La agricultura de precisión se ha convertido en un tema candente entre los agricultores. La idea de utilizar datos para maximizar la producción de alimentos, minimizar el daño ambiental, aumentar la productividad y reducir los costos ha hecho que muchos agricultores inviertan profundamente en el concepto.

La agricultura de precisión implica, en primer lugar, capturar y compilar datos, que van desde la calidad del suelo hasta mapas topográficos, y luego usar esa información para determinar cómo cultivar de manera más eficiente, como dónde cultivar, cuántos pesticidas o herbicidas usar, cuándo regar ciertas áreas , y mucho, mucho más.

La agricultura de precisión cambiará la forma en que maneja su negocio. Pero, ¿por dónde empezar si quiere unirse a las legiones de especialistas agrícolas que ya están comprometidos con la agricultura de precisión?

Establezca sus prioridades
Al igual que con cualquier estrategia, debe decidir exactamente qué espera obtener de sus esfuerzos de agricultura de precisión. ¿Está buscando reducir sus costos generales? ¿Reducir su huella medioambiental? ¿Aumentar el rendimiento de sus cultivos? ¿Quiere una colaboración más sencilla con sus empleados? Todas las anteriores? Durante el proceso de planificación, establezca metas y puntos de referencia que utilizará para evaluar su progreso.

Establezca su presupuesto
La agricultura de precisión requiere invertir en tecnología. Deberá comprar software de gestión agrícola, colocar sensores alrededor de su propiedad, tal vez incluso comprar un dron. Sin embargo, el retorno de la inversión no es inmediato, así que no se vuelva loco y compre un montón de artilugios que arruinarán el banco.

Una vez que haya establecido sus objetivos, averigüe qué equipo y software necesita para cumplirlos, y luego investigue qué tecnología satisface sus necesidades y que puede pagar.

Averigüe sus necesidades de capacitación
Piense en quién usará su nuevo equipo y software y, antes de comprar su primer producto, planifique cómo capacitará a esas personas para usar el equipo. ¿Necesitará contratar una empresa externa para capacitar a los empleados? ¿Cuánto tiempo durará el entrenamiento? ¿Qué desafíos presenta eso, dada la época del año, la producción de trabajo necesaria y más? ¿Puede manejar una caída en la productividad mientras todos aprenden el nuevo sistema?

No tener en cuenta las necesidades de formación y la curva de aprendizaje necesaria antes de que la tecnología se maximice por completo es un gran error que cometen muchos empresarios.

Establezca un plan de implementación
Se necesita tiempo para acelerar el proceso, lograr que todos sus empleados participen y comenzar a darse cuenta de los beneficios de la agricultura de precisión. Establezca un cronograma para la adopción de la nueva tecnología, que incluso podría extenderse a más de una temporada de cultivo. Dese tiempo para modificar el proceso y sentirse cómodo con el nuevo equipo.

Invierta en software de gestión
agrícola La agricultura de precisión se trata de evaluar datos para tomar decisiones estratégicas sobre cómo gestiona sus cultivos y / o ganado. Es imposible sin la tecnología adecuada compilar los datos y hacerlos fácilmente analizables. Farmlogs y Cropio, por ejemplo, ¿son el software de gestión agrícola que captura mapas satelitales y datos como la acumulación de calor y la lluvia? Entre otras cosas, para permitirle tomar decisiones informadas.

Compre el software de mapeo adecuado
La gama de software de mapeo disponible abarca desde opciones de gama baja que simplemente mapean sus campos, hasta opciones de alta potencia que tienen sólidas capacidades de procesamiento de datos. Cuando busque software de cartografía, tenga en cuenta no solo su presupuesto. Quiere evaluar el análisis estadístico, la edición de datos y las capacidades de interpolación y contorneado del producto.

El objetivo es trazar un mapa de las zonas de alta y baja producción en su granja, para que pueda identificar los factores que afectan sus rendimientos de manera negativa o positiva.

Actualice su equipo
Si bien su viejo y confiable John Deere aún puede hacer el trabajo, el equipo agrícola más nuevo de hoy viene con sensores incorporados que rastrean todo, desde la altura de la planta hasta la calidad del suelo mientras se mueve por un campo. Luego, esos datos se compilan, agregan y envían directamente a su PC, tableta o teléfono inteligente para que pueda planificar cómo tratar, regar, fertilizar y cultivar sus cultivos.

La agricultura de precisión es un proceso en evolución que requiere que realice cambios continuamente para mejorar sus resultados. Si bien el retorno de la inversión puede ser difícil de cuantificar, los beneficios para el medio ambiente no se pueden negar y muchas personas ven un retorno total en tan solo un año.

Leer más

El uso de los drones en trabajos de topografía y cartografía es una tendencia consolidada. Cada vez es más común ver como los topógrafos apoyan sus informes en ortofotos, mapas de elevación, nubes de puntos y curvas de nivel capturadas con UAVs y cámaras de alta resolución. En este post, os daremos el punto de vista de Aerial Insights, como expertos en este campo.

Es un sustitutivo complemento
Un error común es asumir que los drones pueden reemplazar a los procesos y métodos topográficos actuales. En realidad, son herramientas que se integran perfectamente en los flujos de trabajo más habituales entre los profesionales de la topografía. En la mayoría de ocasiones no es necesario cambiar las buenas prácticas ya implantadas en vuestra empresa.

En la práctica, un drone y el software que lo apoya son el equivalente a un nuevo dispositivo de medida con características mejoradas. Los drones no son un sustitutivo, si no un complemento a la topografía tradicional de la misma forma que una estación total mejora las prestaciones de herramientas menos sofisticadas. Los drones y la fotogrametría, especialidades de Aerial Insights, dan acceso a nuevas funcionalidades, tiempos de respuesta más cortos y reducen costes de forma significativa.

Como ejemplos concretos, con Aerial Insights es posible estimar docenas de acopios y perfiles en un par de horas. Nuestros servicios permiten reducir los errores de estimación en volumetrías al 1-3% del volumen estimado, todo ello, reduciendo los costes de métodos menos avanzados y teniendo acceso a los resultados solo 24-48 horas después de solicitar el servicio. Para un profesional de la topografía, esto se traduce en ahorros, márgenes más altos y capacidad de atender a más clientes ofreciendo resultados más atractivos que los de la competencia.

Técnicas fotogramétricas: la grandes aliadas
Tradicionalmente los trabajos topográficos se han apoyado en el uso de estaciones totales y los GPS de precisión. En los últimos años se ha generalizado el uso de otras técnicas complementarias como la fotogrametría. Aunque estos métodos ya existen desde el siglo XIX, diferentes avances tecnológicos (drones, gps, cámaras digitales…) las han hecho cada vez más populares y accesibles.

Simplificando, estas técnicas son interesantes porque permiten convertir una secuencia de fotografías capturadas con equipamiento asequible en una representación detallada en 2D o 3D. Para ello es fundamental planificar vuelos en los que exista un número suficiente de imágenes, que estas contengan solape y que puedan ser apoyadas por localizaciones precisas.

Si disponer de ortofotografías de alta precisión (no son raras resoluciones de pocos centímetros por píxel), es interesante en si mismo, las ventajas son más evidentes cuando comenzamos a extraer información de ellas. Nuestra plataforma permite calcular medidas de distancia, áreas, volúmenes, perfiles de terreno, comparativas, anotaciones, acceso a series históricas además de colaboración online con partners y clientes en unos pocos clicks. Simplemente es necesario un PC/tablet y una conexión a Internet. En caso de ser necesario, también es posible descargar los resultados de alta resolución para continuar el análisis con softwares profesionales como Civil Works, Autocad, MDT, etc.

topografia con dronesVista de detalle de carretera nacional. Imagen cortesía de Aerial Works.

Ventajas de la topografía con drones
Estos métodos suponen un gran incremento de productividad a las empresas que ofrecen o requieren servicios topográficos. Hablamos de que con un drone y la plataforma Aerial Insights se pueden llegar a reconstruir miles de hectáreas en una sola jornada de trabajo. Esto significa una reducción de ordenes de magnitud en tiempos y costes, mientras se elevan las precisiones de forma significativa.

Esta tecnología presenta muchas más ventajas:

Se incrementa la productividad al tiempo que se reduce considerablemente de coste por hectárea.
Reducción de tiempos en la ejecución de los trabajos. En muchos casos, se tendrá acceso a los resultados el mismo día del vuelo.
Se obtienen precisiones centímetricas en cualquier parte del área sobrevolada, no solo en los puntos en los que se ha centrado el encargo.
Se tiene control fino sobre el nivel de precisión de los resultados. Es decir, cuando no es necesaria máxima precisión, es posible disminuir el esfuerzo requerido en la captura y tratamiento de datos.
Disponibilidad, sin suplementos ni costes extra, de múltiples resultados: ortofotos, mapas de elevación, nubes de puntos, curvas de contorno y reconstrucciones 3D. Cada profesional decide que tipo de representación es la más adecuada.
Acceso ilimitado a herramientas de medida de precisión, online, sin requerir costosas estaciones de trabajo o software GIS/CAD.
Por último, pero muy importante: No hay necesidad de exponer trabajadores a entornos peligrosos: carreteras transitadas, zonas inaccesibles o con orografía escarpada…
Usos más comunes de los drones en tareas de topografía
Existen infinidad de usos y verticales que disfrutan de los beneficios de estas herramientas. Entre ellos:

Levantamientos topográficos y modelos digitales de terreno precisos
Cálculo de volúmenes y movimientos de tierras
Gestión y actualizaciones catastrales
Cartografía digital
Seguimiento y monitorización de obras, inventarios, trabajos de subcontratas…
Estimación y presupuestado de trabajos de mantenimiento en carreteras.
Seguimiento y mantenimiento de infraestructuras ferroviarias.
Generación de mapas de alta resolución de líneas eléctricas.
Como vemos las posibilidades que nos ofrece la tecnología drone en el campo de la topografía son muchas, pero principalmente destacan la inmediatez en la adquisición de datos y la disminución significativa de costes. Más información en nuestra página de topografia.

¿Qué productos se obtienen en la topografía con drones?
Una vez completado el vuelo y entregadas las imágenes en crudo, nuestro software se encarga de procesar los datos y generar una nube de puntos densificada de gran precisión (aquí puedes ver más detalles). Este set de datos contiene las coordenadas de millones de puntos de la superficie fotografiada, habitualmente, centenares de puntos por cada metro cuadrado. A partir de ella es posible generar diferentes resultados que son de utilidad para los trabajos topográficos:

Ortofotografías: fotografía aérea en la que se han eliminado los efectos de la perspectiva y las deformaciones de cámara, todos los elementos están representados en la misma escala y se han corregido para utilizar una proyeccion ortogonal.
Modelos digitales de terreno (dtm y dsm): Son mapas 2D que en cada pixel ofrecen información relativa a la altura de cada punto.
Curvas de nivel: son un tipo de representación vectorial simplificada en la que se definen líneas que unen puntos que se encuentra a la misma cota con respecto al nivel del mar.
Modelos 3d del terreno: Es una malla tridimiensional construida a partir de triángulos. Habitualmente viene acompañada de una textura que le da una apariencia fotorealista.
¿Qué es necesario para hacer un levantamiento topográfico con drones?
Como en la topografía tradicional, existe una componente de trabajo de campo seguida de un trabajo posterior de gabinete. A continuación analizamos cada una de las etapas necesarias.

