Agricultura de precisión y sostenibilidad

Qué es la teledetección

Definiciones

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

Algunas otras definiciones de percepción remota son:

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

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

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

Historia

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

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

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

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

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

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

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

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

landsat.gif (29467 bytes)

Figura 1.3 Satélite Landsat

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

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

Propiedades y conceptos fundamentales

El espectro electromagnético

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

wave.gif (6514 bytes)

Figura 1.4 Radiación electromagnética

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

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

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

emspec.gif (6125 bytes)

Figura 1.5 Espectro electromagnético

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

radiación.gif (8739 bytes)

Figura 1.6

Región visible

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

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

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

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

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

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

Figura 1.7

Región de infrarrojos

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

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

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

Interacción entre plantas y radiación electromagnética

Estructura de la hoja

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

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

leaf.gif (63606 bytes)

Figura 1.8 Sección transversal de una hoja de una planta típica

Respuesta espectral

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

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

Figura 1.9

Tipos de sensores

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

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

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

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

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

img1bnd.gif (2810 bytes)

Figura 1.12 Las filas y columnas de píxeles representan una imagen

Resolución

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

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

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

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

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

Procesamiento de imágenes

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

Preprocesamiento

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

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

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

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

toledo_small_raw.jpg (12229 bytes)

Figura 1.13 Datos brutos del sensor aéreo sin corregir.

toledo_synthetic_small.jpg (14879 bytes)

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

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

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

LongBeach.jpg (122278 bytes)

Figura 1.15 Ejemplo de terreno o desplazamiento de relieve.

Postprocesamiento

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

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

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

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

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

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

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

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

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

Leer más
Agricultura de precisión y sostenibilidad

La agricultura digital comienza a dar forma al campo del futuro

Un sensor mide lo que el tractor hace en el campo y recolecta datos. Recopila información sobre la densidad y profundidad en la que se plantaron las semillas, registra si se aplicaron moléculas de protección de cultivos y con qué frecuencia se utilizaron fertilizantes.

Los datos se complementan con imágenes satelitales, información de temperatura, humedad, precipitaciones y suelo. Luego, se procesan en una plataforma digital que permite visualizar todas esas variables en tiempo real para evaluar y hasta predecir (sí, leyó bien: predecir) niveles de fertilidad o recomendar semillas con una precisión que oscila entre el 75 y el 85 por ciento.

Agtech, el ecosistema que necesita ampliar sus fronteras
Parece una postal del futuro. Pero ya es una realidad para más de 150 productores argentinos que comenzaron a probar FieldView, una solución de agricultura digital desarrollada por Bayer, en más de 400.000 hectáreas de cultivos de maíz, soja, trigo y girasol. El 30 por ciento de esos pioneros son cordobeses, según informó la compañía a Agrovoz.

Beneficios

La plataforma, que se lanzó en junio en el país, permite a los productores evaluar el rendimiento de sus cultivos y gestionar la variabilidad de sus tierras. Además, genera recomendaciones personalizadas de fertilidad y siembra a fin de optimizar la productividad. En la campaña actual, FieldView está realizando recomendaciones avanzadas en densidad de semillas para poder minimizar el riesgo en ambientes menos favorables e incrementar el rinde en zonas más productivas.

“Con las recomendaciones de semillas, en el caso del maíz en Estados Unidos, donde hemos hecho el mayor trabajo, estamos ayudando al agricultor a elegir el híbrido correcto y estamos acertando aproximadamente en el 85 por ciento de las veces cuando se compara con la decisión que el agricultor proponía”, explica Sam Eathington, director científico de The Climate Corporation y responsable de agricultura digital en Bayer.

La agricultura moderna, con otro perfil de proveedores
“Las predicciones no son perfectas”, aclara. “Estamos trabajando en recomendaciones de fertilidad. En las pruebas que hemos realizado, el nivel de precisión se ha ubicado entre el 75 y el 85 por ciento, que es un nivel aceptable para los productores”, dice.

Con cada temporada, la plataforma consigue capas de información adicional que ayudan a hacer el modelo más inteligente. “Es similar a lo que ocurre con sistemas de reconocimiento de imágenes en los teléfonos móviles, que aprenden a reconocer las imágenes cada vez con mayor precisión”, ejemplifica Eathington.

San Carlos, donde las startups ayudan a producir granos y carne
El experto habló con Agrovoz y otros medios argentinos que fueron invitados por la compañía a participar del Diálogo sobre el Futuro de la Agricultura, un evento que reunió en Monheim (Alemania) a productores, académicos y periodistas para debatir sobre el futuro del sector.

Solución

FieldView tiene un costo de 1.000 dólares por año, sin importar el tamaño del campo. El único requisito es que se pueda conectar con máquinas y tractores compatibles con el sistema, con una antigüedad que no debe superar los 10 años.

“Ofrece buenos retornos a nivel de productividad y rendimiento si se compara con la inversión necesaria para el servicio”, dice el científico de Bayer.

La conservación del suelo se refuerza desde la «nube»
En Estados Unidos, la empresa está ensayando con un modelo de precios que toma riesgos con el productor y cobra en función de los resultados obtenidos tras sus recomendaciones personalizadas. Si la plataforma no genera los resultados prometidos, el productor no paga por el servicio; si las predicciones superan las previsiones del productor, el precio será acorde.

Quienes aplican soluciones tecnológicas en la gestión de sus cultivos coinciden en que la clave radica no sólo en comprometerse con la calidad de la información que se recolecta, para obtener lecturas correctas, sino también en aprender de los resultados.

Buenas prácticas aplicadas: el que innova tiene premio
“La aplicación de tecnologías de datos ofrece toda la información en un solo lugar. Es fácil calcular el retorno de la inversión y cómo varió el rendimiento en cada parte del campo, o si debo aplicar menos fertilizantes en esta parte, porque no hago dinero ahí”, explica Eathington. “No hay nada mejor que hacerlo en la propia tierra, con los equipos propios y el modelo de gestión de cada uno. Es una manera poderosa de creer en algo”, afirma.

Alcance

En Bayer destacan que la tecnología digital funciona sin importar la cantidad de hectáreas. “Puede ayudar a la productividad de todos”, afirma Eathington, quien cree que a futuro los campos necesitarán más tecnología para mantener sus operaciones, ante la pérdida de empleos que se observa en el sector.

“Antes se necesitaban varias personas para hacer un determinado proceso, ahora hace falta una. No es que la tecnología se quitó de encima a todas esas personas, sino que esas personas ya no quieren estar más en el campo”, reflexiona.

FieldView se utilizó en 2018 en todo el mundo en más de 24 millones de hectáreas de pago. Si continúa la tendencia, este año Bayer espera superar el objetivo marcado de 36 millones de hectáreas de adopción.

