIABILIDAD ESPACIAL
El manejo del agua y los nutrientes tiene una incidencia importante en el desarrollo de los cultivos. En uva vinífera el vigor o desarrollo de las plantas es un parámetro importante para determinar el nivel de estrés al que están sometidas. Las cámaras tridimensionales son una alternativa que puede ayudar a determinar el volumen, la forma, la altura, la biomasa y otros parámetros estructurales de los cultivos con alta resolución espacial y temporal. Estos sensores basan su funcionamiento en el tiempo que demora en retornar a la cámara una señal enviada al objeto. Equipos que usan este método son sensores ultrasónicos, cámaras tridimensionales y 2D y 3D LiDAR (Light detector and ranging). Los sensores ultrasónicos son poco precisos en terreno para determinar el volumen de las plantas. Sin embargo, cámaras tridimensionales y 2D y 3D LiDAR han sido utilizadas en terreno para fenotipeo de plantas y determinación de volumen. Sus limitaciones son el costo de los equipos y la complejidad en el análisis de la información. Sin embargo, es posible instalar estos equipos en drones o plataformas terrestres móviles como pequeños tractores que pueden escanear campos completos obteniendo toda la variabilidad espacial y a una alta resolución (Figura 4).

Investigaciones realizadas en Washington State University, en uva vinífera, por el Dr. Lav Khot, la Dra. Sindhuja Sankaran y el autor, permitieron correlacionar el volumen de las plantas, obtenido con una cámara tridimensional, con el estrés hídrico al que fueron sometidas. Es necesario tener en consideración la radiación incidente y la velocidad de la plataforma al momento de la captura de datos. Sin embargo, la información recopilada por estos equipos puede ser de gran ayuda en el manejo de la poda, el monitoreo del desarrollo o el manejo del estrés hídrico controlado en uva vinífera.

FIgura 4: Sensor 3D LiDAR en una plataforma móvil terrestre (a) e imagen tridimensional de uva vinífera (b).

Cuadro 1. ventajas y desventajas de las plataformas más utilizadas.

DRONES PERMITEN ALTA RESOLUCIÓN ESPACIAL Y MAYOR FRECUENCIA TEMPORAL
Como se dijo anteriormente, la interacción entre los tejidos vegetales y el espectro luminoso permite el uso de diferentes sensores para medir el crecimiento o desarrollo de los cultivos. Sin embargo, la elección de la plataforma que porte los sensores es fundamental ya que definirá la resolución espacial y temporal de las lecturas. Existen diferentes plataformas en las que estos sensores se pueden ubicar: satélites, plataformas móviles en terreno y vehículos aéreos no tripulados o drones (UAV por su sigla en inglés). Respecto a estos últimos, el uso de drones permite una alta resolución espacial y una mayor frecuencia temporal de los datos obtenidos en comparación a imágenes satelitales o plataformas móviles en terreno. Existen diversos tipos de drones, siendo los rotocópteros y fixed wing (pequeños aviones) los más utilizados. Cada uno tiene ventajas y desventajas que se deben considerar al momento de definir cuál usar. En el cuadro 1 se pueden apreciar ventajas y desventajas de cada una de las plataformas más utilizadas.

ANÁLISIS Y PROCESAMIENTO DE LA INFORMACIÓN
Tal vez una de las etapas más importante en el uso de sensores o teledetección es el procesamiento y análisis de la información obtenida en el campo. Esta etapa requiere del uso de técnicas especiales de procesamiento de imágenes como uso de filtros, normalización, pegado de imágenes, selección de regiones de interés, etc. Esta etapa debe ser desarrollada por personal especializado en procesamiento de imágenes, además se requiere del uso de softwares diseñados para este fin. Sin embargo, existen hoy en día empresas que ofrecen el servicio de recopilación de información además de su procesamiento y análisis. Esta alternativa pone a disposición de los productores y profesionales del agro valiosa información que permite mejorar la gestión y productividad de los recursos de los sistemas agrícolas.

UNA REVOLUCIÓN TECNOLÓGICA QUE AVANZA A GRAN VELOCIDAD
El uso de sensores como los presentados y el desarrollo del internet de las cosas (equipos y sistemas que se pueden manejar a través de internet) va a ir llevando a la agricultura moderna a un aumento de los datos disponibles en los distintos procesos productivos y a una velocidad tan alta que requerirá de algoritmos especiales para su análisis, esto es conocido como Big Data. Su implementación permitirá el manejo de nuestros campos considerando no solo la evaluación de eventos particulares sino la determinación de los efectos de eventos inesperados (plagas, enfermedades, deficiencias nutricionales, estrés hídrico, eventos ambientales) en el sistema productivo completo. El monitoreo de los procesos (riego, nutrición, poda, sanidad) a través de sensores como los presentados en este artículo, determinará el desempeño del sistema. Luego a través de un proceso de análisis automatizado se determinarán eventos fuera de lo esperado y la manera de corregirlos. La utilización de todo tipo de sensores nos indica que ya estamos viviendo esta revolución tecnológica que busca, dentro de otras cosas, mejoras en la gestión y en la productividad de los sistemas agrícolas, la optimización del uso de insumos y la sustentabilidad del sistema agrícola. Es importante ir a la vanguardia de esta revolución tecnológica que avanza a gran velocidad.

Leer más

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

Los artículos anteriores de nuestra serie Comprensión de la agricultura de precisión se han centrado en las piezas principales (recopilación de datos, creación de zonas de gestión y mapeo de prescripciones) que forman la base de un enfoque exitoso de agricultura de precisión.

Foto 1. Equipo de precisión en uso en la finca de Zac Cohoon
Foto 1. Equipo de precisión en uso en la finca de Zac Cohoon

Este mes, hablamos con tres productores que han estado involucrados en el proyecto Precision Agriculture Advancement for Ontario (PAAO) para conocer sus experiencias, desafíos y éxitos.

Zac Cohoon cultiva al norte de Port Perry, Ontario, donde cultiva maíz, avena, soja y heno. Para Cohoon, los dos factores impulsores que lo llevaron a invertir en la agricultura de precisión fueron el trabajo y la eficiencia.

Señala la tecnología GPS en forma de sistemas de dirección automática RTK (cinemática en tiempo real) que han ayudado a ahorrar mano de obra, combustible y tiempo, todo mientras crean un conjunto de datos base preciso para la administración.

«Conducir una gran pieza de equipo durante un largo período de tiempo es agotador mental y físicamente, y cuando no tiene que dedicar toda su atención a conducir en línea recta o con precisión, sus datos mejorarán mucho», dice. .

Al usar un sistema RTK que traza su posición con precisión a unas pocas pulgadas, Cohoon dice que ha podido eliminar casi la superposición en su campo al plantar y rociar. Esto lo ayuda a reducir sus aportes de semillas y nutrientes, mientras recopila datos de rendimiento y elevación más precisos.

“Dado que la dirección automática es una herramienta de precisión que realmente nos funcionó y fue precisa, pudimos pasar a la gestión de precisión y recopilar datos geográficos para hacer mapas”, explica Cohoon. «Ahora, podemos observar los tipos de suelo, las elevaciones, realizar pruebas de fertilidad del suelo y superponer esa información con nuestros datos de rendimiento».

En lugar de realizar aplicaciones generales de fertilizante, Cohoon dice que su configuración de precisión ha evolucionado para poder realizar aplicaciones de fertilizantes y semillas específicas del sitio.

Donde Cohoon se ha encontrado con desafíos a veces ha sido lograr que su plataforma agrícola de precisión funcione sin problemas y sin problemas con su sistema RTK y equipos de tasa variable.

“Para mí, la conducción y la gestión de la sembradora en movimiento no es un problema, pero tan pronto como empezamos a analizar las prescripciones de campo por campo o de campos múltiples, simplemente no tienen la potencia informática para hacerlo ,» el explica.

Cohoon agrega que algunas de las plataformas que usan solo pueden manejar una receta por tarjeta SD, lo que puede resultar engorroso al administrar sus más de 30 campos. Sin embargo, espera nuevas plataformas de precisión que le permitan descargar y cargar de forma remota recetas de campo específicas en su cabina.

En cuanto a lo que hay en el horizonte, Cohoon está trabajando con su consultor para extraer la mayor cantidad de información valiosa sobre sus campos de todos los datos que salen de su equipo.

«Tenemos todos estos datos y estamos tratando de obtener buenas respuestas de ellos: qué es relevante, qué no es relevante y en qué debemos enfocarnos», dice.

Cohoon espera poder automatizar el proceso para desarrollar mapas de prescripción campo por campo para garantizar que obtenga la máxima producción al menor costo.

“La agricultura se trata de controlar los costos y poder producir de manera rentable. Para mí, esa es la medida real de la capacidad de un agricultor para leer su tierra y administrar su empresa ”, dice.

USE LO QUE TIENE

Matt Porter es consultor de equipos agrícolas de precisión con HUB International Equipment LTD., Enseña agroecología en Fleming College y cultiva maíz, soja, trigo y canola en el área de Kingston.

Porter consulta con 22 productores, incluido Cohoon, en una amplia geografía que se extiende desde Sarnia hasta Quebec.

Él dice que uno de los conceptos erróneos más comunes que escucha es que, para hacer agricultura de precisión, los productores deben hacer una gran inversión en equipos de precisión de primera línea.

Sin embargo, dependiendo de la escala o el presupuesto de la granja de ese productor, los equipos de alta gama pueden no ser la mejor ruta. Pero eso no significa que es posible que aún no tengan una configuración básica de agricultura de precisión a través del aplicador personalizado que hace su siembra, pulverización y combinación.

“He hablado con muchos tipos que ya tienen una configuración de precisión sin poseer nada, pero hay que buscar esas asociaciones”, dice Porter.

Además de tener equipos de precisión de alta gama, los aplicadores personalizados también recopilarán el rendimiento y otros datos de los campos de sus clientes productores.

“Muchos productores no preguntan o no saben que pueden solicitar sus datos de rendimiento”, explica Porter. «Pero esa es tu información y tienes derecho a ella».

Al contratar a un consultor para realizar pruebas de suelo en sus campos, Porter dice que los productores también pueden tomar puntos de referencia geográfica para las diferentes muestras de suelo y usar esa información para armar un mapa básico de suelos de su campo.

La recopilación de datos es una pieza del rompecabezas, pero para que los productores se sientan conectados y comprometidos, Porter dice que estos datos deben analizarse y presentarse de una manera que hable con el productor y su experiencia.

“Encuentro que la mayoría de los agricultores tienen esta fuerte conexión con su paisaje, y cuando se combinan los datos de cosecha y la topografía con el conocimiento de un hombre de sus campos, podemos revisar y extraer instintivamente diferentes zonas de manejo”, dice.

Pero incluso con la intuición del productor, Porter sostiene que existen varias lagunas de conocimiento importantes en Ontario, específicamente en las habilidades más avanzadas de computación, topografía de campo y visualización de datos necesarias para interpretar y trazar datos sin procesar.

«Tenemos personas en las ciudades que se especializan en áreas como la tecnología de sistemas de información geográfica, pero la agricultura no tiene esa fuerza en este momento», dice Porter. «Esa es una brecha enorme y puede ser una gran montaña para que la escalen muchos productores».

Sin embargo, lo que tiende a ser el mayor obstáculo de todos, según Porter, es construir una relación de confianza entre el consultor y el productor, especialmente cuando muchos productores están acostumbrados a tener un control total sobre todos los aspectos de sus operaciones.

“Estos productores, si quieren aprovechar todos los datos que han recopilado, tienen que aceptar lo que pueden y no pueden hacer por sí mismos y luego confiar en usted lo suficiente como para tomar la dirección”, explica. “Aquí no hay humo ni espejos, es un trabajo muy duro. Y puede ser difícil para algunas personas aceptar cuánto trabajo es poner un proyecto en marcha «.

TECNOLOGÍA COMPATIBLE

Foto 2. Calibrar su equipo ayudará a garantizar la precisión de sus datos.
Foto 2. Calibrar su equipo ayudará a garantizar la precisión de sus datos.

Para los productores que desean trabajar con un consultor y adoptar prácticas agrícolas de precisión, Porter dice que deben analizar detenidamente y decidir si pueden comprometerse con el proceso completo.

“Con precisión ag, no hay un ajuste universal. Tienes que redefinir la forma en que manejas tu operación y convertirla en un hábito ”, dice. «Te identificas y observas tus fortalezas y debilidades, planificas y actualizas».

COMPROMISO CON EL PROCESO

La primera incursión de Mark Brock en la agricultura de precisión comenzó con la instalación de un monitor de rendimiento en su cosechadora en 1999. Desde entonces, ha estado activo tratando de mejorar su configuración, probando nuevas tecnologías y expandiendo lo que se puede medir.

Brock, presidente de Grain Farmers of Ontario y director del Distrito 9 (Perth), granjas en las afueras de Staffa, Ontario, y se hizo cargo de la operación familiar de cultivos comerciales en 2012. Pero fue poco después de regresar a casa para cultivar a tiempo completo en 1997 que comenzó a examinar detenidamente los equipos agrícolas de precisión.

“Realmente comencé a ver dónde podíamos hacer algunas mejoras y cómo variaba nuestra granja en términos de producción, y realmente quería cuantificar eso”, dice Brock.

El monitor de rendimiento, explica, fue solo el comienzo. En todo caso, lo que estaban viendo solo provocó más preguntas.

“Vimos que nuestra sembradora plantaba demasiado en el promontorio o en una parte triangular del campo donde la población de semillas duplicada o la aplicación de rociado en realidad estaban causando un detrimento del rendimiento”, dice.

Como resultado, una de las principales mejoras en el equipo que hizo Brock fue el control del embrague y los sistemas de control de la sección de pulverización. Brock también incorporó sistemas de control de tasa variable que lo ayudan a adaptar sus entradas en función de sus coordenadas de GPS, y luego establecen prescripciones precisas de nutrientes y semillas para las áreas de alto, medio y bajo rendimiento de sus campos.

En cuanto a qué equipo agrícola de precisión traerá al campo para la próxima temporada, Brock dice que su tractor, pulverizador y cosechadora están equipados con sistemas de dirección automática con precisión RTK.

También usa tecnología de siembra de precisión para asegurarse de que está aplicando la fuerza descendente adecuada en las unidades de hileras, estableciendo una tasa de siembra precisa y capturando datos para registrar sus aplicaciones.

Foto 3. Configuración del monitor en la cabina utilizada por Mark Brock
Foto 3. Configuración del monitor en la cabina utilizada por Mark Brock

La recopilación de datos, dice Brock, es realmente lo que sustenta su configuración de precisión, y la mayoría de los datos que recopila se centran en el uso del producto (aplicación y tasas de nutrientes, y poblaciones de siembra), así como en rendimiento y elevación.

“Cuando regreso para analizar diferentes áreas, puedo volver al recuento de semillas y la aplicación de nutrientes, o ir un paso más allá, tener datos de pruebas de suelo en nuestro sistema donde podemos ver el rendimiento, las pruebas de suelo, las semillas y los nutrientes aplicados a obtenga una instantánea de lo que sucedió ”, dice Brock.

En cuanto a los productores que pueden estar indecisos sobre si sumergirse en la agricultura de precisión, Brock sostiene que no hay un momento como el presente.

“No puede darse el lujo de no participar; creo que así es como van a evolucionar nuestras operaciones y así es como vamos a tener éxito en el futuro”, dice.

«Sabiendo eso, elija trabajar con un proveedor de servicios que pueda brindarle el apoyo que necesita en función de su conjunto de habilidades».

Leer más

Las redes de sensores inalámbricos (WSN) son la tecnología habilitadora para una agricultura de precisión (PA) eficiente y económica. Antes de la AP, los agricultores tenían que depender de imágenes satelitales y de aviones u otros sistemas basados ​​en mapas para identificar con precisión sus áreas de cultivo.

La agricultura de precisión tiene la ventaja de proporcionar retroalimentación en tiempo real sobre una serie de diferentes cultivos y variables del sitio. Como su nombre lo indica, la agricultura de precisión es precisa tanto en el tamaño del área de cultivo que monitorea como en las cantidades de suministro de agua, fertilizante, etc. Esta tecnología puede aislar una sola planta para monitorear y nutrir, o más típicamente un área en decenas o cientos de pies cuadrados.

La recolección de datos, monitoreo y aplicación de materiales a los cultivos permite mayores rendimientos y menores costos, con menor impacto al medio ambiente. Cada área recibe solo lo que se requiere para su espacio particular, y en el momento y la duración apropiados.

Una red de sensores inalámbricos para la agricultura es similar a las que se utilizan en otras industrias, como los controles industriales, la automatización de edificios y los sistemas de seguridad. El sistema WSN requiere una unidad de control centralizada con interfaz de usuario, pasarelas de comunicación y enrutadores, elementos de potencia y lo más importante: los sensores.

A diferencia de otros sistemas, la agricultura de precisión requiere un modelo de software único para cada área geográfica, el tipo de suelo intrínseco y el cultivo o plantas en particular. Por ejemplo, cada ubicación recibirá su propia cantidad óptima de agua, fertilizantes y pesticidas.

En general, se recomienda que la recopilación de datos se realice por horas. Con mayor frecuencia, no proporciona información adicional útil para el modelo de software y se convierte en una carga para la red de sensores inalámbricos en términos de consumo de energía y transmisión de datos. El monitoreo menos frecuente puede ser aceptable para ciertos cultivos de crecimiento lento y áreas que tienen condiciones climáticas muy estables y uniformes.

Se puede emplear una aplicación agrícola general para:

Monitoreo de grandes áreas de cultivo
Monitoreo de bosques / vegetación
Prevención de incendios forestales
Estudios de biomasa
Seguimiento de animales
Mejora del rendimiento de los cultivos
Si bien se suele pensar que la agricultura se basa en la tierra, los conceptos presentados aquí también son aplicables a los ecosistemas acuáticos y submarinos. Por ejemplo, un WSN se usa para monitorear los lechos de algas marinas y el crecimiento de algas. La temperatura del aire para las granjas es a menudo tan crítica como la temperatura del agua para las plantas marinas. Se puede establecer una correlación similar para la cantidad de luz solar y los niveles de pH.

Los sensores se utilizan para monitorear los siguientes parámetros:

Temperatura
Humedad
Presión barométrica
Gases de dióxido de carbono (CO)
La humedad del suelo
Acidez del suelo / pH
El software de modelado incorpora los datos de los sensores en un circuito de retroalimentación que activa la red de control. Esto proporciona las cantidades óptimas de insumos agrícolas para las ubicaciones individuales y los tiempos variables.

La Red de Control es responsable de:

Presión del agua
Operación de válvula / riego
Control de animales (p. Ej., Puertas abiertas y cerradas)
Dispersión de fertilizantes
Dispersión de plaguicidas
Refrigeración calefacción
Luz solar / sombreado (generalmente en un invernadero o en un área de cultivo cerrada)
A medida que el costo de los sensores y la infraestructura de comunicaciones tiende a la baja, más productores están implementando redes de sensores inalámbricos para sus cultivos. Esto es cada vez más frecuente en las granjas más pequeñas, las micro granjas y las granjas urbanas. En cada una de estas situaciones, los rendimientos de los cultivos son críticos, ya que los productores pueden tener solo un área muy pequeña y requisitos de espacio únicos con los que lidiar. En algunos casos, las áreas agrícolas se están construyendo sobre enrejados verticales que tienen solo de 4 a 8 pies de alto y se colocan en techos de gran altura o junto a viviendas residenciales.

La tecnología WSN permite monitorear y enfocar específicamente cada cultivo, lo que hace que sea práctico y rentable implementar la Agricultura de Precisión independientemente del área de cultivo. Este enfoque también es fácilmente escalable al agregar concentradores y sensores de comunicación adicionales.

Leer más

Billy Tiller, director ejecutivo de Grower Information Services Cooperative (GiSC) y agricultor de Texas:
“La transparencia significa que el agricultor comprende lo que está sucediendo con sus datos. El agricultor es un hombre de negocios y debería poder tomar la decisión sobre cómo se comparten los datos sin que se haya hecho por él. La transparencia significa que, como agricultor, tengo la oportunidad de aprovechar al máximo mis datos. Tengo la oportunidad de elegir las empresas con las que quiero compartir mis datos. No tengo miedo de que mis datos se utilicen para un fin distinto al que yo deseo. Eso es lo que significa transparencia «.

Jason Tatge, fundador de Farmobile :
“La transparencia de los datos significa utilizar los datos con integridad para que las personas sepan qué datos se recopilan, quién tiene acceso a ellos y cómo pueden interactuar con ellos. Vivimos en una época en la que la confianza está en su punto más bajo, cuando las violaciones de datos y las asociaciones opacas son la norma, y ​​las personas buscan los agentes y administradores de sus datos más confiables. ¿Cómo se gana esa confianza? Lo hace proporcionando una visión clara de 360 ​​grados de cómo se utilizan los datos, lo que garantiza que los creadores de datos tengan acceso a ellos en cualquier momento, así como un control directo sobre cómo y cuándo se comparten «.

Amanda Neely, Answer Tech de WinField United :
“El concepto de transparencia de datos agrícolas es simple: los agricultores son dueños de sus datos y deben saber exactamente cómo los trata su proveedor de datos. ¿Se está compartiendo? ¿Se está vendiendo?

La organización Ag Data Transparent (ADT) tiene la misión de aumentar la transparencia de los datos. Por eso, cuando se fundó la organización, el enfoque estaba en la transparencia, no en lo correcto o lo incorrecto. Las empresas transparentes deberían poder responder (al menos) 10 preguntas sobre cómo recopilan, almacenan, comparten, usan y eliminan los datos de los agricultores. Para ADT, la transparencia significa ser honesto con los agricultores para que puedan tomar decisiones informadas sobre los datos.

Finalmente, aquí están mis pensamientos sobre lo que significa «transparencia de datos», tomando de todas estas ideas. Hay tres elementos clave para cualquier acuerdo de datos transparente. Debe ser (1) claro; (2) simple; y (3) honesto. “Claro” significa que el acuerdo está escrito para que los agricultores lo entiendan. “Simple” significa que el acuerdo es solo por el tiempo que sea necesario y omite la jerga legal típica. Los acuerdos largos y complejos pueden redactarse en un lenguaje sencillo, pero eso por sí solo no los hace transparentes. Y finalmente, «honesto» significa que la información importante no está enterrada en letra pequeña. Muchos contratos son legalmente precisos, pero ocultan las disposiciones clave en la página 3. El resultado es que el agricultor no comprende realmente lo que está firmando. Eso no es transparencia.

Leer más