Ejecución del vuelo
El trabajo de campo se corresponde con la ejecución del vuelo y la captura de material de apoyo. Si tenéis capacidad de hacerlo vosotros mismos, adelante. En caso de ser necesario, Aerial Insights puede incluir los servicios de un piloto que, bajo nuestras indicaciones, se encargará de completar el vuelo en la fecha acordada y entregarnos los datos resultantes para que los procesemos.

Una vez completado el trabajo previo, y con las dianas perfectamente colocadas en el emplazamiento adecuado, es hora de ejecutar el vuelo del drone. Para ello debemos de precargar la misión en alguna de las aplicaciones de planificación de vuelo que hay en el mercado. La elección entre una aplicación u otra dependerá fundamentalmente del tipo de drone que utilicemos, la controladora que éste lleve integrada y el tipo de trayectoria necesaria.

La cantidad de superficie sobrevolada y la resolución del resultado final determinan el tiempo de vuelo necesario. Teniendo en cuenta la capacidad de las baterías, autonomía y tipo de drone, es posible que sean necesarios varios vuelos. Como estimación aproximada: un vuelo de 20-30 minutos con un drone multirrotor y una sola batería permitirá cubrir decenas de hectáreas, mientras que en el caso de un ala fija, una batería puede ofrecernos el doble de tiempo en el aire y centenares de hectáreas.

Procesado y análisis de resultados
Durante el vuelo, el dron capturará cientos o miles de imágenes de la zona que hemos sobrevolado. En total, varios gigabytes de datos que contienen vistas parciales del terreno. Estas imágenes no aportan demasiado en si mismas y es necesario procesarlas con software de fotogrametría.

Aquí es donde radica el argumento más interesante a favor de Aerial Insights: con nuestra plataforma online, sólo es necesario entregarnos las imágenes y nosotros nos encargaremos de resolver todos los aspectos técnicos hasta disponer de un modelo georreferenciado en donde poder realizar todo tipo de mediciones. Más información en nuestros videoturoriales [link]. Sin necesidad de comprar y configurar equipamiento o licencias costosas, pagar renovaciones y mantenimientos, con un interfaz de usuario online muy sencillo.

Herramienta de medición de perfiles de terreno de la plataforma de Aerial Insights.

En la mayoría de los casos, dentro de las 24 horas siguientes, recibirás un email con un enlace con acceso a tu zona privada en nuestra plataforma. Allí podrás realizar todo tipo de mediciones, compartir los resultados con tu cliente/colaborador, visualizar diferentes capas… e incluso descargar los resultados para trabajar con otro tipo de softwares.

Nuestro negocio se basa en un modelo de pago por uso. Es decir, tú, como cliente nuestro, sólo incurres en costes cuando nos envías un lote nuevo de imágenes. No hay cuotas mensuales, renovaciones o mantenimientos anuales.

Leer más

Internet de las cosas (IoT) está ayudando a los agricultores de países desarrollados y emergentes a mejorar la productividad de la agricultura
La agricultura de precisión puede ayudar a los agricultores a hacer frente a una serie de desafíos, como la escasez de agua, la disponibilidad limitada de tierras adecuadas para la siembra de cultivos, las dificultades que tienen los agricultores para gestionar los costos mediante la implementación de sistemas y tecnologías de IoT para reducir esencialmente los posibles errores y, a su vez, , maximizar los rendimientos.

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

Ciertas plataformas de IoT utilizadas en la industria agrícola permiten a los agricultores administrar grandes cantidades de datos recopilados de sensores, servicios en la nube como el clima o mapas, equipos conectados y sistemas existentes.

Telenor y dtac en Tailandia
En Tailandia, la empresa local de telecomunicaciones dtac, propiedad del grupo noruego de telecomunicaciones Telenor, ha lanzado una solución de IoT de agricultura de precisión a través de una asociación con el Departamento de Extensión Agrícola de Tailandia (DOAE) y el Centro Nacional de Tecnología Electrónica y Computación (NECTEC).

A través de esta nueva solución de agricultura inteligente, la empresa de telecomunicaciones y las agencias gubernamentales tienen como objetivo equipar a los agricultores locales con la tecnología que necesitan para enfrentar desafíos, como el cambio climático, las enfermedades de las plantas y la humedad del suelo.

Dtac y sus socios han lanzado un proyecto piloto de un año que presenta esta solución basada en IoT para monitorear, analizar y predecir los factores que afectan el cultivo. La nueva solución permitirá a los agricultores tener acceso a un sistema agrícola más preciso que debería ayudar a aumentar el rendimiento de los cultivos, controlar la calidad de los productos agrícolas y reducir los costos de producción.

Dtac es responsable de la conectividad inalámbrica a Internet y la computación en la nube, mientras que NECTEC desarrollará e investigará sobre sistemas sensoriales con el objetivo de buscar indicadores de estándares de plantación.

En otro estudio de caso de agricultura de precisión, el operador móvil Vodafone está ayudando a los agricultores de Nueva Zelanda a mejorar el rendimiento y reducir costos mediante herramientas de agricultura de precisión.

Agricultura de precisión de Vodafone
La solución de agricultura de precisión de Vodafone permite a los agricultores utilizar solo la cantidad de fertilizante que necesitan. Se instala un dispositivo GPS Farming especial en el vehículo que distribuye el fertilizante y los datos se envían a través de la red de Vodafone al servidor seguro de Precision Farming. Luego, estos datos se superponen en un mapa computarizado, para que el agricultor pueda iniciar sesión y ver dónde se ha depositado hasta el último kilogramo. Con información precisa de su programa de fertilizantes, los agricultores pueden detectar instantáneamente cualquier desperdicio y ajustar su próximo pedido.

El sistema de agricultura de precisión de Vodafone se basa en GPS y tecnología de máquina a máquina. El operador proporciona las tarjetas SIM especiales necesarias y el sistema de agricultura de precisión está vinculado a la red de Vodafone para garantizar la transmisión continua de datos desde el campo. El sistema proporciona un monitoreo constante del ancho y la tasa de aplicación de fertilizante, de modo que los agricultores pueden verificar el rastro virtual dejado por el esparcidor de fertilizante y ajustar la gestión de su granja en consecuencia.

El sistema de agricultura de precisión se puede aplicar a otras actividades, como la pulverización y la distribución de efluentes, para garantizar que los agricultores obtengan resultados óptimos de todas las sustancias aplicadas a la tierra.

Libelium en Colombia
En Colombia, la organización local Red Tecnoparque Colombia ha desplegado una red de sensores inalámbricos con tecnología Libelium para monitorear cultivos en el área de Lembo, en la región de Santa Rosa de Cabal.

Red Tecnoparque Colombia ha seleccionado Waspmote Plug & Sense de la firma española Libelium! Sensor Platform para desarrollar un proyecto de agricultura de precisión con sensores remotos. Los cultivos de plátano han sido monitoreados con diferentes sensores agregados a Waspmote Plug & Sense.

Los sensores de Libelium permiten a los productores monitorear parámetros clave que incluyen humedad, temperatura, humedad del suelo, temperatura del suelo, diámetro del tronco, diámetro de la fruta, pluviómetro y radiación solar.

Mediante el seguimiento de estos parámetros, Redcom Tecnoparque puede supervisar de forma remota las variaciones ambientales y agronómicas para investigar nuevas variedades de banano. Esta solución también les permite conocer la proyección de la cosecha, optimizar el uso del agua, prevenir plagas y enfermedades, reducir el consumo de fertilizantes y clasificar los suelos.

Leer más

Los avances en la agricultura de precisión están considerados como una de las mayores esperanzas para solucionar el gigantesco desequilibrio de la oferta y la demanda de alimentos al que se enfrenta la humanidad en este siglo y del que diversos organismos internacionales vienen alertando desde hace décadas. Son muchas las innovaciones que estamos conociendo en el ámbito de la agricultura inteligente que han llegado a través de la combinación entre la robótica, la inteligencia artificial y la gestión de los datos, abiertos o no.

Existen aplicaciones de visión computacional como Agrio que pueden ejecutarse en el móvil para detectar de forma temprana enfermedades en las plantas. Existen aplicaciones como Climate Fieldview que pueden decidir la cantidad exacta de agua y fertilizante que necesitan las plantas de cada zona de cultivo en una finca. Y algunas de estas innovaciones son españolas, como las de la empresa Agrobot, con origen en Huelva y que comercializa sus robots para recoger fresas también desde Estados Unidos.

Todos estos casos y la mayoría de los que conocíamos hasta ahora tienen en común que se basan en agregar robots y sensores al proceso existente con el fin último de mejorar la productividad gracias a las posibilidades que abre la ciencia de datos. En este escenario, los datos abiertos tienen un papel cada vez más importante para contribuir a la mejora de los procesos de decisión en combinación con los datos que recogen sensores y robots. Hasta ahora la limitación comúnmente aceptada de esta aproximación a la agricultura de precisión estaba en que la cantidad de tierra cultivable es finita y en los países desarrollados incluso tiende a disminuir por lo que no resultará sencillo incrementar la productividad de la tierra tanto como es necesario para alimentar a la humanidad.

Recientemente hemos conocido el caso de una granja autónoma completamente robotizada que además tiene la particularidad de estar localizada en interiores. Lo más novedoso de esta propuesta de la empresa Iron Ox es que utiliza una interesante forma de abordar la agricultura de precisión, ya que se basa, no en agregar robots a las granjas, sino en diseñar toda la granja y los procesos alrededor de los robots, incluido el propio sistema de cultivo hidropónico.

Con este enfoque, la compañía dice ser más sostenible que otras granjas de precisión ya que ha sido diseñada para aprovechar el sol y sólo utiliza iluminación LED de alta eficiencia en combinación con un sistema de cultivo hidropónico que utiliza un 90% menos de agua que la agricultura tradicional. Pero el dato más sorprendente es que dicen conseguir una productividad por hectárea que multiplica por un factor de 30 la de las granjas tradicionales.

Como era de esperar con este enfoque de granja autónoma se capturan enormes cantidades de datos procesables a los que se aplican algoritmos, por ejemplo para la detección de enfermedades de las plantas, y que permiten tomar decisiones que aseguren que cada planta que sale de la granja sea de la mayor calidad posible. Sin embargo cabe preguntarse si en este nuevo enfoque el papel de los datos abiertos relacionados con la agricultura tendrá una menor importancia.

Algunas investigaciones científicas ya señalan que el futuro de la agricultura inteligente puede desembocar en dos escenarios extremos: (1) uno dominado por sistemas cerrados y propietarios en los que el agricultor forma parte de una cadena de suministro de alimentos altamente integrada u (2) otro basado en sistemas abiertos y colaborativos en los que el agricultor y el resto de los integrantes de la cadena de suministro son flexibles en la elección de socios comerciales, proveedores y clientes.

Como es lógico, los mayores interesados en el escenario cerrado son las grandes corporaciones del sector de la agricultura. Un mayor desarrollo de las plataformas, los estándares y los datos abiertos, y su impulso desde las instituciones son un contrapeso fundamental para favorecer un escenario más abierto.

Es por ello que hay numerosas instituciones públicas, como por ejemplo GODAN, la Comisión Europea o el Departamento de Agricultura de EEUU (USDA) que están tratando de influir activamente a través de su defensa de los datos abiertos y de la financiación de innovadores proyectos basados en datos que sirvan para equilibrar el impulso de las grandes corporaciones y las startups y sus inversores.

No son menos importantes los esfuerzos institucionales respecto a la gobernanza, la privacidad o la propiedad de los datos. Sin embargo una mayor disponibilidad de datos abiertos ya no sólo resulta necesaria para cumplir con los objetivos de las políticas de seguridad alimentaria o de la sostenibilidad de la producción, sino también para asegurar un futuro en el que la agricultura inteligente esté basada en la apertura y la colaboración.

Leer más

En este primer cuarto de este siglo que nos tocó inaugurar, nos encontramos redefiniendo paradigmas orientados a cómo la agricultura alimentará a la creciente población mundial, cómo podemos hacer el mejor uso de la tecnología para aprovechar mejor los recursos y cómo producir alimentos más saludables a un menor costo.

Llamémosle agricultura de precisión, Ag Tech, agricultura digital o simplemente tecnología – la reducción de costos de la tecnología digital, aunada a los cada vez más ajustados márgenes para los productores y la demanda de un suministro de alimentos más seguro y transparente por parte de los consumidores y minoristas, están ampliando cada vez más el uso de datos e información más precisa en la producción de alimentos. Se está construyendo un camino repleto de tecnología desde la siembra hasta el procesamiento, empaque, almacenamiento y transporte.

Áreas clave de tecnología
Con tantos proveedores y tecnologías, el desafío y oportunidad es distinguir quién y qué es realmente importante. Este proceso continuará por algún tiempo a medida que las nuevas tecnologías continúen emergiendo, sean refinadas y adaptadas para la agricultura de producción, y continúen haciéndose más accesibles para la mayoría de los productores. Al hacerlo, es útil categorizar el amplio mundo de la agricultura de precisión en cuatro áreas clave:

Recolección de datos -clima, muestreo de suelo, imágenes de campo de cámaras, sensores, drones, aviones y satélites, monitoreo de rendimiento, datos de la maquinaria y equipos.
Almacenamiento, síntesis y análisis de datos -sistemas complejos de manejo y administración de operaciones.
Aplicación de datos -especialmente el manejo de variables como las semillas, nutrientes de cultivos, protección de cultivos y agua.
Cosecha y poscosecha -robótica, mecanización de empacadoras, trazabilidad durante toda la cadena de producción y distribución a travésde sensores y otras tecnologías.
Y detrás de todas estas innovaciones tecnológicas y para hacer que todo se conecte y funcione con un mismo propósito se encuentra otra tecnología que lidera este camino de conectividad, –el Internet de las cosas (en inglés, Internet of things, abreviado IoT)​​.

El uso de la agricultura de precisión en los cultivos básicos sigue dependiendo de los precios
Los agricultores pueden ver los servicios de agricultura de precisión como una línea de lujo que se puede omitir por un año o dos cuando los precios de los productos básicos bajan y los márgenes son apretados. Esto, junto con la poca facilidad de uso y la persistente incompatibilidad de productos y plataformas, ha limitado la adopción de la agricultura de precisión como uso completo de datos desde la preproducción hasta la postproducción.

En Estados Unidos menos de un 15% de los productores han adoptado estas tecnologías y este porcentaje es mucho menor en Latinoamérica. Los proveedores esperan que este nivel de adopción aumente a medida que baje el precio de la tecnología y los agricultores vean un retorno en la inversión directo de los servicios de precisión.

–

La horticultura de precisión es un mercado vibrante
Mientras que los precios de los cultivos básicos suben y bajan, y a menudo y con ellos se llevan el interés de los agricultores por la precisión, los productores de cultivos especializados que enfrentan problemas crónicos por cuestiones laborales, costos, escasez de agua y requisitos de seguridad alimentaria y sustentabilidad, se encuentran motivados por las primas potenciales de sus cultivos. Estos productores están saltando a un subconjunto de precisión más especializado -los sensores de suelo, el riego de precisión, la robótica en campo y la automatización poscosecha.

Los servicios se acercan más a las necesidades del productor
El peligro de las nuevas tecnologías de precisión es que muchas veces se le da más atención a la tecnología misma que a su implementación práctica. Sin embargo los proveedores de precisión están ajustando cada vez más los beneficios para que coincidan con los puntos débiles del productor. Entre estos alineamientos de necesidades están los datos del suelo para las decisiones de semillas y fertilización; datos meteorológicos para validar las reclamaciones de seguros; imágenes para responder a los datos de campo y tomar decisiones; aplicaciones para regular los suministros; datos de la maquinaria para mejorar el rendimiento en el campo (p. ej., detectar la compactación, garantizar la velocidad correcta del tractor); alertas de riego para optimizar el uso del agua; alertas de plagas para iniciar la respuesta oportuna; y almacenamiento utilizando sensores de humedad y clima.

La optimización del agua es primordial
Si algo bueno ha resultado de las largas sequias en varias partes del mundo es que la aplicación de agua debe enfocarse con tanto cuidado como la aplicación de productos para la protección y nutrición de cultivos. Esto no es una revelación en países áridos como Israel, que hace mucho tiempo adoptó tecnologías de riego de precisión que pueden adaptarse para su uso en todo el mundo. Los sistemas de riego -utilizando la conectividad IoT para combinar las lecturas de los sensores con el pronóstico del tiempo, y el análisis de expertos para que el agua pueda aplicarse de forma más precisa, serán más comunes a medida que el agua se vuelve cada vez más escasa y costosa.

De analizar el pasado a predecir el futuro
La agricultura de precisión comenzó hace ya más de 30 años como una forma de registrar y analizar datos históricos, como el comportamiento de un cultivo en cierta región utilizando una combinación de insumos determinada. Pero el valor real ahora radicará en el análisis predictivo. Por ejemplo, un productor de tomate en invernadero que busca el pico del día e incluso la hora para cosechar no se beneficia mucho de una alerta de cosecha al momento. Sin embargo, cuando se envía una alerta días antes, los productores pueden garantizar que sus equipos de cosecha estarán alineados durante un tiempo esperado para la cosecha, o en un futuro próximo podrán desplegar una flota de robots que podrán trabajar hasta en la oscuridad.

En la actualidad existen herramientas similares funcionando en cultivos básicos, como las tecnologías de gestión del nitrógeno que pueden usar la humedad actual del suelo y predicciones meteorológicas a más largo plazo para predecir no solo el tamaño de la cosecha, sino también estimar cuánto podría ganar económicamente un productor al hacer aplicaciones secundarias de fertilizantes y obtener un mayor rendimiento de su cosecha.

Leer más

Comprender cómo se mueve la humedad a través de partes del campo es uno de los objetivos del estudio de cuatro años.

El riego de tasa variable es muy prometedor, pero aplicar la tecnología es complicado, dice Willemijn Appels, Cátedra de Investigación Aplicada Mueller de Lethbridge College en Ciencias del Riego. Appels (segunda desde la derecha) es fotografiada con estudiantes e investigadores en una de las cinco fincas donde se lleva a cabo su estudio sobre riego de tasa variable. Foto: Lethbridge College
El agua siempre ha sido un bien escaso en el cinturón de riego del sur de Alberta.

“Nuestro sistema de agua está cerrado”, dijo Willemijn Appels, científico de riego de Lethbridge College. “No hay más agua extra que se pueda extraer para la agricultura. Nuestras licencias de agua ya están asignadas.

«Necesitamos usar el agua de manera más inteligente y aprovechar mejor lo que tenemos».

Eso ha estado ocurriendo. La expansión de $ 815 millones recientemente anunciada traerá otros 200,000 acres en el sur bajo riego, principalmente al reemplazar canales con tuberías subterráneas y agregar cuatro nuevos embalses. Y un cambio a pivotes centrales de baja presión y goteo también está produciendo «más cosecha por gota».

ARTÍCULOS RELACIONADOS

Investigación en la granja: Hacer que valga la pena puede ser una propuesta complicada


Olds College adquiere el rebaño de Red Angus

El gobierno abandona el juego de la investigación agrícola pero abundan las preguntas

ANUNCIO

Pero la próxima frontera es el riego de precisión, que reduce el uso de agua mediante la aplicación, según la humedad del suelo, la topografía y otros factores, la cantidad justa en diferentes partes de un campo.

Ese es el objetivo de un estudio en curso de cuatro años dirigido por Appels.

Los investigadores universitarios están monitoreando tanto los campos como las prácticas de manejo existentes de los productores de la zona que cultivan papas bajo riego. Si tiene éxito, bien puede marcar el comienzo del riego de tasa variable (VRI), también conocido como «riego de precisión», en la provincia.

Appels no espera encontrar soluciones integrales que revolucionen la gestión del riego. Incluso dentro de un campo, la humedad del suelo es demasiado variable para eso. Por el contrario, los resultados del proyecto, que acaba de completar su segunda temporada de cultivo, probablemente servirán como base para el desarrollo de herramientas que ayuden a los productores a comprender si VRI redundaría en beneficios para su granja y qué campos ofrecerían el mayor rendimiento dólar.

ANUNCIO

“Idealmente, me gustaría idear un procedimiento”, dijo Appels. “Cuando un agricultor está considerando actualizar su tecnología de riego, podríamos ofrecer un procedimiento que evalúe el impacto potencial de VRI en función de la variabilidad del suelo y la topografía de su campo.

“Podría decir: ‘Para este tipo de campo, debería buscar una aplicación útil de VRI en, por ejemplo, cinco de cada 10 años o dos de cada cinco años. Esto puede marcar la diferencia en X litros de agua ‘”.

El proyecto, una asociación entre el Centro de Investigación Aplicada, Innovación y Emprendimiento de la universidad y los Cultivadores de Papa de Alberta, se está llevando a cabo en cinco granjas voluntarias elegidas por la asociación de productores.

Las ubicaciones de las granjas (compuestas por cinco áreas de investigación cada una) están ubicadas en una amplia franja del sur de Alberta en granjas irrigadas cerca de Vauxhall, Bow Island, Chin y Taber.

Una cosa clave que debe saber sobre el riego de precisión es que, en general, no existe.

Hoy en día, las prácticas de precisión están relegadas en su mayoría al tiempo de riego que requiere un análisis manual diligente del suelo y un monitoreo de la lluvia, dijo Appels. Evitar áreas problemáticas como humedales y parcelas saladas también puede considerarse una práctica de precisión.

ANUNCIO

El equipo de investigación espera ampliar eso.

Básicamente, están registrando el uso de agua de riego de los agricultores y midiendo cómo se corresponde con los niveles de humedad del suelo y el rendimiento. En el análisis final se toman en consideración factores como la topografía del paisaje (áreas altas o bajas).

El valor de VRI
El problema con el riego de tasa variable, y la razón por la que rara vez se usa, es que requiere tanto tiempo como datos. Además, la base necesaria, principalmente mapas de humedad del suelo, no existe a escala masiva.

“Es bastante complejo porque necesita saber cómo responde su campo bajo ciertas circunstancias, lo que significa que tiene que instalar muchos sensores o muestrear muchas ubicaciones diferentes”, dijo Appels. «Y mucha gente no tiene tiempo para eso».

La mayoría de los productores actualmente ajustan su riego a los requisitos de los cultivos, pero eso no tiene en cuenta factores potencialmente cruciales como la topografía y la distribución de la humedad del suelo. Sin embargo, tener acceso a datos de campo representativos, como los que se recopilan en esta investigación, puede ayudar a los productores a practicar VRI en mayor medida.

“Cuando lo piensas, siembras este mismo cultivo en este campo tan variable”, dijo Appels. “Siempre que satisfaga la demanda de agua de ese cultivo, puede estar bien; simplemente está proporcionando lo que necesita el cultivo, ya sea que la tierra esté o no en una colina, en una depresión o en una pendiente «.

El problema con ese enfoque es que los campos rara vez, o nunca, son uniformes en términos de humedad del suelo. Los niveles reales de humedad dentro de un campo pueden variar en cuestión de metros, dijo.

«Si piensa en las raíces como un balde, en un lugar el balde puede gotear más que en otro», dijo. «Puede que tenga que cambiar la cantidad de agua que pone o la frecuencia con la que la pone».

Se eligieron patatas para el proyecto, que está financiado por la Asociación Agrícola Canadiense, por un par de razones. Por un lado, es un cultivo de riego de alto valor en el área, con una infraestructura de procesamiento adecuada. Las papas también son muy sensibles a la humedad del suelo que las rodea y pueden servir como punto de partida para VRI en otros cultivos de riego como canola, remolacha azucarera, trigo y frijoles.

«El agua es importante para (esos cultivos) y conocer la hidrología de un campo puede ser beneficioso para ellos».

El equipo de investigación todavía está analizando los datos de la temporada de crecimiento de este año, pero lo que sí saben es que la variabilidad dentro de un campo depende en gran medida del clima. El año pasado fue seco (lo que generó muy poca variabilidad de la humedad del suelo), mientras que las lluvias de este año ofrecieron a los investigadores más para continuar.

“Este año, debido a las lluvias de junio, los patrones de humedad del suelo fueron más complejos e interesantes por un tiempo”, dijo Appels. «Estamos ejecutando simulaciones de modo para ver si la VRI en las distintas ubicaciones de monitoreo habría marcado una diferencia en el rendimiento o la eficiencia del uso del agua».

Appels elogia a los productores que han ofrecido áreas de sus fincas para la investigación.

“Estas son personas que están interesadas en hacer avanzar la industria del riego. Ha sido fantástico trabajar con ellos «

Leer más

El índice de área foliar (LAI) es un rasgo biofísico del cultivo de gran interés para los productores y mejoradores de maíz, ya que está directamente relacionado con el potencial productivo del cultivo. El LAI se define como el área foliar fotosintéticamente activa por unidad de superficie de suelo. Las estimaciones directas del LAI mediante la recolección y el análisis de las hojas son tediosas y llevan mucho tiempo. Por lo tanto, para la estimación in situ del LAI se utilizan frecuentemente métodos indirectos basados en la fracción de vegetación cubierta. Diversos autores han obtenido a menudo mediciones del LAI mediante la correlación de valores e índices de reflectancia basados en satélites o en vehículos aéreos no tripulados, como el NDVI, con valores medidos en tierra. Este enfoque plantea otras cuestiones relacionadas con la escalabilidad espacio-temporal o el alto costo de los sensores empleados. Otras soluciones como el uso de imágenes hemisféricas nadirales del cultivo han sido comúnmente empleadas para estimar el llamado LAI verdadero por su relativa simplicidad técnica, pero aún así su análisis requiere de tiempo y paciencia.

El uso de los vehículos aéreos no tripulados o drones en el ámbito agrícola ha permitido en los últimos años una obtención de la información sobre los cultivos a mayor resolución tanto espacial como temporal. De la misma forma, las técnicas de computación y análisis de imágenes automáticos de aprendizaje profundo o Deep Learning, generan resultados cada vez más precisos, rápido y útiles en las diversas aplicaciones a la agricultura. En el presente documento se describe una metodología para estimar el LAI a partir de imágenes RGB tomadas con un UAV a baja altitud (15 m) durante la campaña de 2019 en un ensayo de cultivo de maíz realizado cerca de Sevilla (España). Para el cálculo del LAI, la imagen original se divide en diferentes bandas de análisis según la perspectiva angular del sensor RGB embarcado en el UAV. Para cada una de las perspectivas, se ha utilizado una red neural artificial pre-entrenada basada en Keras y TensorFlow como back-end para realizar automáticamente el cálculo del LAI. Los resultados de salida se compararon con las mediciones directas del LAI en tierra. Los primeros resultados obtenidos muestran que este enfoque, que utiliza imágenes RGB tomadas de un vehículo aéreo no tripulado que vuela a baja altitud y que se combina con el análisis de la red neural profunda, puede ser una metodología factible y precisa para estimar el LAI de las parcelas de cultivo de maíz en un tiempo significativamente más corto y a un costo bajo.

Leer más

Las imágenes de satélite de la Tierra nos permiten echar un vistazo a cualquier parte del planeta sin importar dónde nos encontremos; no obstante, existen multitud de fuentes. ¿Cómo puedo saber cuál es la más adecuada para encontrar la imagen de satélite que necesito? Hemos preparado una pequeña guía con 7 opciones que ofrecen imágenes de satélite gratis, analizando diferentes puntos para poder elegir de forma más efectiva.

USGS EARTH EXPLORER
La agencia USGS (United States Geological Survey) tiene el mayor registro de recolección de datos de satélite SIG gratuitos (imágenes de satélite gratis, tomas aéreas, vehículos no tripulados), que están disponibles a través de su explorador terrestre EarthExplorer.

Interfaz de USGS Earth Explorer

Imágenes: La selección de imágenes de satélite gratis en EarthExplorer es abrumadora: desde datos ópticos y de radar hasta imágenes de satélite del clima, pasando por modelos digitales del terreno o DEM. Podrá encontrar 40 años de imágenes de satélite históricas de misiones Landsat de la USGS-NASA, así como una gran variedad de datos de otros sensores de observación remota de la NASA (Terra y Aqua MODIS, ASTER, VIIRS, etc.). También incluye conjuntos de datos de satélite de código abierto proporcionados en colaboración con la ISRO (Resourcesat-1 y 2), la ESA (Sentinel-2) y algunos datos de satélite comerciales de alta resolución (IKONOS-2, OrbView-3, datos históricos SPOT).

Búsqueda: EarthExplorer le permite restringir la búsqueda de imágenes de satélite por área, fecha, % de cobertura de las nubes, e incluir tantos sensores como desee. Todas las teselas que coincidan con la búsqueda realizada se pueden previsualizar una por una o todas a la vez.
Además de las opciones estándar de selección del Área de interés (dirección, coordenadas, carga de archivos o dibujo), la interfaz ofrece una búsqueda basada en hitos, que es muy divertida de probar. Puede encontrar todos los hitos posibles, incluso los menos comunes – como caminos antiguos o tumbas – en cualquier parte del mundo.

Descarga: Para la descarga gratuita de imágenes de satélite del USGS, deberá instalar su aplicación de descarga masiva (Bulk Download Application). Dependiendo del sensor, se pueden descargar varios tipos de datos (Nivel-1,2,3, Imágenes en Color Natural, Imágenes térmicas, etc.).

Análisis: EE puede utilizarse únicamente para la búsqueda, vista previa y descarga gratuita de datos de satélite. Si desea analizar imágenes, necesitará un software especial.
EarthExplorer es un líder indiscutible entre las fuentes de imágenes de satélite de alta resolución en términos de variedad de datos, pero no es el servicio más fácil de usar, especialmente para alguien no experto. Puede llevar un tiempo familiarizarse con todos los botones, opciones de menú y conjuntos de datos disponibles. Así que prepárese para que su primera búsqueda de imágenes de satélite le lleve bastante tiempo.

LANDVIEWER
LandViewer es una base de datos SIG gratuita con una interfaz fácil de dominar que da acceso a las imágenes de satélite más usadas, permite previsualizar y pedir imágenes de satélite de alta resolución gratis y cuenta con muchas herramientas para el análisis de imágenes.

Interfaz de LandViewer

Imágenes: LandViewer ofrece diversas imágenes de la Tierra por satélite de forma gratuita. Puede obtener las imágenes de satélite más actuales de Landsat 7-8, Sentinel-1 y 2, CBERS-4, MODIS, datos aéreos del NAIP u obtener imágenes de satélite históricas de Landsat 4-5. También cuenta con una impresionante lista de imágenes de satélite de alta resolución gratuitas para buscar y previsualizar, y disponibles para su compra. Algunos de los conjuntos de datos que se pueden obtener son: SPOT 5-7, Pleiades-1, Kompsat-2, 3, 3A o SuperView-1; cuya mejor resolución espacial es de hasta 40 cm por píxel.

Búsqueda: La búsqueda es muy simple y directa: una vez que haya establecido el Área de Interés usando una de las múltiples opciones (incluyendo la carga de archivos desde su dispositivo), seleccione el tipo de sensor y elija las fechas. Además, puede aplicar filtros como el % de cobertura de nubes, el ángulo de elevación del sol y el % de cobertura del AOI. Asegúrese de guardar su Área de interés y suscribirse a nuevas imágenes, esta gran función le ahorrará mucho tiempo en el futuro.

Descarga: Cuando se trata de descargar datos, LandViewer tiene mucho que ofrecer. Imaginemos que ha venido a descargar imágenes de satélite de Landsat gratis, ¿cuáles son sus opciones? En primer lugar, puede descargar una imagen Landsat completa o recortada manualmente en color natural en formato JPEG, KMZ o GeoTIFF. Si sólo necesita bandas espectrales específicas, utilice la segunda opción para obtener sólo las que va a utilizar. Y la tercera opción es descargar la imagen ya procesada con una combinación de bandas o un índice calculado.

Si no desea almacenar datos de satélite en su PC, guárdelos en el almacenamiento en la nube EOS Storage o utilice la función WMS para enviar los datos de satélite al software SIG que utiliza.

Análisis: A diferencia de la mayoría de las fuentes gratuitas, LandViewer permite la visualización y el análisis instantáneo de los datos de satélite que ha encontrado. A su disposición encontrará más de 20 combinaciones de bandas e índices predeterminados como NDVI, NBR, SAVI, un generador de índices personalizado similar a una calculadora ráster, análisis de series temporales, análisis de grupos y más herramientas pensadas para ayudar a extraer el valor de las imágenes.

LandViewer es la mejor fuente de imágenes de satélite para principiantes y expertos de sectores (agricultura, silvicultura, construcción) que no utilizan software especial del SIG y que buscan imágenes de la Tierra desde un satélite, actualizadas y gratuitas y con la posibilidad de hacer análisis rápidos y precisos.

COPERNICUS OPEN ACCESS HUB
Anteriormente conocido como “Sentinels Scientific Data Hub”, el portal de acceso abierto de la ESA es capaz de saciar la sed de datos de satélite Sentinel de todo el mundo.

Interfaz de Copernicus Open Access Hub

Imágenes: Actualmente, Copernicus Open Access Hub ofrece a los usuarios las últimas imágenes de satélite Sentinel activos: imágenes de radar del Sentinel-1, imágenes ópticas multiespectrales de Sentinel-2, productos terrestres de Sentinel-3 para la vigilancia medioambiental y datos atmosféricos y de calidad del aire de Sentinel-5P.

Búsqueda: La interfaz de Copernicus Hub es muy sobria, lo que no significa necesariamente que sea conveniente. No se puede subir un archivo que contenga un AOI, y para realizar una búsqueda por coordenadas hay que escribir una consulta de texto usando operadores específicos. Por ejemplo, para aplicar el filtro de cobertura de nubes, debe introducir “[0-5]”. Tiene sentido para los profesionales, pero es difícil de digerir para los no expertos.

Descarga: Para descargar gratuitamente las imágenes de satélite que quiere, basta con añadirlas a la cesta.

Análisis: No hay herramientas analíticas, ni siquiera la posibilidad de visualización de imágenes en un mapa. Sólo se puede obtener una vista previa de una tesela en el modo “Vista rápida” junto con metadatos muy detallados.

Copernicus Open Access Hub puede ser una recomendación como fuente de todas las imágenes de satélite gratis de los satélites Sentinel. Sin embargo, si busca datos de satélite de Sentinel-1 ó 2, considere probar otras fuentes de datos que ofrezcan las mismas imágenes con una experiencia de usuario ligeramente mejor.

SENTINEL HUB
Sentinel Hub proporciona acceso a una amplia gama de imágenes de satélite de código abierto a través de sus dos servicios: EO Browser and Sentinel Playground.

Interfaz de Sentinel Hub

Imágenes: EO Browser contiene alrededor de una docena de conjuntos de imágenes de satélite de resolución media y baja, incluyendo archivos completos de todas las misiones Sentinel, Landsat 5-7 y 8, MODIS, Envisat Meris, Proba-V y productos GIBS. Sentinel Playground, por su parte, contiene un mosaico de imágenes de satélite del globo terrestre procedentes de Sentinel-2, Landsat 8, MODIS o DEM.

Búsqueda: Ambos servicios tienen una interfaz intuitiva y una búsqueda cómoda. EO Browser ofrece todos los filtros de búsqueda básicos para facilitar el proceso de búsqueda de imágenes. El único inconveniente es que algunos conjuntos de datos de satélite sólo se renderizan a una escala determinada: por ejemplo, una imagen Landsat no empezará a mostrarse hasta un zoom de 20 km.

Descarga: Con Sentinel Playground puede obtener partes del mosaico (JPEG); EO Browser permite la descarga de imágenes a resolución completa en varios formatos (JPEG, KMZ, GeoTiff) o bandas separadas y combinaciones de bandas.

Análisis: EO Browser contiene herramientas para la visualización y análisis de imágenes de satélite en vivo. Por ejemplo, para una imagen Sentinel-2, puede seleccionar entre una de las 8 combinaciones de bandas e índices, así como crear la suya propia. También puede generar series temporales, pero en comparación con otros servicios (por ejemplo, LandViewer), no le permitirá visualizar todas las imágenes utilizadas.

EO Browser es un servicio web fácil de dominar con una selección decente de imágenes de satélite gratis de resolución media. Una de sus ventajas es la capacidad de analizar y visualizar datos de imágenes. Sentinel Playground es más bien un servicio divertido para explorar y compartir fragmentos del mosaico de imágenes o bien una única imagen de satélite en vivo.

NASA EARTHDATA SEARCH
NASA’s Earthdata Search proporciona acceso online a múltiples colecciones de datos EOSDIS de la NASA (Earth Observing System Data and Information System).

Interfaz de NASA Earthdata Search

Imágenes: En Earthdata Search, encontrará una gran cantidad de datos científicos de NASA Earth de diferentes fuentes: satélites, aviones o mediciones de campo, entre otros. La cantidad de imágenes de satélite históricas y actuales, incluidas en la pestaña “Plataformas” es impresionante: Aqua y Terra, ENVISAT, GOES, satélites de NOAA, METEOSAT, Suomi-NPP, Nimbus, CALIPSO, Landsat y muchos más datos SIG gratuitos que permiten el estudio de la atmósfera, el medio ambiente, el océano y el mar, la cobertura del suelo, la vegetación, la cobertura de hielo y la topografía.

Búsqueda: Necesitará mucha paciencia para aprender a navegar y encontrar imágenes de satélite gratuitas usando Earthdata Search. Hay tutoriales y descripciones detalladas para cada colección de datos GIS, pero son de poca ayuda a menos que sepa exactamente lo que está buscando. La selección de imágenes (gránulos) de una larga lista de colecciones que coinciden con sus criterios de búsqueda parece especialmente difícil de entender. Pero la diversidad de datos compensa este inconveniente.

Descarga: Dependiendo del conjunto de datos de satélite, la descarga gratuita de imágenes de satélite en tiempo real puede requerir unos cuantos clics adicionales en algunos casos. Además, no todas las imágenes se pueden previsualizar antes de guardarlas en el PC.

Análisis: Desafortunadamente, no hay herramientas incorporadas para el análisis.
Earthdata Search es un océano de datos de observación de la Tierra de NASA’s Earth en el que un investigador o un científico puede sumergirse. No es la mejor fuente de imágenes de satélite para principiantes, que pueden empezar con servicios más fáciles de usar y, probablemente, volver a ella más tarde para cubrir la carencia de datos en otros servicios.

REMOTE PIXEL
Remote Pixel es la única fuente de imágenes de satélite de la lista que no le pide que inicie sesión para acceder a la lista completa de funciones. Es una especie de proyecto independiente creado íntegramente por una sola persona (Vincent Sarago).

Interfaz de Remote Pixel

Imágenes: Como proyecto especializado, Remote Pixel sólo incluye 3 conjuntos de datos: imágenes de satélite Landsat 8, Sentinel-2 y CBERS-4.

Búsqueda: Se necesitan 3-4 clics para encontrar una imagen con la ayuda de la búsqueda de Remote Pixel. Sin dibujado del AOI, sin filtros de fecha o de cobertura de nubes. Todo lo que tiene que hacer es seleccionar un sensor y hacer clic en una tesela en una cuadrícula de la fila de rutas del satélite que cubre esa área y le mostrará todos los datos disponibles.

Descarga: Remote Pixel ya no permite la descarga de datos de Sentinel-2 y CBERS-4 desde que los buckets de AWS solo están disponibles en la opción de Pago por Solicitante (Requester Pays). Puede abrir el enlace y descargar los datos desde AWS con su propia cuenta. La buena noticia es que aún puede usar Remote Pixel para descargar imágenes de satélite de Landsat 8 y bandas espectrales de forma gratuita.

Análisis: Todas los datos de satélite pueden ser visualizados a través del visor que incorpora Remote Pixel Viewer, que proporciona una lista de combinaciones de bandas por defecto, así como herramientas adicionales de mejora de imágenes junto con muchos mapas base diferentes. No podrá descargar los resultados de la visualización, pero puede hacer una captura de pantalla.

Remote Pixel es un servicio muy simple y rápido que proporciona una búsqueda a través de una lista limitada de conjuntos de datos de satélite, junto con herramientas de visualización. Sin embargo, puede no ser el mejor lugar para descargar datos.

CATÁLOGO DE IMÁGENES DEL INPE
El Instituto Nacional de Investigaciones Espaciales del Brasil (INPE en portugués) tiene su propio catálogo en Internet de imágenes de satélite gratuitas. El Catálogo de Imágenes INPE contiene casi una docena de colecciones ideales para la vigilancia de la cobertura del suelo, la vegetación, los recursos hídricos y las observaciones meteorológicas.

Interfaz del catálogo de imágenes INPE

Imágenes: El Catálogo de Imágenes del INPE es una fuente gratuita de mapas de imágenes de satélite de América del Sur, Centroamérica y África solamente. Presenta datos de satélite de la misión conjunta de Brasil y China, CBERS-4, junto con las misiones de Observación de la Tierra de Estados Unidos, Reino Unido e India: satélite Aqua, Terra, Landsat-8, ResourceSat, Suomi-NPP, DEIMOS y UK-DMC 2. Datos SIG adicionales de los satélites CBERS-2, Landsat 1-3, 5 y 7 pueden ser encontrados en su registro de apariencia un poco anticuada.

Búsqueda: El catálogo es simple y sobrio con la única excepción de que está en portugués. Sin embargo, esto se puede resolver con la ayuda de un traductor para sitios web. Aparte de esto, la búsqueda puede ser demasiado limitada en cuanto a países/áreas específicas, fechas o % de cobertura de nubes. Las teselas encontradas se pueden previsualizar en un mapa, tanto por separado como todas juntas.

Descarga: Para la descarga gratuita de imágenes de satélite, necesita añadirlas al carrito y pedirlas. La descarga se realiza a través de un enlace FTP enviado a su dirección de correo electrónico.

Análisis: Esta opción no está disponible.

El Catálogo de Imágenes del INPE está recomendado para usuarios cuyo interés principal radica en América del Sur y Central o en África. Desafortunadamente, este servicio no proporciona imágenes de satélite globales gratuitas, pero, en general, es una buena opción de fácil uso para una búsqueda y descarga rápida de datos de satélite que pueden ser analizados posteriormente utilizando otro software.

Hay muchas otras fuentes de imágenes de satélite gratis, pero le sugerimos que empiece por estos siete servicios de datos de satélite SIG gratuitos para obtener la mejor experiencia posible.

Leer más

Las imágenes son la mejor fuente de información para los seres humanos y ayudan a comprender en profundidad todo tipo de entornos. Por lo tanto, la informática ha intentado incorporar la calidad de la información visual en sus actividades y sacarle provecho. En informática, el procesamiento de imágenes consiste en la manipulación de imágenes mediante computadoras. Por tanto, las imágenes se ven como una fuente de datos e información, que pueden leerse si la imagen se analiza de forma adecuada. En este artículo, realizaremos una breve descripción de cómo funciona el procesamiento de imágenes y cómo se puede emplear en la agricultura de precisión.
Cómo funciona el procesamiento de imágenes
Para ser procesada, una imagen se convierte en una matriz numérica, que una computadora puede leer fácilmente.

Hay muchos tipos de procesamiento y permiten diferentes actividades, como mejora de imagen, restauración de imagen, compresión de imagen o análisis de imagen. Este último resulta especialmente interesante ya que permite extraer información específica directamente de una imagen. El análisis se puede ejecutar observando los bordes de las imágenes (es decir, extracción de imágenes), sus colores (es decir, análisis de textura) y los movimientos detectados al pasar de una imagen a otra (es decir, análisis de movimiento).

El proceso sigue algunos pasos básicos generales. La primera es la adquisición de imágenes , mediante la cual se recoge el material a analizar. Luego, al preprocesar la imagen se optimiza, para sacarle el máximo partido. En el paso de segmentación , la imagen se segmenta en partes más pequeñas, que luego la computadora puede comparar y analizar más fácilmente. Luego, los datos se adaptan a las computadoras y se hacen reconocibles gracias a algunas etiquetas que se asignan a diferentes piezas de datos. Estas piezas ahora se pueden juntar, interpretar y obtener información valiosa de ellas.
Cómo empezó
Los primeros estudios sobre el procesamiento de imágenes se remontan a la década de 1960, cuando se utilizó para recopilar datos sobre la luna y el sol durante la caminata lunar. Dado que la tecnología era bastante cara, el procesamiento de imágenes se ha utilizado principalmente en el campo científico, hasta el rápido desarrollo de la computadora a partir de finales de la década de 1990.

Hoy en día, el procesamiento de imágenes tiene una amplia variedad de aplicaciones . Además de todas esas técnicas para editar imágenes, los datos recopilados a través de imágenes se utilizan también en el sector médico, en la investigación científica (por ejemplo, investigaciones espaciales), en las tecnologías de huellas dactilares / iris / reconocimiento facial, en la teledetección (por ejemplo, imágenes de satélite) y aplicaciones industriales (por ejemplo, control de calidad, clasificación, etc.).

Aplicaciones importantes del procesamiento de imágenes en la agricultura
El procesamiento de imágenes también se utiliza ampliamente en la agricultura . La principal ventaja de la tecnología es que no es destructiva, lo que significa que puede proporcionar información detallada sobre los cultivos sin siquiera tocarlos.

Las principales aplicaciones están relacionadas con cuatro categorías. El primero es el manejo de cultivos , especialmente en lo que respecta a la detección de plagas y enfermedades y los métodos de riego. El segundo está relacionado con el análisis de las hojas de los cultivos y las condiciones de la piel , lo que ayuda a identificar las deficiencias de nutrientes y el contenido de las plantas. Además, las inspecciones y clasificación de la calidad de la fruta son posibles, mediante esas imágenes y sugerencias recopiladas gracias a técnicas avanzadas de aprendizaje automático. Por último, pero no menos importante, en la estimación de cultivos y tierras , el procesamiento de imágenes se utiliza para el Sistema de Información Geográfica y la segmentación de color y textura de los cultivos.

¿Qué hace Pixofarm con el procesamiento de imágenes?
Pixofarm es una solución basada en el procesamiento de imágenes , donde la fuente de datos son una serie de fotografías de frutas tomadas directamente en el huerto durante toda la temporada.

Con el objetivo de proporcionar datos sobre el crecimiento de frutas e información predicha sobre el resultado de la temporada, Pixofarm lleva esta tecnología a un área al comienzo de su desarrollo, es decir, monitoreo de rendimiento. Si bien las soluciones más desarrolladas se refieren a la detección de plagas, la inspección de calidad y el manejo de cultivos principalmente para cultivos extensivos, Pixofarm se centra en la horticultura.

La tecnología está entrenada para medir con precisión el tamaño de las frutas solo a partir de un montón de fotos tomadas con casi cualquier teléfono, ya que se puede adaptar dinámicamente según las características del hardware del teléfono (especialmente las especificaciones de la cámara y la lente).

¿Qué hace Pixofarm con el procesamiento de imágenes?
La aplicación está diseñada para ser lo más económica posible desde el punto de vista computacional, el espacio de almacenamiento, el ancho de banda y el consumo de energía. Además, da acceso a muchos usuarios en la misma cuenta.

Las principales características son:

Visión artificial de detección de objetos: Pixofarm puede reconocer la manzana y concentrarse en su forma.

Segmentación rápida y precisa utilizando algoritmos de geometría computacional y de cuencas hidrográficas.

Tolerancia de hojas y estabilidad de detección en condiciones ruidosas al aire libre mediante filtros adaptativos.

Procesamiento de imágenes independiente del color mediante algoritmos y herramientas de geometría.

Visión estéreo y análisis de nubes de puntos para reconstrucción 3D y mejor dimensionamiento.
El procesamiento de imágenes es una herramienta poderosa que puede permitir un análisis preciso y profundo.
En conclusión, el procesamiento de imágenes es una herramienta poderosa que puede permitir un análisis preciso y profundo en muchos campos diferentes. Gracias a la facilidad para adquirir imágenes en la actualidad, esta tecnología está ganando cada vez más importancia, incluso en el sector agrícola.

En un contexto de fuerte crecimiento del procesamiento de imágenes, Pixofarm quiere llevar tecnologías de vanguardia a los huertos y desarrollar un procesamiento de imágenes más ligero y avanzado, para dar un paso más hacia una agricultura 4.0 mejorada.

¿Tienes curiosidad por saber más sobre Pixofarm? Suscríbase a nuestro boletín a continuación o reserve una demostración aquí para descubrir más sobre nuestra solución.

Leer más

Los cultivos de caña de azúcar son una de las principales actividades económicas en Colombia; por ende, son esenciales para el desarrollo agrícola del país. Además, las tecnologías de la información y las comunicaciones (TIC) se han empezado a utilizar e implementar en todo el ciclo de vida del cultivo. Consecuentemente, las TIC son importantes al momento de definir sistemas basados en Agricultura de Precisión (AP), capaces de incrementar el rendimiento del cultivo y optimizar el uso de recursos económicos como fertilizantes, agua y pesticidas, entre otras funciones. Este artículo presenta una revisión acerca de sistemas de información basados en AP y aplicables a cultivos de caña de azúcar, haciendo énfasis en las tecnologías utilizadas, la gestión de datos y sus arquitecturas. Además, se presenta la propuesta de los autores: un sistema de información integral de tres capas basado en AP, capaz de facilitar la optimización en distintas etapas del ciclo de vida de la caña de azúcar. El artículo concluye describiendo el trabajo futuro y el desarrollo de la implementación del sistema propuesto.

PALABRAS CLAVE

agricultura de precisión, caña de azúcar, rendimiento del cultivo, sistema de información, sistema de soporte a decisiones.

ABSTRACT

Crops of sugar cane are one of the main economic activities in Colombia. Hence, this kind of crops is essential for the agricultural development of the country. Additionally, information and communication technologies (ICTs) are currently used and implemented throughout the entire life of the crop. Therefore, ICTs are important at the time of defining PA-based systems, capable of increasing crop efficiency and optimizing use of economic resources as fertilizers, water, and pesticides, among other functions. This article presents a review about the PA-based information systems applicable to sugar cane crops and making emphasis on technologies used, data management, and their architectures. Besides, the article makes a proposal of authors: a AP-based three-layer integral information system capable of facilitating optimization in different life stages of the sugar cane. This article concludes by describing the future work and the implementation of the system proposed.

KEY WORDS

Precision agriculture; sugar cane; crop efficiency; information system; decision support system.

INTRODUCCIÓN

La agricultura es una labor que acompaña al hombre hace miles de años, y sus procesos han evolucionado con el transcurso del tiempo. Según la FAO, un tercio de la población global deriva su sustento de la agricultura, y en economías emergentes esta puede representar hasta el 30 % del PIB [1]. En Colombia, el Plan Nacional de Desarrollo plantea como estrategia transversal la transformación del campo y crecimiento verde para fortalecer la competitividad del sector agrícola buscando modernizar procesos y proyectos. Por tanto, dicho sector requiere la integración de diversos actores para alcanzar la modernización. En años recientes, empresas privadas y públicas pertenecientes al sector industrial, agrícola y de las TIC han unido esfuerzos para proyectar soluciones en el marco de la Agricultura de Precisión (AP), cuyo propósito es mejorar el rendimiento de cultivos, optimizar el uso de recursos, disminuir el impacto ambiental y facilitar la toma de decisiones estratégicas y económicas [2].

Por lo anterior, la AP presenta soluciones de modernización agrícola, mediante la integración de las TIC en los procesos de preparación, cultivo, recolección y producción de los cultivos para permitir desarrollar y articular procesos agrícolas más eficientes, confiables, modernos y seguros. El objetivo general de la agricultura de precisión es integrar la gestión espacial y temporal de la producción a través de Sistemas de Posicionamiento Global (GPS, Global Positioning Systems), Sistemas de Información Geográfica (SIG), tecnologías de sensores y mapas de terrenos. Lo anterior con el fin de aumentar la rentabilidad y productividad de los agricultores mediante la generación de mapas de productividad en función de las condiciones agroclimáticas del terreno [3].

La adopción de dichos elementos y tecnologías varía en función del cultivo, su ubicación geográfica y sus implicaciones derivadas (clima, humedad, tipo de suelo, etc.), además de las necesidades particulares de las empresas y las políticas gubernamentales. Considerando que en Colombia casi la totalidad de los cultivos de caña de azúcar están ubicados en el valle geográfico del río Cauca, el desarrollo industrial del cultivo está centrado en dicho sector, en donde se ubican ingenios, asociaciones y entidades relacionadas. El propósito de este artículo es realizar un estudio acerca de sistemas de información para AP, junto con sus principales características y posibles requerimientos de los actores presentes en el ciclo de vida del cultivo. En vista de lo anterior, se propone un sistema enfocado en la industria azucarera colombiana, orientado a proponer soluciones a dichas necesidades y requerimientos.

El resto del documento se estructura de la siguiente manera: la sección 1 presenta definiciones, elementos generales y desafíos de la agricultura de precisión; en la sección 2 se resalta el trabajo enfocado hacia sistemas de información basados en AP y otras propuestas relevantes; la sección 3 introduce detalles del sistema propuesto, su arquitectura y elementos, y describe el trabajo futuro de esta investigación; finalmente, la sección 4 concluye el documento.

1. AGRICULTURA DE PRECISIÓN

La agricultura de precisión surgió en Estados Unidos como un ciclo de realimentación anual donde se obtenían resultados relacionados con aplicación de insumos en función de las necesidades específicas del terreno. Con el paso del tiempo, se empezaron a utilizar las TIC para mejorar el manejo de suelos y cultivos; como resultado, las aplicaciones de AP se extendieron y adaptaron a diferentes labranzas, productos y países [4]. La AP se define como un conjunto de procedimientos y procesos que buscan optimizar espacial y temporalmente el ciclo de vida de diferentes cultivos a través de tecnologías, elementos y estudios de manera amigable con el medio ambiente.

Existe un consenso general acerca de las tecnologías y elementos que se utilizan en la agricultura de precisión, los cuales se encuentran abarcados por la geomática o disciplina de reunir, analizar, interpretar, distribuir y utilizar información geográfica. Dichas tecnologías y elementos se describen a continuación:

• Sistemas de posicionamiento: claves para el control de tráfico agrícola, puesto que proveen datos en tiempo real de su ubicación, facilitan así su gestión y control, y permiten la implementación de rutas óptimas. Dentro de estos sistemas se destacan GPS, GLONASS, Galileo y BeiDou.

• Tecnologías de tasa variable (VRT, Variable Rate Technologies): hacen referencia a elementos de aplicación de fertilizantes, pesticidas, herbicidas, agua y suplementos necesarios para el cultivo de manera autónoma y dependiente del lugar. Puesto que, dependiendo del sector o área específica del terreno cultivado, la necesidad de requerimientos puede ser diferente, las VRT juegan un papel importante en la optimización de recursos.

• Sensores remotos: encargados de capturar datos del cultivo, suelo, humedad, precipitaciones, entre otros, con ayuda de tecnologías inalámbricas como Wi-Fi®, Bluetooth® y redes celulares. Dicha captura se realiza con el objetivo de adquirir información acerca de la condición del suelo, crecimiento de las plantas, infestación de plagas, niveles de agua y fertilizantes.

• Sistemas de recomendación aplicados a cosechas: realizan predicciones basados en datos de entrada, ayudándose de algoritmos de machine learning. Específicamente para el tópico agrícola, dichos sistemas presentan mapas de rendimiento y mapas de productividad de los cultivos basados en información de cosechas pasadas, lo que facilita y optimiza la gestión de los cultivos.

• Aeronaves pilotadas remotamente (RPA, Remotely Piloted Aircraft): también denominados drones, ofrecen soluciones novedosas y económicas en el ámbito de obtención de imágenes en zonas de difícil acceso, estimación de variables agroclimáticas y monitorización remota de cultivos. Aunque pueden llegar a requerirse permisos y licencias gubernamentales que varían de país a país para su utilización, su uso se ha incrementado en los últimos años por la reducción en su precio y la facilidad para adquirirlos.

• Sistemas de soporte a decisiones (DSS, Decision Support Systems): hacen referencia a un conjunto de sistemas de información que complementa los anteriores componentes al facilitar la toma de decisiones por parte del personal relacionado con AP. Los DSS reciben información de sistemas de posicionamiento, de sensores remotos, de elementos que utilizan VRT y de drones, para su posterior procesamiento y despliegue al personal relacionado con el cultivo. Cabe destacar que el sistema propuesto recae en esta clasificación.

1.1 Esquema general de AP

Los elementos descritos anteriormente conforman el dominio para la aplicación de AP en un cultivo. La transferencia, almacenamiento y procesamiento de datos facilitan la toma de decisiones de tipo económico, ambiental y logístico. La figura 1 [5] muestra un esquema general del proceso de AP en donde pueden utilizarse, además de GPS, los demás elementos descritos previamente. De la figura se observa que el esquema es cíclico, por lo que los procesos y las decisiones tomadas en etapas previas se tienen en cuenta para etapas futuras.

Si bien es cierto que el esquema de la figura 1 es general, para cada caso particular se adecuan los procedimientos y acciones a realizar. Como ejemplo, en Colombia la implementación de tecnologías y procedimientos de AP está aún en fases iniciales; pero se deben tener en cuenta elementos propios de la geografía, el cultivo, el suelo y el clima de la región en estudio; esto para lograr una adecuada identificación del cultivo y sus características intrínsecas, facilitando así la implementación de procesos de agricultura de precisión.

1.2 Desafíos de la agricultura de precisión

Dada la naturaleza de la AP, los desafíos que presenta se consideran como exigencias adicionales a su adecuada implementación. La importancia de resaltarlos recae en conocer qué impedimentos puede llegar a afrontar dicha implementación en el entorno colombiano. Los desafíos más importantes y estrategias para enfrentarlos se destacan a continuación [3, 6-8]:

• La inversión inicial para implementar tecnologías y procedimientos de AP es considerable y el retorno sobre la inversión (ROI, Return of Investment) requiere tiempo. Por tanto, para los agricultores con poca capacidad adquisitiva es complejo planear y ejecutar dichos proyectos. Para mitigar este desafío, es preciso que los gobiernos ejecuten políticas para ayudar a los agricultores a mejorar sus procesos productivos. Algunas políticas pueden ser: facilidad en la adjudicación de créditos para elementos de AP, junto con acompañamiento y asesoría en la utilización y mantenimiento, entre otros.

• La complejidad de las nuevas herramientas y tecnologías implica un mayor grado de aprendizaje de habilidades para el correcto manejo de estas, lo que puede variar de persona a persona, pudiendo llegar a afectar así el adecuado despliegue de AP. Para esto, se requiere de capacitación e información al personal que utilizará los elementos de AP para mitigar los posibles riesgos del cambio tecnológico.

• En economías emergentes predomina la agricultura tradicional; de ahí que con la implementación de AP se podría inferir erróneamente que se reemplazaría la mano de obra, lo que generaría problemas sociales. Para que esto no suceda, es necesario realizar campañas de sensibilización e información acerca de los potenciales beneficios de la agricultura de precisión y recalcar que esta no reemplazará a dicha mano de obra.

• No existen estándares o reglas de decisión globales hacia la implementación, uso y adopción de tecnologías de AP para los productores, lo que dificulta los tiempos de implementación. Esto es particularmente complicado, puesto que los cultivos y sus requerimientos dependen considerablemente de la ubicación, el clima, el tipo de suelo, entre otras variables. Por esto, estandarizar procedimientos y técnicas se convierte en una tarea minuciosa y laboriosa; la estrategia para la mitigación de este desafío recaería más en estudiar casos ya implementados de tecnologías de AP y analizar cómo adaptar dichas implementaciones a entornos locales.

2. MÉTODO DE INVESTIGACIÓN

Con el fin de establecer un punto de partida alrededor del conocimiento generado en el campo de sistemas de información basados en tecnologías de AP, se siguió la propuesta de Kitchenham [9] para la elaboración de la revisión de literatura. Aunque esta propuesta está enfocada a revisiones en ingeniería de software, es adaptable a otras temáticas. El procedimiento para realizar la revisión consiste en cinco pasos: definir preguntas de investigación, realizar la búsqueda literaria, seleccionar estudios, clasificar artículos y extraer y realizar la agregación de datos. En las siguientes secciones se describen estos cinco pasos.

2.1 Preguntas de investigación

El objetivo principal de este estudio es inspeccionar los sistemas de información basados en tecnologías de AP y cuál es la tendencia en este tópico. Con el fin de obtener un conocimiento más detallado y una visión integral del tema, se plantean las siguientes preguntas de investigación:

• ¿Qué temas interesan a la comunidad científica respecto a sistemas de información basados en AP dentro de un marco temporal reciente (últimos 10 años)?

• ¿Qué características presentan estos sistemas en relación a su arquitectura, funcionamiento y aplicabilidad a diversos cultivos?

• ¿Cuáles son las técnicas, procedimientos y tecnologías que aún no han sido exploradas ni utilizadas y que pueden ser una importante alternativa dentro de la proposición de estos sistemas?

2.2 Fuentes de datos y estrategias de búsqueda

Las bases de datos utilizadas para la búsqueda de proyectos de investigación fueron IEEEXplore®, ACM, Springer, SciELO y Google® Académico. Para esto, se tuvo en cuenta la terminología referente a sistemas de información basados en AP. La tabla 1 muestra los patrones de búsqueda utilizados.

2.3 Selección de estudios

Para la selección de estudios se establecieron dos criterios para determinar la relevancia de los mismos: inclusión y exclusión. El primer término hace referencia a trabajos que se centran en sistemas de información y propuestas de arquitecturas para dichos sistemas; mientras que el segundo término hace referencia a los trabajos que no contengan los términos «sistema de información», «agricultura de precisión» y «sistema de soporte a decisiones». La tabla 1 muestra las cadenas de búsqueda utilizadas para seleccionar los trabajos relevantes dentro de la temática del presente estudio.

De los resultados en la tabla 1 se tiene que la cadena con la cual se obtuvieron los mejores resultados fue «precision agriculture information system AND sugarcane AND decision support systems», con un 60 % de precisión. En esta etapa fueron seleccionados 30 trabajos relevantes para el presente estudio.

2.4 Clasificación de artículos

El proceso de clasificación de trabajos está basado en las tecnologías y procedimientos de AP que utilizan los autores de los artículos seleccionados en la sección anterior. La tabla 2 muestra los trabajos enfocados en los procesos de AP descritos en la sección 1, junto con su peso porcentual.

2.5 Extracción de datos y síntesis

Para obtener información detallada y concisa de cada trabajo previamente seleccionado y clasificado, se elaboró una plantilla de extracción de datos por cada estudio. En dicha plantilla se consignó la información principal de cada artículo: título, resumen, palabras clave, aportes, ventajas y falencias que derivan al final en las brechas relacionadas con el problema de investigación.

3. TRABAJOS RELACIONADOS

Dada la clasificación previamente realizada, los trabajos relacionados se clasificaron según lo muestra la tabla 2. A continuación se presenta una descripción general de los trabajos.

3.1 Proyectos de investigación clasificados como DSS

Cock et al. [10] presentan una metodología para determinar prácticas de gestión de cultivos mediante AP basadas en labores tradicionales. Los autores definen en su metodología la obtención de datos del cultivo que caracterizan las condiciones del mismo, la gestión y el análisis en bases de datos centralizadas y la facilidad en la accesibilidad de dicha información a los encargados del cultivo, para que tomen mejores decisiones relacionadas con el mismo. Demattê et al. [11] informan acerca de comparaciones entre procesos de muestreo, producción, daño en cultivo y costos al utilizar procedimientos y tecnologías de AP y al cultivar comúnmente caña de azúcar en Brasil, por lo que presentan recomendaciones y soporte a decisiones, basados en requerimientos puntuales del sitio de estudio. Por otra parte, López et al. [12] presentan resultados de desempeño de un sistema de recomendación de cinco fases para el uso de fertilizantes en cultivos de caña de azúcar, de donde indican los valores de nutrientes requeridos en cada dosis de fertilización aplicada. Stray et al. [13] proponen un DSS capaz de proveer apoyo computacional al personal encargado de programar operaciones de cosechado de caña de azúcar en Sudáfrica; el sistema propuesto es útil en situaciones donde el número de campos a monitorizar manualmente es alto y cuando las condiciones en las cuales crece el cultivo cambian frecuentemente.

3.2 Trabajos relacionados con drones

Estos elementos aprovechan las ventajas de vuelos a poca altura para la obtención de imágenes de alta resolución de cultivos, para la monitorización remota de los mismos y para la medición en aire de variables agroclimáticas, entre otros usos. Algunas de las investigaciones más recientes son las descritas en [14-17] las cuales evalúan de manera general las ventajas, desventajas, inconvenientes legales, aplicaciones actuales y potencial a futuro de su utilización en labores de AP. Para el caso de la obtención de imágenes de cultivos, se han definido varios índices de vegetación que son indicadores del desarrollo de cultivos y ayudan a predecir sus rendimientos futuros. Estos índices se calculan dada la notable diferencia de la reflectividad de las plantas entre la banda visible (radiación emitida en el proceso de fotosíntesis) y la infrarroja (radiación solar reflejada) del espectro electromagnético.

3.3 Sensores remotos y arquitecturas de red

Urbano [16] presenta el diseño preliminar de una WSN basada en el estándar IEEE 802.15.4, la cual presentó resultados iniciales de temperatura, humedad, radiación solar y flujo fotosintético sobre cultivos de café. El prototipo de red presenta una topología en estrella, con un nodo coordinador y tres nodos sensores, comunicados inalámbricamente con ayuda de módulos Xbee®. El autor recalca en que el consumo de energía de este tipo de sensores debe ser el mínimo posible para aumentar la vida útil de la red y prolongar la duración de las baterías. Sudduth et al. [19] presentan resultados de investigación acerca del uso de sensores de inducción electromagnética para la obtención de la conductividad eléctrica del suelo. Los autores presentan posibles errores de medición al momento de utilizar dichos sensores y la correspondiente salinidad, humedad, profundidad y arcilla del suelo estudiado, y proponen técnicas de calibración para la medición de estas variables en cultivos. Otros trabajos en redes de sensores son los realizados en [20-22], donde se presentan revisiones de las distintas variables agroclimáticas para medición en cultivos y maquinaria.

3.4 Sistemas de recomendación aplicados a cosecha

De Souza et al. [23] presenta un sistema de análisis de geoestadísticas para los atributos del suelo y del rendimiento en general de un cultivo de caña ubicado en Brasil. Los autores utilizan minería de datos (data mining) mediante inducción de árboles de decisión, obteniendo un mapa digital que representa la superficie de producción del área en estudio, además de obtener resultados acerca de cómo la altitud es la variable más representativa en relación al rendimiento del cultivo de caña. Por otra parte, Carbonell [24] informa acerca de los avances que el Centro de Investigación de la Caña de Azúcar de Colombia (Cenicaña) ha realizado en temas de AP, destacando la zonificación agroecológica realizada por esta entidad, la cual caracteriza los diversos tipos de suelo donde se encuentra plantado el cultivo en relación con los grupos de humedad y homogeneidad de los mismos.

3.5 Tecnologías de tasa variable (VRT)

Markley y Hughes [25] presentan un sistema para la aplicación de nitrógeno de manera automática y dependiendo de las necesidades del terreno. Estas necesidades son controladas por sensores de EC, junto con mapeo del terreno por medio de GPS; los resultados indican que altas variaciones de EC inciden en la productividad del cultivo. Serrano et al. [26] presentan un conjunto de desarrollos tecnológicos que optimizan la aplicación de fertilizantes mediante tractores; específicamente sobre sistemas de soporte a la conducción y gestión de la caja de cambios. Además, esta maquinaria está gestionada mediante GPS, y la aplicación de fertilizantes se basa en información de sensores ubicados en el cultivo.

3.6 Sistemas de información

Los trabajos encontrados que pueden clasificarse en esta sección son relativamente pocos, empezando por Ye et al. [27], quienes presentan resultados de investigación acerca de la aplicación del Internet de las Cosas (IoT: Internet of Things) y los SIG basados en web (WebGIS) en la agricultura. Proponen un modelo de gestión de AP basado en cuatro plataformas: plataforma de infraestructura de información espacial, plataforma de IoT, plataforma de gestión de agricultura y cliente móvil. El sistema fue aplicado a una granja ecológica, ayudando al personal a reducir el tiempo de monitorización de los cultivos al presentar información en tiempo real, mejorando así la rentabilidad de los mismos. La figura 2 muestra la arquitectura en detalle.

Por otra parte, en [28], los autores analizan la evolución de diferentes elementos relacionados con cultivos, suelos, clima, personas, metas, objetivos y toma de decisiones, de donde se centran en seis tipos de análisis de sistemas agrícolas. Los resultados obtenidos son evaluados en dos escenarios diferentes con cultivos diferentes. La aproximación a un modelo de gestión, monitorización, simulación y comunicación se muestra en la figura 3, en donde se observa un conjunto de procesos divididos en dos partes para facilitar la toma de decisiones, gestión y monitorización.

En [29] se describe un análisis de datos para experimentos en AP, incluyendo aplicaciones para el caso de uso de la caña de azúcar. Este análisis se basa en la representación de técnicas de adquisición de datos, la estimación de ruido en cada medición, el análisis de autocorrelación espacial para cada atributo y el análisis de componentes principales (PCA: Principal Component Analysis) de los mismos. Los resultados obtenidos son datos de la diversidad del suelo y atributos del cultivo, medidos por técnicas de AP, obteniéndose una alta correlación en diversas variables. El sistema para dicho análisis se muestra en la figura 4, de donde se observa el tratamiento de información de manera correlacional y el análisis de PCA realizado.

Finalmente, Wang et al. [30] proponen un sistema de monitorización de información basado en arquitectura abierta, el cual consiste de redes de sensores junto con una plataforma de información del servicio. Los sensores capturan y reportan información entre ellos a través de técnicas multisalto y la transmiten mediante pasarelas GPRS hacia la plataforma de información, la cual genera reportes para informar a los encargados del cultivo. Además, los autores recalcan dos características que los sistemas de información deberían tener para optimizar sus aplicaciones: interfaces estándar y plataforma de servicio de información abierta. La figura 5 muestra la arquitectura del sistema propuesto por los autores.

Con la revisión de literatura presentada anteriormente se observa que, aunque se encontraron proyectos de investigación relacionados con sistemas de información orientados hacia diferentes cultivos, estos se enfocan tanto en tecnologías como en etapas específicas del ciclo de vida, además de la resolución de necesidades particulares utilizando diferentes tecnologías y procedimientos. Por ende, son las aproximaciones más cercanas a la propuesta de este documento, la cual se diferencia de los anteriores trabajos al presentar una arquitectura integral, basada en software y hardware libres, apoyándose en RPA para la comunicación inalámbrica, enfocada en cultivos de caña orgánica y sus correspondientes prácticas, y capaz de informar al usuario final acerca de distintas variables agroclimáticas del cultivo en cuestión.

3.7 Análisis del estudio de selección de artículos

Aplicando los criterios de selección descritos en la sección 2.3, se obtuvo un conjunto de 30 trabajos relacionados con el tema de investigación. Como resultado de la revisión de literatura se presentan las respuestas a las preguntas de investigación de la sección 2.1.

Teniendo en cuenta la pregunta inicial de investigación, referente a temas de interés para la comunidad científica dentro de una ventana de tiempo reciente, los sistemas de información representan un amplio campo de investigación en el cual los autores enfocan sus trabajos alrededor de subtemas específicos. Dichos subtópicos son principalmente las tecnologías descritas en la sección 1, como los trabajos con RPA, basados en redes de sensores y DSS.

Para responder a la segunda pregunta de investigación acerca de las características que presentan estos sistemas en relación con su arquitectura, funcionamiento y aplicabilidad, los trabajos encontrados describen la arquitectura y su funcionamiento de manera general. Es así como los sistemas de información descritos en [27-30] describen gráficamente su arquitectura y operación, presentando características comunes como: utilización de sensores para la captura de datos en terreno, presentación de datos a las personas encargadas de los cultivos, transmisión inalámbrica de datos, entre otras, por lo que estas características comunes encontradas en los sistemas descritos por los respectivos autores serán tenidas en cuenta para la propuesta presentada en este artículo.

Para dar respuesta a la última pregunta de investigación acerca de técnicas y procedimientos no explorados en la proposición de sistemas de información basados en AP, la investigación realizada encontró brechas al momento de la implementación de sistemas integrales de información multifuncionales, por lo que la propuesta presentada planea la integración de varias tecnologías de agricultura de precisión en un sistema integral. Tecnologías como redes de sensores integradas con RPA, además de DSS y monitorización por GPS están proyectadas a ser implementadas en la propuesta. También, el sistema propuesto estará en capacidad de medir, procesar y presentar información de gases de efecto invernadero (GEI) de los distintos procesos del cultivo para caracterizar la huella de carbono de la caña de azúcar.

4. SISTEMA PROPUESTO

De acuerdo con estudios previos de organizaciones relacionadas con la industria azucarera colombiana, las compañías azucareras requieren nuevas tecnologías, modelos, sistemas y elementos para mejorar el proceso de cultivo de caña de azúcar. En consecuencia, nace esta propuesta de un sistema integral de información basado en AP para el cultivo de dicho producto en Colombia y con posibilidad de ser adaptado a otros cultivos.

4.1 Arquitectura

El sistema propuesto tendrá en cuenta tres dominios de arquitectura, con el fin de obtener una completa realimentación durante el ciclo de vida del producto y presentar resultados confiables y aplicables a los cultivos de caña del país. En la figura 6 se muestra la arquitectura propuesta.

• Arquitectura tecnológica: define los componentes y elementos tecnológicos del sistema. Está constituida por los equipos para procesamiento, almacenamiento y redes de datos; la arquitectura de los sensores, sus tecnologías de comunicación y los medios de comunicación requeridos para la recolección de datos. Este dominio define los siguientes elementos:

– Requerimiento de los datos entregados por los SIG y GPS.

– Arquitectura hardware de los medios de procesamiento y almacenamiento de los datos.

– Arquitectura técnica de los sensores y sus tecnologías de comunicación inalámbrica.

• Arquitectura de datos: precisa la estrategia para la organización, integración y consolidación de los datos obtenidos por medio de la arquitectura tecnológica. Permite la generación de informes, indicadores y tableros de control, lo que facilita la toma de decisiones de tipo técnico y económico, al facilitar mayores y mejores elementos de juicio. Este dominio define entre sus principales características cómo será:

– El flujo de datos obtenidos de los SIG, GPS y su integración con las TIC.

– La estructura, características y niveles de almacenamiento de los datos.

– Ciclo de vida, calidad y perdurabilidad de los datos obtenidos.

– Tecnología de intercambio de datos entre distintos repositorios.

• Arquitectura del sistema de información: detalla la estrategia para la organización de los sistemas de información empresarial, garantizando su correcta alineación con los procesos del negocio. Además, incorpora las soluciones aplicativas que apoyan el sistema propuesto e identifica los componentes y servicios que den respuesta a necesidades comunes de las áreas de negocio. Define principalmente los siguientes elementos:

– Integración del sistema de información con los datos generados en la arquitectura tecnológica.

– Generación de reportes para la toma de decisiones por el área o unidad de negocio responsable.

Es preciso insistir que el sistema propuesto busca la optimización del proceso de cultivo de la caña de azúcar orgánica en Colombia. Por ende, la aplicación de tecnologías de AP que se busca está enfocada a todas las etapas del ciclo de vida del cultivo (ver figura 7). Asimismo, se trabajará en asocio con una hacienda poseedora de cultivos de caña de este tipo, por lo que los requerimientos y necesidades que presenten serán los retroalimentados al sistema para buscar obtener los resultados esperados, mostrados más adelante.

4.2 Motivación

La necesidad de optimizar el proceso de cultivo de la caña de azúcar en Colombia, los requerimientos que las compañías azucareras presentan actualmente basados en capacidades de procesamiento, clima, tipo de suelo, etc., y la necesidad de disminuir la huella de carbono producida por la agricultura, particularmente por el ciclo de vida de la caña de azúcar hacen que la propuesta presentada en este documento esté alineada a proponer soluciones en estos tópicos. Los actores involucrados en el cultivo de caña de azúcar requieren herramientas eficientes, confiables y robustas para mejorar sus prácticas empresariales, por lo que la propuesta descrita busca satisfacer dichos requerimientos. El sistema descrito involucrará requerimientos generales en el cultivo de caña de azúcar orgánica, pero será escalable y adaptable a otro tipo de caña y cultivo.

4.3 Resultados esperados

Los entregables y resultados deseados para ser presentados por el sistema propuesto son los siguientes:

• Mapas de productividad: monitores de productividad en maquinaria agrícola, optimización de rutas.

• Mapas de fertilidad del suelo: determinación de niveles de nutrientes para análisis de suelos, adecuada aplicación dependiendo de necesidades, clima, época del año, etc.

• Mapas de recomendación: fertilización ideal, mapas de aplicación, trazabilidad de procesos de aplicación.

• Mapas de emisiones de GEI: información detallada de GEI emitidos, recomendaciones para su reducción.

4.4 Trabajo futuro

La tarea principal a futuro será implementar cada uno de los dominios mostrados en la figura 6, siguiendo los lineamientos de la investigación paralela sobre GEI que realizará el grupo ICUBO acerca de huella de carbono; conjuntamente se tendrán en cuenta los requerimientos puntuales de la hacienda donde se realizarán pruebas de campo. Se analizarán los procedimientos realizados durante el cultivo del producto, con el fin de sintetizar soluciones en el marco de AP que optimicen el uso de recursos como agua y fertilizantes, además de implementar el sistema de monitorización y sensado remoto de características del suelo.

5. CONCLUSIONES

La agricultura de precisión se presenta como una técnica novedosa para aumentar la productividad de las empresas agrícolas. Busca optimizar el proceso de cultivo de un producto mediante el uso de GPS, SIG, sensores, drones, etc., y, aunque presenta desafíos para su implementación, se considera como prometedora para afrontar las crecientes necesidades de la industria agrícola.

Este artículo presentó una revisión de la literatura enfocada en sistemas de información para AP, encontrándose que, si bien la investigación en esta área es considerable, pocos proyectos se han enfocado en su descripción. Por consiguiente, surge la propuesta de un sistema de información basado en AP, compuesto de tres (3) dominios que abarcan todo el ciclo de vida del cultivo de caña de azúcar. Las características, enfoques y posibles resultados a obtener están definidos por las necesidades generales de los ingenios azucareros colombianos, del tipo de suelo, del clima de la región, entre otros.

La investigación continuará definiendo específicamente los componentes de cada dominio, junto con visitas técnicas a la hacienda seleccionada para observar las etapas del ciclo de vida del cultivo y proponer, mediante análisis de datos, estrategias para la implementación de AP.

Leer más