Leer más
Agricultura de precisión y sostenibilidad

La guía definitiva para cultivar soja

La soja es un tipo de cultivo muy delicado, pero si se cultivan muchos, la recompensa puede ser considerable. La industria de la soja ha ido viento en popa con la población mundial consumiendo ansiosamente estas pequeñas joyas. Ya sea para un producto alternativo a la carne o para hacer leche de soya para los intolerantes a la lactosa, la soja tiene una rica y diversa cantidad de usos.

Aprenda sobre la soja
La soja era originaria del este de Asia. En los Estados Unidos, la producción de soja se ha convertido en uno de los cultivos más comunes junto con el maíz. Con múltiples usos y un delicioso sabor, estos frijoles se están convirtiendo cada vez más en un elemento básico de la dieta diaria. Los principales productores de soja ahora son Estados Unidos, Brasil y Argentina, que ya no se cultivan a escalas competitivas en el este de Asia.

A qué apuntar
Debe apuntar a plantar alrededor de 75,000 plantas de soja por acre, esto generará el mayor rendimiento y ha sido probado en mega granjas y operaciones agrícolas más pequeñas. Algo más de 80.000 plantas y comienza a tener un déficit de rendimiento debido al hacinamiento y al deterioro. La soja es muy frágil y el deterioro es fácil, especialmente en condiciones de hacinamiento.

Plantando
La soja se debe plantar con cuidado usando una sembradora que pueda sembrar con precisión el cultivo. Debido a que las semillas también son frágiles, deberá tener cuidado al sembrar. Consulte nuestras otras guías de soja para conocer las prácticas de siembra.

Fertilizante
La soja necesitará nutrición como cualquier otro tipo de cultivo y la fertilización es común entre los productores de soja, sin embargo, no es una necesidad absoluta, si sus campos son fértiles y tienen un buen riego, sus plantas de soja deberían prosperar.

Manejo de malezas, plagas y hongos
Las malezas que invaden el espacio de la planta de soja reducirán el crecimiento y, como resultado, disminuirán los rendimientos. A las plagas les encanta la soja, ya que son en sí mismas una fantástica fuente de nutrición. Es importante administrar activamente sus campos de soja y contener rápidamente cualquier brote de postulantes.

Cosecha
Al cosechar la soja, perderá una parte de su cosecha, esto se debe a la naturaleza delicada y frágil de la planta. Hemos escrito una publicación de blog completa sobre la cosecha de soja y qué configuraciones usar en su equipo de cosecha.

La rotación de cultivos
Los frijoles de soya son pequeñas almas sensibles y la condición del suelo afectará su rendimiento en cada temporada. Es mejor rotar los cultivos para evitar reducciones en los rendimientos.

La soja es una gran planta para cultivar, principalmente porque tiene una gran demanda y tiene un buen precio en el mercado. Hay desafíos únicos y es importante planificar cuidadosamente la temporada de la soja para asegurarse de obtener lo mejor de su cosecha. Si usted es un productor de soja y tiene algún consejo, háganoslo saber en los comentarios a continuación. Nos encanta la soja y nos encanta lo deliciosa que es, por eso nos encantaría escuchar sus experiencias.

Leer más
Agricultura de precisión y sostenibilidad

Big Data satelital cómo está cambiando el rostro de la agricultura de precisión

El mundo de la agricultura de precisión está en constante cambio, siempre crece y se adapta a los desafíos de la agricultura a medida que surgen y se desarrollan. Uno de esos desafíos es recopilar datos precisos y luego poder interpretarlos de una manera que no solo ayude a los agricultores a aprender y comprender, sino que también les brinde todas las herramientas de conocimiento que necesitan para marcar una diferencia real en el momento de la cosecha.

Quizás sorprendentemente, la solución a este desafío en particular ha llegado a través de satélites que orbitan la Tierra a unas 400 millas de altura. Estos sofisticados bits de tecnología están recopilando, mapeando y canalizando información importante sobre las granjas y los agricultores están comenzando a ver grandes beneficios.

Cómo están ayudando los satélites
Desde 2014 ha habido una serie de satélites que proporcionan información crucial a los bancos de datos agrícolas. Estos incluyen satélites de imágenes de alta resolución como Sentinel 1 y 2 junto con Landsat-8. Con los métodos avanzados de almacenamiento de datos, ahora es más fácil que antes almacenar muchos datos en un solo lugar, es decir, almacenamiento en la nube. Este almacenamiento y las capacidades satelitales únicas han permitido que se almacene una gran cantidad de datos precisos y vitales en niveles sin precedentes.

Luego, las escuelas agrícolas, universidades e instalaciones de investigación de todo el mundo pueden utilizar y acceder a todos estos datos para construir una imagen precisa de cómo nos está yendo en lo que respecta a la producción en nuestras granjas.

Estas instalaciones también emplearían el uso de drones para corroborar las imágenes satelitales y en poco tiempo los datos recopilados fueron tan sustanciales y valiosos que se convirtieron en un área clave de inversión para las grandes empresas agrícolas. Estas mismas empresas desarrollaron formas que permitieron a los agricultores acceder a información que podría ayudarlos en sus fincas individuales. Algunos brindan servicios de mapeo por satélite, otros brindan monitoreo de cultivos por satélite y algunos brindan información clave de conjuntos de datos para permitir a los agricultores la oportunidad de tomar decisiones informadas.

Ventajas de los satélites
Desde la perspectiva del terreno, es muy difícil recopilar mucha información de forma rápida, precisa y de una manera que se pueda almacenar instantáneamente. Por ejemplo; Un vehículo de reconocimiento terrestre costará mucho ponerlo en funcionamiento, no podrá identificar fácilmente todos los cultivos, solo tendrá un campo de visión limitado y luego deberá cargar los datos que haya recopilado al final del día en una base de datos.

Aunque el costo inicial de poner un satélite en órbita es muy alto, una vez en órbita, su mantenimiento requiere muy pocos gastos financieros. Un conjunto de vehículos de recopilación de datos siempre tendrá costos de compra iniciales junto con el mantenimiento continuo y los costos de combustible.

Los satélites tienen ventajas en otras 3 áreas clave más allá de las que acabamos de mencionar.

Análisis de datos progresivo. Debido a que un satélite orbita, circulará y cubrirá un área individual de tierra más de una vez en el transcurso de una temporada de crecimiento. Esto significa que los agricultores no solo obtienen una instantánea de cómo es su granja, sino que también obtendrán una secuencia de instantáneas del rendimiento de la granja. Los satélites Sentinel, por ejemplo, proporcionan imágenes cada 6 días de cualquier ubicación determinada.
Más preciso. Las imágenes de satélite proporcionan una imagen más detallada y precisa de cualquier campo dado. Destaca cosas a través de muchos criterios diferentes, desde el tipo de cultivo, la salud de los cultivos, el riego y las áreas problemáticas.
Debido a que una imagen satelital puede capturar frentes climáticos, puede brindarles a los agricultores una evaluación en tiempo real de qué clima es inminente.
Los satélites también tienen desventajas
Debido a que los sistemas meteorológicos a veces pueden oscurecer las imágenes, a veces es difícil para los satélites trazar un mapa de un área o construir una imagen precisa. En Ucrania, las instalaciones de investigación envían constantemente drones para verificar la información recopilada por los satélites y para llenar las lagunas de datos. Esto significa que los satélites son extremadamente útiles, pero también debería haber otra herramienta de recopilación de datos para respaldar la información recopilada por los satélites.

También es muy intensivo en datos. Debido a que los satélites están recolectando tantos datos y realmente no pueden discernir por sí mismos qué datos son importantes, hay mucha información que pasa por el sistema de procesamiento. Principalmente, esto tiene un problema de velocidad de Internet, ya que hay mucha información que se transmite desde el satélite a través de Internet a la nube. Las instalaciones de investigación y las empresas agrícolas están invirtiendo donde pueden en infraestructura de Internet para contrarrestar este problema, ya que a veces puede causar retrasos o acumulación de información en el sistema.

Secundario al problema de Internet es que hay mucha información en el back-end que es relativamente inútil y mucha que debe ser revisada. Esta es otra razón por la que se emplean drones para cubrir áreas de interés, ya que la información recopilada puede correlacionarse con datos satelitales específicos.

El último problema es la identificación de cultivos. Si bien las imágenes de un vehículo terrestre a veces pueden ser difíciles de leer, las imágenes de satélite a menudo pueden ser igualmente complicadas. Dependiendo del cultivo, a veces los investigadores tienen grandes dificultades para establecer exactamente qué cultivo se está cultivando en un campo determinado.

A dónde van los satélites
Se está trabajando activamente en las desventajas y los investigadores esperan que los agricultores ofrezcan información voluntariamente a través de aplicaciones de big data sobre los cultivos que están cultivando a cambio del acceso a la información de big data que recopilan los satélites.

Los problemas de Internet deberían aliviarse con una mayor inversión y los drones hacen un gran trabajo al compensar la holgura de los satélites. Cuando se trata del clima, se está implementando una nueva tecnología para usar radares para mapear en lugar de depender de las imágenes. Esta no es la solución ideal, pero permite que se recopilen datos cuando antes no se podía.

Los satélites están comenzando a desempeñar un papel más destacado en la recopilación de datos y ayudarnos a comprender los desafíos de la agricultura. Creemos que la única forma es para ellos.

Leer más
Agricultura de precisión y sostenibilidad

MICRODOSIFICACIÓN DE HERBICIDAS PARA CONTROLAR STRIGA

Striga es una maleza que infesta hasta 40 millones de hectáreas de tierras agrícolas en el África subsahariana. Conduce a pérdidas de rendimiento entre el 20% y el 100% y afecta a 100 millones de medios de vida, provocando pérdidas anuales de cultivos por valor de mil millones de dólares. Algunas de las soluciones desarrolladas hasta ahora incluyen el uso de Imazypyr (un herbicida no selectivo utilizado para el control de una amplia gama de malezas), pero esto puede matar o dañar el cultivo. [1]

Las raíces de varias legumbres, como Silverleaf Desmodium , son eficaces en la supresión de Striga y se han incorporado en push-pull , intercalados sistema. El desmodium neutraliza la hierba Striga y Napier sirve como señuelo para plagas como el barrenador del tallo del maíz. Si bien es prometedor, el desmodium puede ser difícil de establecer como plántulas pequeñas de desmodium de crecimiento lento vulnerables a las malezas invasoras.

Recientemente, se desarrolló un gen mutante en el maíz que proporciona resistencia a Imazypyr (IR) mediante cultivo de tejidos y se combinó con variedades de maíz locales como la raza IR KSTP 94 desarrollada por el Instituto de Investigación Agrícola de Kenia (KARI). El Centro Internacional de Trigo y Maíz ( CIMMYT ) desarrolló un enfoque novedoso para recubrir estas semillas de maíz recientemente resistentes con el herbicida Imazypyr antes de su distribución. Cuando las semillas de Striga no resistentes germinan, se adhieren a las raíces del maíz y absorben el herbicida del recubrimiento de la semilla. La Striga muere y el maíz crece con poco o ningún impacto del herbicida.

El uso de maíz IR en la finca permite a los agricultores afectados por Striga en Kenia aumentar las cosechas de un promedio de 500 kg por hectárea a 1.500 kg por hectárea. Si el 20% de la tierra severamente infestada en el oeste de Kenia se cultiva con maíz IR, es posible producir 60.000 toneladas adicionales de maíz o lo suficiente para alimentar al menos a 100.000 hogares. Grace Lugongo, una agricultora de Butula, en el oeste de Kenia, explica: “Hasta 2007, nunca había sabido el significado de cosechar un saco lleno de maíz de mi terreno de 0,5 hectáreas gracias al ‘ Striga’ hierba. Todos mis esfuerzos darían como resultado sólo 2 ‘gorogoros’ (una lata de unos 2 kg) de maíz. Decidí probar el maíz IR y con los años mis rendimientos han aumentado a 10 sacos en el mismo terreno. Desde la cosecha puedo satisfacer mis necesidades de subsistencia y también puedo permitirme un excedente para vender para satisfacer mis otras necesidades, como las cuotas escolares de mis hijos ”.

Dick Morgan, de Vihiga, una ciudad en el oeste de Kenia, explicó: “Antes de que me presentaran una nueva variedad de maíz, solía plantar maíz sin éxito. Esto fue muy frustrante ya que el maíz es nuestro alimento principal. En 2005, mi suerte en el cultivo de maíz comenzó a cambiar después de que me presentaron el maíz IR, que probé y vi un aumento significativo en los rendimientos del maíz y también en la reducción de la hierba Striga en mi finca ”. [2]

Leer más
Agricultura de precisión y sostenibilidad

La agricultura de precisión en el mundo

El concepto de agricultura de precisión, en su forma actual, apareció en Estados Unidos a principios de los años 80. En 1985, investigadores de la Universidad de Minnesota, hicieron variar las aportaciones de abonos cálcicos en parcelas agrícolas. Fue en esta época cuando apareció la práctica del grid-sampling (recogida de muestras sobre una red fija de un punto por hectárea). Hacia finales de los años 80 y gracias a las extracciones realizadas mediante muestras, aparecieron los primeros mapas de preconización para las aportaciones moduladas de elementos fertilizados y para las correcciones de pH.
La evolución de las tecnologías permitió el desarrollo de sensores de rendimiento y su uso, unido a la aparición del GPS, no ha dejado de crecer hasta alcanzar en la actualidad varios millones de hectáreas cubiertos por estos sistemas. A través del mundo, la agricultura de precisión se desarrolla a ritmos diferentes en función de los países. Entre los países pioneros encontramos por supuesto a los Estados Unidos, a Canadá y Australia. El país de América latina más involucrado con esta metodología de manejo de cultivos, tanto en tasa de adopción, como en desarrollo de agro-componentes de alta complejidad es sin lugar a dudas la República Argentina, país que gracias a los esfuerzos del sector privado y de instituciones de investigación de dependencia oficial, cuenta hoy con una gran cantidad de superficie sembrada bajo esta modalidad y con una importante cantidad de profesionales muy bien entrenados para este nuevo paradigma de la agricultura moderna; otro pais de América latina que se perfila como un gran demandante de este tipo de tecnologías es Brasil.
El escenario actual de la agricultura en Brasil camina hacia una producción eficiente con la protección del medio ambiente por lo tanto, Embrapa estableció la Red Brasileña de Investigación en Agricultura de Precisión, con el objetivo de generación de conocimientos, herramientas y tecnologías para la agricultura de precisión aplicada a los cultivos de soja, maíz, trigo, arroz, algodón, pastos , eucaliptos, pinos, uva, melocotón, naranja y caña de azúcar. En Europa, los precursores fueron los ingleses, seguidos de cerca por los franceses. En Francia, la agricultura de precisión apareció en 1997-1998. El desarrollo del GPS y de las técnicas de esparcimiento modular contribuyó a arraigar estas prácticas. En la actualidad, menos del 10% de la población agrícola francesa está equipada con herramientas de modulación de este tipo. El GPS está más extendido. Pero esto no impide que utilicen servicios, que suministra mapas de recomendaciones por parcelas, considerando su heterogeneidad.

Leer más
Agricultura de precisión y sostenibilidad

El uso de drones en agricultura

Uno de los campos de actuación más propicios para los RPAS en el ámbito civil es el de la agricultura. Hay otros usos más llamativos, ni que decir tiene. Como cuando Amazon revela su programa para el envío de paquetes a través de estos dispositivos o la policía de Reino Unido obtiene luz verde para emplearlos como sistemas de vigilancia. Sin embargo, en el sector agrícola esta tecnología tiene un futuro asegurado. Más incluso, tiene un presente, pues en algunos países ya hace tiempo que operan en los campos.

Y es que los drones ofrecen múltiples posibilidades para la agricultura. Pueden sobrevolar los campos de una forma rápida y captar información diversa gracias a sus sensores. Esto permite que aquellos que gestionan los cultivos tengan a su disposición una herramienta para controlar e incrementar la productividad.

Un solo dron puede monitorizar cientos de hectáreas de forma precisa, evaluando las condiciones del terreno, con el fin de recoger información sobre la hidratación, la temperatura o el ritmo de crecimiento de los cultivos. Una de las funciones más importantes que se atribuyen a estos dispositivos es la localización prematura de enfermedades. De esta forma se pueden evitar plagas que arruinen parte de la cosecha.

Toda esta información proporciona un ahorro de costes significativo para los agricultores. Evitar las plagas también contribuye a reducir la cantidad de productos químicos que se emplean en los cultivos. No solo las cosechas crecen de forma menos artificial sino que no es necesario comprar tantos herbicidas y pesticidas como hasta ahora. Cuando haya que utilizarlos, los propios drones los pueden arrojar, al igual que los fertilizantes.

Los dispositivos pueden controlar cómo funciona el riego y también sirven de improvisados espantapájaros, al mantener alejadas a las aves. Son capaces de enviar fotografías e incluso vídeo en tiempo real a un centro donde se observe el estado de los cultivos. Este tipo de operaciones ya se han puesto en práctica en algunos lugares. Uno de los países más avanzados en este sentido es Japón.

En el país del Sol Naciente un modelo de dron, el Yamaha RMAX, lleva trabajando en los campos desde dos décadas atrás, ocupándose de lanzar pesticidas y fertilizantes. Su historia viene de antiguo. En 1983, el Ministerio de Agricultura de Japón se preocupaba por el envejecimiento de la población rural. Para paliar este problema se propuso modernizar el campo como una vía para atraer gente joven.

Se le pidió a Yamaha que empezara a desarrollar un vehículo no tripulado para ayudar en las tareas del campo y en los años 90 se introdujeron las primeras unidades. A estas alturas un 40% de los arrozales japoneses cuentan con un dron sobrevolándolos. La tecnología se ha exportado a Corea del Sur y recientemente a Australia, una tierra donde abundan las grandes plantaciones. La compañía espera poder entrar en Estados Unidos en 2015, orientando su producto a cultivos como uvas, pistachos o almendras, aparte de arroz.

Leer más
Agricultura de precisión y sostenibilidad

Drone Tech lleva el control de malezas en la granja a un nuevo nivel

Ha habido muchos rumores sobre los usos potenciales de los drones en la agricultura. Y, crece el rumor de que los vehículos aéreos no tripulados (UAV) podrían desplegarse en una tarea con la que todo agricultor debe enfrentarse: el manejo de malezas.

Los UAV pueden viajar donde es difícil navegar por tierra, desde volar sobre bosques densos hasta flotar sobre lagos, arroyos y otros cuerpos de agua. Y cuando están equipados con las herramientas adecuadas, los investigadores dicen que pueden ser bastante efectivos tanto para encontrar como para tratar las malas hierbas problemáticas.

ANUNCIO

Identificación y mapeo de malezas

Los UAV equipados con cámaras y otras tecnologías de sensores han medido con éxito la densidad de malezas y se han utilizado para identificar y mapear múltiples especies de malezas con una precisión superior al 90%. También se han utilizado para detectar diferencias en las temperaturas del dosel entre especies de malezas sensibles al glifosato y resistentes al glifosato, datos utilizados para identificar malezas resistentes con un nivel de precisión de más del 95%.

Una desventaja: analizar los datos recopilados por los UAV lleva tiempo, y eso puede significar un retraso costoso en las decisiones de manejo de malezas.

Los investigadores dicen que las herramientas de inteligencia artificial pueden eliminar el retraso a medida que las computadoras aprenden a identificar y mapear las malas hierbas sobre la marcha. Sin embargo, se debe trabajar más para desarrollar las bases de datos masivas de imágenes de malezas necesarias para el aprendizaje automático.

Aplicación aérea de herbicidas

Los investigadores están probando actualmente un sistema de pulverización de UAV semiautónomo guiado por coordenadas del sistema de posicionamiento global (GPS) introducidas en el planificador de vuelo del UAV. Descubrieron que los UAV pueden sobrevolar áreas de tratamiento específicas con una precisión de 1 a 2 pies, lo que mejora la precisión y seguridad de las aplicaciones de herbicidas.

Sin embargo, antes de que tales sistemas se utilicen ampliamente en la agricultura, los investigadores dicen que es importante aprender más sobre los patrones de deriva de la pulverización, el impacto del tamaño de las gotas y los impactos ambientales y de salud de las aplicaciones de herbicidas basados ​​en UAV. Dicha información será fundamental para la EPA, ya que trabaja para establecer políticas que abordarán los patrones aceptables de uso de UAV, el etiquetado de herbicidas y los problemas de reglamentación, seguridad y cumplimiento.

Pero aquellos que investigan los UAV como herramienta para el control de malezas están optimistas sobre el potencial. Con la capacidad de procesamiento de computadora adecuada y la energía de la batería, los UAV pueden algún día volverse completamente autónomos, capaces de identificar malezas y realizar aplicaciones de herbicidas específicas para el sitio en tiempo real, todo como parte de un sistema de manejo de malezas sostenible y específico para el sitio.

“Es fácil imaginar programas de respuesta temprana para tratar las malezas potencialmente resistentes que escaparon de un tratamiento anterior”, dice Muthu Bagavathiannan, un científico de malezas de la Universidad Texas A&M. «Hacerlo podría mejorar en gran medida el control de malezas y minimizar la reposición del banco de semillas de malezas, al tiempo que se reduciría la cantidad de herbicidas utilizados».

UAV para el manejo de malezas acuáticas

El manejo de malezas acuáticas es un área donde los UAV realmente pueden brillar y es un problema común para los productores de Florida. El mapeo de malezas es crucial para evaluar el riesgo de invasores de plantas que amenazan los recursos hídricos vitales. Pero puede ser una tarea difícil de realizar mediante observaciones en barco o en la costa.

Según Rob Richardson , un científico de malezas de la Universidad Estatal de Carolina del Norte, los UAV equipados con cámaras de alta resolución pueden viajar rápidamente sobre cuerpos de agua para detectar nuevas infestaciones de malezas, estimar la biomasa de los lechos de malezas sumergidas o flotantes y monitorear las malezas antes y después. tratamiento.

“Los UAV nos brindan una forma oportuna y de bajo costo de llegar a áreas de una vía fluvial que de otra manera serían inaccesibles en bote debido a aguas poco profundas, falta de instalaciones de lanzamiento o la presencia de tocones, rocas u otros peligros”, dijo Richardson. “Pueden ser una herramienta importante para una respuesta rápida y para tomar decisiones de manejo de malezas mejor informadas”.

Los UAV también se pueden usar para aplicar tratamientos en áreas específicas sobre amplias franjas de invasores de malezas, agrega Richardson. Se están realizando investigaciones para explorar importantes variables de tratamiento acuático, desde las boquillas aplicadoras más adecuadas hasta las mejores prácticas para gestionar la deriva de la pulverización.

Leer más
Agricultura de precisión y sostenibilidad

Mapas de rendimiento en agricultura de precisión

Monitores de rendimiento: una de las fuentes pioneras de PA
Los monitores de rendimiento han estado disponibles desde principios de la década de 1990. Han sido clave en el desarrollo de la agricultura de precisión porque fueron uno de los primeros medios para definir, cuantificar y caracterizar la variabilidad dentro del campo en la producción de cultivos.

Figura 1. Mapa de rendimiento que muestra la variabilidad espacial del rendimiento dentro del campo

Estos monitores están montados en cosechadoras y miden en tiempo real la cantidad de grano que pasa a través de la cosechadora cuando se está recolectando la cosecha. Tenga en cuenta que el tipo de medición de rendimiento que se realiza depende de la ubicación de estos sensores dentro de la máquina. Cuando la cosechadora pasa por el campo, la cosecha (tallos y granos) se corta al nivel del cabezal y fluye en la cosechadora a través del transportador de alimentación. Los sistemas de trilla luego separan los granos de los tallos. Los granos se limpian con el ventilador y las mesas de cribado y se abren camino hasta el tanque de almacenamiento, la tolva, que fluye a través del canal del sinfín de granos y el elevador de granos. Los tallos se rechazan de la cosechadora.

Figura 2. Diagrama de una cosechadora convencional (Fuente: Wikipédia).

Adquisición de datos de rendimiento dentro del campo: cosechadoras combinadas y monitores de rendimiento
Los monitores de rendimiento generalmente se instalan cerca del elevador de granos (Figura 3). Generalmente se reportan dos sistemas principales: los caudalímetros volumétricos (Figura 3, a, b) y los caudalímetros másicos (Figura 3, c, d, e, f) [Berducat, 2000; Chung et al., 2017].

Los sensores de flujo de volumen estiman el volumen de grano ya sea en una rueda de paletas situada justo después del elevador de granos (Figura 3, a) o directamente dentro del elevador de granos usando una barrera de luz unidireccional (Figura 3, b). En el primer caso, un sensor de nivel mide el nivel de grano que fluye a través de la rueda. En el segundo caso, el volumen de grano se estima por la duración de la interrupción de la luz mientras el grano fluye a través del elevador de granos. A continuación, los volúmenes de grano se convierten en masa de grano utilizando el peso específico del grano.
Los sensores de flujo másico se basan en el principio de medición de la fuerza (Figura 3, d, e, f) o en la absorción de rayos gamma por masa (Figura 3, c) (Kormann et al., 1998). En el primer caso, el peso del grano se estima mediante un transductor de fuerza que mide la fuerza de impacto del grano al final del elevador de grano. En el segundo caso, un detector de radiación mide la absorción de rayos gamma (emitidos por la fuente de iones de radiación) por el grano, que luego se utiliza para estimar el peso del grano.

Figura 3. Monitores de rendimiento: sensores de flujo de masa y volumen (fuente: Kormann et al., 1998)

Todos los sistemas de la cosechadora que entran en juego para calcular el rendimiento del cultivo se muestran en la Figura 4. Los sensores de humedad se utilizan para proporcionar un registro de rendimiento a un nivel de humedad de referencia. Estos sensores generalmente se colocan cerca del sinfín de granos o del elevador de granos para estimar la humedad del grano usando las propiedades dieléctricas del grano cosechado. Tenga en cuenta que los sistemas de posicionamiento permiten asociar una ubicación en el espacio para producir registros y, en consecuencia, permiten generar mapas de rendimiento.

Figura 4. Tecnologías de mapeo de rendimiento dentro de una cosechadora (fuente: Kormann et al., 1998; Chung et al., 2017)

Características de los datos dentro del campo
La adquisición de datos de rendimiento dentro del campo puede entenderse como un procedimiento secuencial a través del tiempo durante el cual una cosechadora adquiere información espacial de rendimiento. El proceso de recopilación de datos sigue una dinámica temporal, es decir, las observaciones se registran en un orden específico una a la vez a medida que la máquina pasa por el campo (Figura 5). La máquina puede ser modelada simplemente por un elemento estructurador que se mueve por el campo, es decir, un rectángulo cuyas dimensiones están definidas por las características de la cosechadora y los sensores integrados asociados (monitor de rendimiento en este caso). Las mediciones de rendimiento sobre la marcha son observaciones puntuales y cada punto sintetiza la respuesta de rendimiento sobre el elemento estructurante correspondiente. La resolución espacial de rendimiento está controlada por la distancia entre registros consecutivos y determinada por la distancia entre pasadas adyacentes de la máquina. La distancia espacial entre observaciones consecutivas está relacionada con la velocidad de la máquina y la frecuencia de muestreo del sensor. En un campo dado, esta frecuencia de adquisición es generalmente estable, lo que significa que la distancia entre registros consecutivos solo depende de la velocidad de desplazamiento de la cosechadora. Por otro lado, cuando una cosechadora con un monitor de rendimiento de grano a bordo pasa por un campo, la distancia entre pasadas adyacentes está relacionada con el ancho de la barra de corte porque todo el campo tiene que ser cosechado. La distancia espacial entre observaciones consecutivas está relacionada con la velocidad de la máquina y la frecuencia de muestreo del sensor. En un campo dado, esta frecuencia de adquisición es generalmente estable, lo que significa que la distancia entre registros consecutivos solo depende de la velocidad de desplazamiento de la cosechadora. Por otro lado, cuando una cosechadora con un monitor de rendimiento de grano a bordo pasa por un campo, la distancia entre pasadas adyacentes está relacionada con el ancho de la barra de corte porque todo el campo tiene que ser cosechado. La distancia espacial entre observaciones consecutivas está relacionada con la velocidad de la máquina y la frecuencia de muestreo del sensor. En un campo dado, esta frecuencia de adquisición es generalmente estable, lo que significa que la distancia entre registros consecutivos solo depende de la velocidad de desplazamiento de la cosechadora. Por otro lado, cuando una cosechadora con un monitor de rendimiento de grano a bordo pasa por un campo, la distancia entre pasadas adyacentes está relacionada con el ancho de la barra de corte porque todo el campo tiene que ser cosechado.

Figura 5. Adquisición de datos de rendimiento dentro del campo (puntos azules) con una cosechadora (fuente: Leroux et al., 2018a)

Por lo tanto, estas observaciones están distribuidas irregularmente en el espacio porque

las distancias entre filas y entre filas son diferentes y
(ii) las condiciones de adquisición, como la precisión del GNSS o la velocidad de combinación variable, pueden afectar la distribución espacial de las observaciones, y
(iii) pueden faltar algunas observaciones (pérdida de la señal de posicionamiento, tarjeta de memoria llena).
La información de rendimiento también es muy densa (miles de puntos por hectárea) y muy ruidosa debido al error estocástico en la operación del sensor, la variabilidad local intrínseca en la producción y los errores asociados con el paso de la cosechadora por el campo (Simbahan et al., 2004). ; Sudduth y Drummond, 2007). Sin embargo, los datos de rendimiento dentro del campo generalmente exhiben una estructura espacial bastante fuerte, es decir, las observaciones espaciales están bien estructuradas dentro de los campos y los patrones espaciales de rendimiento son claramente visibles (Pringle et al., 2003). Como la mayoría de los cultivos herbáceos deben recolectarse cada año, es probable que estén disponibles bases de datos históricas de mapas de rendimiento en muchos sistemas arables. Sin embargo,

Disposición y usos
En la comunidad científica de agricultura de precisión, los datos de rendimiento se utilizan generalmente para (i) cuantificar y caracterizar la variabilidad dentro del campo, (ii) correlacionar el rendimiento con una variable auxiliar y (iii) validar la idoneidad de una aplicación de modulación. Y debe decirse que no es muy complicado encontrar investigaciones que utilicen estos datos de rendimiento dentro del campo en algún momento. Sin embargo, un reciente estudio de mapeo científico (una especie de mapa mental) también mostró que el interés de la comunidad científica de agricultura de precisión en los mapas de rendimiento había disminuido entre los períodos 2000-2009 y 2010-2016 (Pallottino et al., 2017).

Cuando uno está interesado en el uso de sensores de rendimiento en el campo, es otra cuestión… Ya casi no hay estadísticas para Francia (por eso el observatorio francés de usos digitales en Francia pronto publicará una infografía sobre el tema). No obstante, se pueden encontrar estadísticas más o menos recientes de varios países, además de Francia, en informes técnicos y bibliografía científica. ¡Los invito a tomar estas estadísticas en retrospectiva!

En primer lugar, debemos tener claro el hecho de que estas tendencias en el uso varían mucho entre países (y en ocasiones incluso regiones) y las culturas que se monitorean. Los agricultores estadounidenses pueden haber sido los primeros usuarios en involucrarse en tales tecnologías de mapeo de rendimiento (Griffin et al., 2004; Fountas et al., 2005). Estos autores han informado que, en 2005, alrededor del 90% de los monitores de rendimiento en el mundo estaban en los EE. UU. Griffin y Erickson (2009) también han proporcionado algunas tasas de adopción de una Encuesta de gestión de recursos agrícolas. Según el estudio y los datos disponibles, el 28% de los acres plantados con maíz de EE. UU. (En 2005), el 10% del trigo de invierno (en 2004) y el 22% de la soja (en 2002) se cosecharon con una cosechadora equipada con un monitor de rendimiento. Norwood y Fulton (2009) han concluido en su estudio que el 32% de los agricultores de EE. UU. Usaban sistemas de monitoreo de rendimiento. La Figura 6 muestra los resultados de otro estudio que investiga la adopción de sistemas de mapeo de rendimiento por cultivo en Estados Unidos (Schimmelpfennig, 2016). Incluso si las estimaciones no son exactamente las mismas, las tendencias pueden considerarse similares. Con respecto a los cultivos investigados, claramente parece que la producción de cultivos como el maíz, la soja y el trigo ha sido seguida cada vez más por los agricultores desde principios de la década de 2000 a través de tecnologías de mapeo de rendimiento. Dadas las tendencias observadas, se debería esperar que la adopción en campañas más recientes (2017, 2018) sea nuevamente mayor. Un estudio más reciente también señaló el hecho de que las granjas de arroz en EE. UU. Habían adoptado en gran medida tecnologías de monitoreo de rendimiento,

Figura 6. Adopción de tecnologías de mapeo de rendimiento por cultivo en Estados Unidos

Las tasas de adopción de tecnologías de mapeo de rendimiento no se informan tan ampliamente en otros países, pero algunos estudios nacionales pretendían proporcionar algunas cifras detalladas. Según el Departamento de Medio Ambiente, Alimentación y Asuntos Rurales, los agricultores ingleses han experimentado un pequeño aumento en la adopción de mapas de rendimiento del 7 al 11% entre 2009 y 2012 (DEFRA, 2013). En Australia, McCallum y Sargent (2008) han informado de una tasa de adopción muy baja de tecnologías de mapeo de rendimiento (menos del 1%). Dentro del mismo país, se estimó que se habían utilizado alrededor de 800 monitores de rendimiento en el año de cosecha 2000 (Mondal & Basu, 2009). Fountas y col. (2005) han evaluado que alrededor de 400 agricultores daneses, 400 británicos, 300 suecos y 200 alemanes habían adoptado monitores de rendimiento para el año 2000. También se han informado tecnologías de mapeo de rendimiento en países en desarrollo (Say et al., 2017). En Argentina, Mondal y Basu (2009) informaron que alrededor del 4% del área de granos y semillas oleaginosas se había cosechado mediante cosechadoras con monitores de rendimiento en 2001 (se estaban utilizando 560 monitores de rendimiento). Según Keskin y Sekerli (2016), alrededor de 500 cosechadoras combinadas (3% en todo el país) están equipadas con sistemas de monitoreo de rendimiento en granjas de Turquía. Akdemir (2016) proporcionó una menor tasa de adopción de tecnologías de mapeo de rendimiento (310 cosechadoras en lugar de 500) en el mismo país. Según Keskin y Sekerli (2016), alrededor de 500 cosechadoras combinadas (3% en todo el país) están equipadas con sistemas de monitoreo de rendimiento en granjas de Turquía. Akdemir (2016) proporcionó una tasa de adopción más baja de tecnologías de mapeo de rendimiento (310 cosechadoras en lugar de 500) en el mismo país. Según Keskin y Sekerli (2016), alrededor de 500 cosechadoras combinadas (3% en todo el país) están equipadas con sistemas de monitoreo de rendimiento en granjas de Turquía. Akdemir (2016) proporcionó una tasa de adopción más baja de tecnologías de mapeo de rendimiento (310 cosechadoras en lugar de 500) en el mismo país.

Ventajas y límites de los datos de rendimiento dentro del campo
Si bien es evidente que la adopción de tecnologías de cartografía de rendimiento está aumentando tanto en los países desarrollados como en desarrollo, uno puede preguntarse qué factores y aspectos de los datos de rendimiento dentro del campo pueden haber contribuido a una adopción tan lenta de tecnologías de cartografía de rendimiento. Los monitores de rendimiento montados en cosechadoras han estado disponibles desde principios de la década de 1990. Sin embargo, los datos de rendimiento todavía tienen dificultades para ser un componente decisivo del proceso de toma de decisiones en los estudios de agricultura de precisión. En términos de la utilidad de los datos de rendimiento, la comunidad científica ha informado de múltiples problemas. En primer lugar, está claro que los patrones de rendimiento espacial se originan a partir de una interacción entre las condiciones de manejo, climáticas y ambientales (suelo, paisaje, ataques de plagas, etc.) dentro de una temporada de cultivo. lo que significa que no es posible derivar mapas de aplicación de tasa variable directamente durante un año n basándose únicamente en los datos de rendimiento en el año n-1. En segundo lugar, se reconoce que en cultivos anuales y perennes, la variabilidad temporal del rendimiento es a menudo más fuerte que la variabilidad espacial del rendimiento, lo que puede dificultar los análisis en períodos cortos y largos (Blackmore et al., 2003; Bramley y Hamilton, 2004; Eghball y Power, 1995; Lamb et al., 1997). Esta variabilidad temporal se debe esencialmente a factores no estables, como los patrones climáticos o el tipo de cultivos que se cultivan cada año (Basso et al., 2012). Varios autores han declarado que la cantidad de años de datos de rendimiento disponibles para realizar análisis temporales de rendimiento fue fundamental (Bakhsh et al., 2000; Kitchen et al., 2005) y algunos incluso han intentado proponer un número mínimo de años necesarios para obtener resultados fiables (Ping y Dobermann, 2005). Además de eso, los datos de rendimiento a menudo vienen con una gran cantidad de observaciones defectuosas como resultado del paso de la cosechadora dentro de los campos, que no se corresponden con el rendimiento que debería haberse obtenido en las condiciones de cultivo en el campo (esto ser discutido en elpróxima publicación ). Algunas de estas observaciones erróneas se informan ampliamente en la literatura, por ejemplo, retraso del flujo, tiempos de llenado y vaciado, cambios abruptos de velocidad o barra de corte parcialmente usada (Arslan y Colvin, 2002; Sudduth y Drummond, 2007). Se han propuesto algunas mejoras, por ejemplo, sensores para medir en tiempo real el ancho de corte (Zhao et al., 2010), pero la mayoría de las cosechadoras no están equipadas con estas nuevas tecnologías. Estos errores, si no se toman en cuenta, pueden influir en las decisiones agronómicas sobre los campos (Griffin et al., 2008). Desde una perspectiva más práctica, también se puede argumentar que los usuarios finales solo pueden obtener la información sobre el rendimiento al final de la temporada de crecimiento, lo que podría constituir una limitación en términos de la herramienta de apoyo a la toma de decisiones.

Sin embargo, desde el punto de vista de la agricultura de precisión, estos datos de rendimiento de alta resolución son una fuente de información muy valiosa que sería aberrante no considerar (Florin et al., 2009). Los patrones espaciales de rendimiento son una información valiosa para caracterizar mejor las fuentes de variabilidad espacial en los campos. Los agricultores están interesados ​​en conocer los patrones espaciales y temporales del rendimiento medio en sus campos para poder tomar decisiones de manejo informadas y confiables. Se ha demostrado que, a pesar de una fuerte variabilidad temporal, a menudo era posible detectar patrones espaciales de rendimiento consistentes a lo largo de los años (Kitchen et al., 2005; Taylor et al., 2007). Algunos patrones de rendimiento se encontraron consistentes incluso en diferentes cultivos y condiciones climáticas variables. Además, Los patrones espaciales de rendimiento pueden brindar información relevante con respecto a las características del suelo dentro del campo o pueden ayudar a representar la influencia de otros factores externos, como las prácticas de manejo y las condiciones climáticas (Diker et al., 2004). Por ejemplo, Taylor et al. (2007) mostraron que, en partes específicas de su estudio de campo, el manejo de la rotación de cultivos en años anteriores originó variaciones en los patrones espaciales de rendimiento. Otros autores han encontrado que las áreas de alto rendimiento en años secos podrían, al mismo tiempo, ser áreas de bajo rendimiento en años húmedos, lo que podría brindar información crítica con respecto a las características del suelo dentro del campo (Colvin et al., 1997; Sudduth et al. al., 1997; Taylor et al., 20 07). Otra gran ventaja de estos conjuntos de datos de rendimiento es su accesibilidad. Algo que se consideró como un defecto en el párrafo anterior también puede verse como un activo fuerte. De hecho, en la mayoría de los casos, la cosecha debe realizarse, lo que significa que estos datos se pueden recopilar anualmente una vez que los agricultores han invertido en monitores de rendimiento y, en consecuencia, se pueden construir grandes bases de datos de mapas de rendimiento. Finalmente, debe argumentarse que los datos de rendimiento dentro del campo están directamente relacionados con el rendimiento del cultivo y, por lo tanto, con el margen bruto del campo. Como tal, estos datos brindan información práctica y muy comprensible a los agricultores y asesores. Debe argumentarse que los datos de rendimiento dentro del campo están directamente relacionados con el rendimiento del cultivo y, por lo tanto, con el margen bruto del campo. Como tal, estos datos brindan información práctica y muy comprensible a los agricultores y asesores. Debe argumentarse que los datos de rendimiento dentro del campo están directamente relacionados con el rendimiento del cultivo y, por lo tanto, con el margen bruto del campo. Como tal, estos datos brindan información práctica y muy comprensible a los agricultores y asesores.

¿Cómo valorizar los mapas de rendimiento?
Sin entrar en los detalles de todos los proyectos que podrían llevarse a cabo utilizando mapas de rendimiento, aquí hay un pequeño resumen de lo que se podría hacer. Algunas de estas ideas se han abordado en el manuscrito de tesis que encontrará en el sitio web. Algunas de estas ideas son bastante operativas, otras son más exploratorias. ¡La lista obviamente no es exhaustiva!

Espacialice los modelos agronómicos con datos de rendimiento de alta resolución. Por ejemplo, se había trabajado en planes de fertilización con P / K para evaluar en qué medida la información sobre el rendimiento dentro del campo podría usarse para refinar los planes de fertilización, incluido el refinamiento de los potenciales de rendimiento dentro del campo y las exportaciones de P / K dentro del campo.
Espacializar mapas de rendimiento / rentabilidad económica en granjas (este será el tema de una próxima publicación)
Utilice series de tiempo de rendimiento para comprender mejor los potenciales de rendimiento y las brechas de rendimiento dentro del campo. Este trabajo fue abordado en el marco de la tesis
Evaluar el potencial de acciones de modulación en un terreno.
Validar la relevancia de los experimentos de campo
Mejorar el conocimiento del rendimiento a una escala espacial determinada (región, territorio, etc.) para una cooperativa o un ascensor que quiera obtener suministros.
Utilice mapas de rendimiento para guiar las campañas de muestreo de campo
Utilice series de tiempo de rendimiento para mejorar la comprensión de los factores que limitan el rendimiento en las parcelas. Se evocaron pistas durante la discusión del manuscrito de tesis.
Utilice series de tiempo de rendimiento para evaluar el riesgo para un agricultor de no cambiar sus prácticas o no participar en prácticas de agricultura de precisión o modulación. Se evocaron pistas durante la discusión del manuscrito de tesis.
-….

Una última crítica para los fabricantes.
Acabamos de hablar sobre la accesibilidad de los datos de rendimiento; hablemos de interoperabilidad. Si comienza a trabajar con datos de rendimiento, se dará cuenta rápidamente de que hay una cantidad impresionante de formatos de datos proporcionados por los fabricantes…. ¡Pero estos son en su mayoría formatos privados! Si no tiene el software propietario que lo acompaña, buena suerte … Entonces tendrá que desarrollar módulos específicos para poder leerlos. Súmale a eso el hecho de que cada constructor mide las variables que le interesan, y que las unidades de medida son diferentes y te arrancarás el pelo bastante rápido.

Leer más
Agricultura de precisión y sostenibilidad

De las vacas a los cultivos visión artificial para la agricultura de precisión

Los avances tecnológicos recientes han permitido un cambio radical en la forma en que los agricultores, agrónomos y fitomejoradores pueden recopilar y analizar datos. La gestión automatizada del bienestar del ganado, el control de malas hierbas de precisión y la medición de los rasgos fenotípicos en las plantas permiten mayores rendimientos con menos insumos, como piensos y productos químicos agrícolas. En muchos de estos sistemas es fundamental el concepto de visión por computadora , el proceso de análisis de imágenes o videos para obtener automáticamente mediciones significativas, sin necesidad de intervención manual. En la RE • WORK Future of Food Summit , Ian Hales, investigador asociado en visión artificial 3D en el Bristol Robotics Lab, discutirá estos sistemas y cómo benefician directamente a la comunidad de ciencia agrícola y vegetal, utilizando ejemplos del mundo real y de vanguardia actualmente en desarrollo. El proyecto más reciente de Ian es el desarrollo de un sistema para la gestión automatizada de la salud y el bienestar en el ganado lechero, aprovechando la gran cantidad de datos valiosos que se pueden obtener a partir de imágenes 3D para medir los rasgos afectados por la cojera y la condición, con el objetivo de detectarlos precoz y previniendo sufrimientos innecesarios, al tiempo que maximiza el rendimiento. Nos reunimos con Ian, antes de su presentación en el evento del 21 de junio, para escuchar sus pensamientos sobre la industria AgTech . ¿Cuáles cree que son los desafíos más urgentes dentro de las industrias alimentaria y agrícola?La industria láctea está bajo una presión constante para bajar los precios, y muchos agricultores informan sobre pérdidas en el costo de producción. La producción de leche de vaca se puede correlacionar directamente con su estado de bienestar y, como tal, mantener una buena condición corporal es clave para maximizar el rendimiento. Se ha demostrado que la calificación de la condición en el ganado lechero es un proceso algo subjetivo, propenso a discrepancias no solo entre diferentes observadores sino también entre observaciones del mismo animal por el mismo observador. También se ha demostrado que la detección confiable de la cojera no es trivial, ya que el ganado a menudo intentará ocultar los síntomas a los observadores humanos. ¿Cómo se pueden solucionar estos problemas con la tecnología?Los sistemas comerciales de visión por computadora están actualmente en desarrollo para examinar, registrar e informar de manera autónoma la condición del ganado lechero repetidamente y durante períodos prolongados. Las ventajas de tales sistemas son triples:

El productor lechero puede mantener un registro preciso y duradero del estado del hato.
Las mediciones de dicha condición son objetivas y no están sujetas a la influencia humana.
Los animales en sí mismos no están influenciados por la presencia de humanos, por lo que es menos probable que intenten enmascarar los síntomas, lo que permite una detección más temprana y precisa de la cojera.
¿Qué nuevos desarrollos en AgTech y FoodTech podemos esperar ver en los próximos 5 años? Los sistemas de visión por computadora ya se están implementando comercialmente para aumentar la maquinaria agrícola existente, como la desbrozadora Garford InRow; sin embargo, a menudo sigue habiendo un fuerte elemento humano. Estamos empezando a ver el surgimiento de sistemas robóticos totalmente autónomos como herramientas especializadas y de investigación (por ejemplo, