Monitores de rendimiento: una de las fuentes pioneras de PA
Los monitores de rendimiento han estado disponibles desde principios de la década de 1990. Han sido clave en el desarrollo de la agricultura de precisión porque fueron uno de los primeros medios para definir, cuantificar y caracterizar la variabilidad dentro del campo en la producción de cultivos.
Figura 1. Mapa de rendimiento que muestra la variabilidad espacial del rendimiento dentro del campo
Estos monitores están montados en cosechadoras y miden en tiempo real la cantidad de grano que pasa a través de la cosechadora cuando se está recolectando la cosecha. Tenga en cuenta que el tipo de medición de rendimiento que se realiza depende de la ubicación de estos sensores dentro de la máquina. Cuando la cosechadora pasa por el campo, la cosecha (tallos y granos) se corta al nivel del cabezal y fluye en la cosechadora a través del transportador de alimentación. Los sistemas de trilla luego separan los granos de los tallos. Los granos se limpian con el ventilador y las mesas de cribado y se abren camino hasta el tanque de almacenamiento, la tolva, que fluye a través del canal del sinfín de granos y el elevador de granos. Los tallos se rechazan de la cosechadora.
Figura 2. Diagrama de una cosechadora convencional (Fuente: Wikipédia).
Adquisición de datos de rendimiento dentro del campo: cosechadoras combinadas y monitores de rendimiento
Los monitores de rendimiento generalmente se instalan cerca del elevador de granos (Figura 3). Generalmente se reportan dos sistemas principales: los caudalímetros volumétricos (Figura 3, a, b) y los caudalímetros másicos (Figura 3, c, d, e, f) [Berducat, 2000; Chung et al., 2017].
Los sensores de flujo de volumen estiman el volumen de grano ya sea en una rueda de paletas situada justo después del elevador de granos (Figura 3, a) o directamente dentro del elevador de granos usando una barrera de luz unidireccional (Figura 3, b). En el primer caso, un sensor de nivel mide el nivel de grano que fluye a través de la rueda. En el segundo caso, el volumen de grano se estima por la duración de la interrupción de la luz mientras el grano fluye a través del elevador de granos. A continuación, los volúmenes de grano se convierten en masa de grano utilizando el peso específico del grano.
Los sensores de flujo másico se basan en el principio de medición de la fuerza (Figura 3, d, e, f) o en la absorción de rayos gamma por masa (Figura 3, c) (Kormann et al., 1998). En el primer caso, el peso del grano se estima mediante un transductor de fuerza que mide la fuerza de impacto del grano al final del elevador de grano. En el segundo caso, un detector de radiación mide la absorción de rayos gamma (emitidos por la fuente de iones de radiación) por el grano, que luego se utiliza para estimar el peso del grano.
Figura 3. Monitores de rendimiento: sensores de flujo de masa y volumen (fuente: Kormann et al., 1998)
Todos los sistemas de la cosechadora que entran en juego para calcular el rendimiento del cultivo se muestran en la Figura 4. Los sensores de humedad se utilizan para proporcionar un registro de rendimiento a un nivel de humedad de referencia. Estos sensores generalmente se colocan cerca del sinfín de granos o del elevador de granos para estimar la humedad del grano usando las propiedades dieléctricas del grano cosechado. Tenga en cuenta que los sistemas de posicionamiento permiten asociar una ubicación en el espacio para producir registros y, en consecuencia, permiten generar mapas de rendimiento.
Figura 4. Tecnologías de mapeo de rendimiento dentro de una cosechadora (fuente: Kormann et al., 1998; Chung et al., 2017)
Características de los datos dentro del campo
La adquisición de datos de rendimiento dentro del campo puede entenderse como un procedimiento secuencial a través del tiempo durante el cual una cosechadora adquiere información espacial de rendimiento. El proceso de recopilación de datos sigue una dinámica temporal, es decir, las observaciones se registran en un orden específico una a la vez a medida que la máquina pasa por el campo (Figura 5). La máquina puede ser modelada simplemente por un elemento estructurador que se mueve por el campo, es decir, un rectángulo cuyas dimensiones están definidas por las características de la cosechadora y los sensores integrados asociados (monitor de rendimiento en este caso). Las mediciones de rendimiento sobre la marcha son observaciones puntuales y cada punto sintetiza la respuesta de rendimiento sobre el elemento estructurante correspondiente. La resolución espacial de rendimiento está controlada por la distancia entre registros consecutivos y determinada por la distancia entre pasadas adyacentes de la máquina. La distancia espacial entre observaciones consecutivas está relacionada con la velocidad de la máquina y la frecuencia de muestreo del sensor. En un campo dado, esta frecuencia de adquisición es generalmente estable, lo que significa que la distancia entre registros consecutivos solo depende de la velocidad de desplazamiento de la cosechadora. Por otro lado, cuando una cosechadora con un monitor de rendimiento de grano a bordo pasa por un campo, la distancia entre pasadas adyacentes está relacionada con el ancho de la barra de corte porque todo el campo tiene que ser cosechado. La distancia espacial entre observaciones consecutivas está relacionada con la velocidad de la máquina y la frecuencia de muestreo del sensor. En un campo dado, esta frecuencia de adquisición es generalmente estable, lo que significa que la distancia entre registros consecutivos solo depende de la velocidad de desplazamiento de la cosechadora. Por otro lado, cuando una cosechadora con un monitor de rendimiento de grano a bordo pasa por un campo, la distancia entre pasadas adyacentes está relacionada con el ancho de la barra de corte porque todo el campo tiene que ser cosechado. La distancia espacial entre observaciones consecutivas está relacionada con la velocidad de la máquina y la frecuencia de muestreo del sensor. En un campo dado, esta frecuencia de adquisición es generalmente estable, lo que significa que la distancia entre registros consecutivos solo depende de la velocidad de desplazamiento de la cosechadora. Por otro lado, cuando una cosechadora con un monitor de rendimiento de grano a bordo pasa por un campo, la distancia entre pasadas adyacentes está relacionada con el ancho de la barra de corte porque todo el campo tiene que ser cosechado.
Figura 5. Adquisición de datos de rendimiento dentro del campo (puntos azules) con una cosechadora (fuente: Leroux et al., 2018a)
Por lo tanto, estas observaciones están distribuidas irregularmente en el espacio porque
las distancias entre filas y entre filas son diferentes y
(ii) las condiciones de adquisición, como la precisión del GNSS o la velocidad de combinación variable, pueden afectar la distribución espacial de las observaciones, y
(iii) pueden faltar algunas observaciones (pérdida de la señal de posicionamiento, tarjeta de memoria llena).
La información de rendimiento también es muy densa (miles de puntos por hectárea) y muy ruidosa debido al error estocástico en la operación del sensor, la variabilidad local intrínseca en la producción y los errores asociados con el paso de la cosechadora por el campo (Simbahan et al., 2004). ; Sudduth y Drummond, 2007). Sin embargo, los datos de rendimiento dentro del campo generalmente exhiben una estructura espacial bastante fuerte, es decir, las observaciones espaciales están bien estructuradas dentro de los campos y los patrones espaciales de rendimiento son claramente visibles (Pringle et al., 2003). Como la mayoría de los cultivos herbáceos deben recolectarse cada año, es probable que estén disponibles bases de datos históricas de mapas de rendimiento en muchos sistemas arables. Sin embargo,
Disposición y usos
En la comunidad científica de agricultura de precisión, los datos de rendimiento se utilizan generalmente para (i) cuantificar y caracterizar la variabilidad dentro del campo, (ii) correlacionar el rendimiento con una variable auxiliar y (iii) validar la idoneidad de una aplicación de modulación. Y debe decirse que no es muy complicado encontrar investigaciones que utilicen estos datos de rendimiento dentro del campo en algún momento. Sin embargo, un reciente estudio de mapeo científico (una especie de mapa mental) también mostró que el interés de la comunidad científica de agricultura de precisión en los mapas de rendimiento había disminuido entre los períodos 2000-2009 y 2010-2016 (Pallottino et al., 2017).
Cuando uno está interesado en el uso de sensores de rendimiento en el campo, es otra cuestión… Ya casi no hay estadísticas para Francia (por eso el observatorio francés de usos digitales en Francia pronto publicará una infografía sobre el tema). No obstante, se pueden encontrar estadísticas más o menos recientes de varios países, además de Francia, en informes técnicos y bibliografía científica. ¡Los invito a tomar estas estadísticas en retrospectiva!
En primer lugar, debemos tener claro el hecho de que estas tendencias en el uso varían mucho entre países (y en ocasiones incluso regiones) y las culturas que se monitorean. Los agricultores estadounidenses pueden haber sido los primeros usuarios en involucrarse en tales tecnologías de mapeo de rendimiento (Griffin et al., 2004; Fountas et al., 2005). Estos autores han informado que, en 2005, alrededor del 90% de los monitores de rendimiento en el mundo estaban en los EE. UU. Griffin y Erickson (2009) también han proporcionado algunas tasas de adopción de una Encuesta de gestión de recursos agrícolas. Según el estudio y los datos disponibles, el 28% de los acres plantados con maíz de EE. UU. (En 2005), el 10% del trigo de invierno (en 2004) y el 22% de la soja (en 2002) se cosecharon con una cosechadora equipada con un monitor de rendimiento. Norwood y Fulton (2009) han concluido en su estudio que el 32% de los agricultores de EE. UU. Usaban sistemas de monitoreo de rendimiento. La Figura 6 muestra los resultados de otro estudio que investiga la adopción de sistemas de mapeo de rendimiento por cultivo en Estados Unidos (Schimmelpfennig, 2016). Incluso si las estimaciones no son exactamente las mismas, las tendencias pueden considerarse similares. Con respecto a los cultivos investigados, claramente parece que la producción de cultivos como el maíz, la soja y el trigo ha sido seguida cada vez más por los agricultores desde principios de la década de 2000 a través de tecnologías de mapeo de rendimiento. Dadas las tendencias observadas, se debería esperar que la adopción en campañas más recientes (2017, 2018) sea nuevamente mayor. Un estudio más reciente también señaló el hecho de que las granjas de arroz en EE. UU. Habían adoptado en gran medida tecnologías de monitoreo de rendimiento,
Figura 6. Adopción de tecnologías de mapeo de rendimiento por cultivo en Estados Unidos
Las tasas de adopción de tecnologías de mapeo de rendimiento no se informan tan ampliamente en otros países, pero algunos estudios nacionales pretendían proporcionar algunas cifras detalladas. Según el Departamento de Medio Ambiente, Alimentación y Asuntos Rurales, los agricultores ingleses han experimentado un pequeño aumento en la adopción de mapas de rendimiento del 7 al 11% entre 2009 y 2012 (DEFRA, 2013). En Australia, McCallum y Sargent (2008) han informado de una tasa de adopción muy baja de tecnologías de mapeo de rendimiento (menos del 1%). Dentro del mismo país, se estimó que se habían utilizado alrededor de 800 monitores de rendimiento en el año de cosecha 2000 (Mondal & Basu, 2009). Fountas y col. (2005) han evaluado que alrededor de 400 agricultores daneses, 400 británicos, 300 suecos y 200 alemanes habían adoptado monitores de rendimiento para el año 2000. También se han informado tecnologías de mapeo de rendimiento en países en desarrollo (Say et al., 2017). En Argentina, Mondal y Basu (2009) informaron que alrededor del 4% del área de granos y semillas oleaginosas se había cosechado mediante cosechadoras con monitores de rendimiento en 2001 (se estaban utilizando 560 monitores de rendimiento). Según Keskin y Sekerli (2016), alrededor de 500 cosechadoras combinadas (3% en todo el país) están equipadas con sistemas de monitoreo de rendimiento en granjas de Turquía. Akdemir (2016) proporcionó una menor tasa de adopción de tecnologías de mapeo de rendimiento (310 cosechadoras en lugar de 500) en el mismo país. Según Keskin y Sekerli (2016), alrededor de 500 cosechadoras combinadas (3% en todo el país) están equipadas con sistemas de monitoreo de rendimiento en granjas de Turquía. Akdemir (2016) proporcionó una tasa de adopción más baja de tecnologías de mapeo de rendimiento (310 cosechadoras en lugar de 500) en el mismo país. Según Keskin y Sekerli (2016), alrededor de 500 cosechadoras combinadas (3% en todo el país) están equipadas con sistemas de monitoreo de rendimiento en granjas de Turquía. Akdemir (2016) proporcionó una tasa de adopción más baja de tecnologías de mapeo de rendimiento (310 cosechadoras en lugar de 500) en el mismo país.
Ventajas y límites de los datos de rendimiento dentro del campo
Si bien es evidente que la adopción de tecnologías de cartografía de rendimiento está aumentando tanto en los países desarrollados como en desarrollo, uno puede preguntarse qué factores y aspectos de los datos de rendimiento dentro del campo pueden haber contribuido a una adopción tan lenta de tecnologías de cartografía de rendimiento. Los monitores de rendimiento montados en cosechadoras han estado disponibles desde principios de la década de 1990. Sin embargo, los datos de rendimiento todavía tienen dificultades para ser un componente decisivo del proceso de toma de decisiones en los estudios de agricultura de precisión. En términos de la utilidad de los datos de rendimiento, la comunidad científica ha informado de múltiples problemas. En primer lugar, está claro que los patrones de rendimiento espacial se originan a partir de una interacción entre las condiciones de manejo, climáticas y ambientales (suelo, paisaje, ataques de plagas, etc.) dentro de una temporada de cultivo. lo que significa que no es posible derivar mapas de aplicación de tasa variable directamente durante un año n basándose únicamente en los datos de rendimiento en el año n-1. En segundo lugar, se reconoce que en cultivos anuales y perennes, la variabilidad temporal del rendimiento es a menudo más fuerte que la variabilidad espacial del rendimiento, lo que puede dificultar los análisis en períodos cortos y largos (Blackmore et al., 2003; Bramley y Hamilton, 2004; Eghball y Power, 1995; Lamb et al., 1997). Esta variabilidad temporal se debe esencialmente a factores no estables, como los patrones climáticos o el tipo de cultivos que se cultivan cada año (Basso et al., 2012). Varios autores han declarado que la cantidad de años de datos de rendimiento disponibles para realizar análisis temporales de rendimiento fue fundamental (Bakhsh et al., 2000; Kitchen et al., 2005) y algunos incluso han intentado proponer un número mínimo de años necesarios para obtener resultados fiables (Ping y Dobermann, 2005). Además de eso, los datos de rendimiento a menudo vienen con una gran cantidad de observaciones defectuosas como resultado del paso de la cosechadora dentro de los campos, que no se corresponden con el rendimiento que debería haberse obtenido en las condiciones de cultivo en el campo (esto ser discutido en elpróxima publicación ). Algunas de estas observaciones erróneas se informan ampliamente en la literatura, por ejemplo, retraso del flujo, tiempos de llenado y vaciado, cambios abruptos de velocidad o barra de corte parcialmente usada (Arslan y Colvin, 2002; Sudduth y Drummond, 2007). Se han propuesto algunas mejoras, por ejemplo, sensores para medir en tiempo real el ancho de corte (Zhao et al., 2010), pero la mayoría de las cosechadoras no están equipadas con estas nuevas tecnologías. Estos errores, si no se toman en cuenta, pueden influir en las decisiones agronómicas sobre los campos (Griffin et al., 2008). Desde una perspectiva más práctica, también se puede argumentar que los usuarios finales solo pueden obtener la información sobre el rendimiento al final de la temporada de crecimiento, lo que podría constituir una limitación en términos de la herramienta de apoyo a la toma de decisiones.
Sin embargo, desde el punto de vista de la agricultura de precisión, estos datos de rendimiento de alta resolución son una fuente de información muy valiosa que sería aberrante no considerar (Florin et al., 2009). Los patrones espaciales de rendimiento son una información valiosa para caracterizar mejor las fuentes de variabilidad espacial en los campos. Los agricultores están interesados en conocer los patrones espaciales y temporales del rendimiento medio en sus campos para poder tomar decisiones de manejo informadas y confiables. Se ha demostrado que, a pesar de una fuerte variabilidad temporal, a menudo era posible detectar patrones espaciales de rendimiento consistentes a lo largo de los años (Kitchen et al., 2005; Taylor et al., 2007). Algunos patrones de rendimiento se encontraron consistentes incluso en diferentes cultivos y condiciones climáticas variables. Además, Los patrones espaciales de rendimiento pueden brindar información relevante con respecto a las características del suelo dentro del campo o pueden ayudar a representar la influencia de otros factores externos, como las prácticas de manejo y las condiciones climáticas (Diker et al., 2004). Por ejemplo, Taylor et al. (2007) mostraron que, en partes específicas de su estudio de campo, el manejo de la rotación de cultivos en años anteriores originó variaciones en los patrones espaciales de rendimiento. Otros autores han encontrado que las áreas de alto rendimiento en años secos podrían, al mismo tiempo, ser áreas de bajo rendimiento en años húmedos, lo que podría brindar información crítica con respecto a las características del suelo dentro del campo (Colvin et al., 1997; Sudduth et al. al., 1997; Taylor et al., 20 07). Otra gran ventaja de estos conjuntos de datos de rendimiento es su accesibilidad. Algo que se consideró como un defecto en el párrafo anterior también puede verse como un activo fuerte. De hecho, en la mayoría de los casos, la cosecha debe realizarse, lo que significa que estos datos se pueden recopilar anualmente una vez que los agricultores han invertido en monitores de rendimiento y, en consecuencia, se pueden construir grandes bases de datos de mapas de rendimiento. Finalmente, debe argumentarse que los datos de rendimiento dentro del campo están directamente relacionados con el rendimiento del cultivo y, por lo tanto, con el margen bruto del campo. Como tal, estos datos brindan información práctica y muy comprensible a los agricultores y asesores. Debe argumentarse que los datos de rendimiento dentro del campo están directamente relacionados con el rendimiento del cultivo y, por lo tanto, con el margen bruto del campo. Como tal, estos datos brindan información práctica y muy comprensible a los agricultores y asesores. Debe argumentarse que los datos de rendimiento dentro del campo están directamente relacionados con el rendimiento del cultivo y, por lo tanto, con el margen bruto del campo. Como tal, estos datos brindan información práctica y muy comprensible a los agricultores y asesores.
¿Cómo valorizar los mapas de rendimiento?
Sin entrar en los detalles de todos los proyectos que podrían llevarse a cabo utilizando mapas de rendimiento, aquí hay un pequeño resumen de lo que se podría hacer. Algunas de estas ideas se han abordado en el manuscrito de tesis que encontrará en el sitio web. Algunas de estas ideas son bastante operativas, otras son más exploratorias. ¡La lista obviamente no es exhaustiva!
Espacialice los modelos agronómicos con datos de rendimiento de alta resolución. Por ejemplo, se había trabajado en planes de fertilización con P / K para evaluar en qué medida la información sobre el rendimiento dentro del campo podría usarse para refinar los planes de fertilización, incluido el refinamiento de los potenciales de rendimiento dentro del campo y las exportaciones de P / K dentro del campo.
Espacializar mapas de rendimiento / rentabilidad económica en granjas (este será el tema de una próxima publicación)
Utilice series de tiempo de rendimiento para comprender mejor los potenciales de rendimiento y las brechas de rendimiento dentro del campo. Este trabajo fue abordado en el marco de la tesis
Evaluar el potencial de acciones de modulación en un terreno.
Validar la relevancia de los experimentos de campo
Mejorar el conocimiento del rendimiento a una escala espacial determinada (región, territorio, etc.) para una cooperativa o un ascensor que quiera obtener suministros.
Utilice mapas de rendimiento para guiar las campañas de muestreo de campo
Utilice series de tiempo de rendimiento para mejorar la comprensión de los factores que limitan el rendimiento en las parcelas. Se evocaron pistas durante la discusión del manuscrito de tesis.
Utilice series de tiempo de rendimiento para evaluar el riesgo para un agricultor de no cambiar sus prácticas o no participar en prácticas de agricultura de precisión o modulación. Se evocaron pistas durante la discusión del manuscrito de tesis.
-….
Una última crítica para los fabricantes.
Acabamos de hablar sobre la accesibilidad de los datos de rendimiento; hablemos de interoperabilidad. Si comienza a trabajar con datos de rendimiento, se dará cuenta rápidamente de que hay una cantidad impresionante de formatos de datos proporcionados por los fabricantes…. ¡Pero estos son en su mayoría formatos privados! Si no tiene el software propietario que lo acompaña, buena suerte … Entonces tendrá que desarrollar módulos específicos para poder leerlos. Súmale a eso el hecho de que cada constructor mide las variables que le interesan, y que las unidades de medida son diferentes y te arrancarás el pelo bastante rápido.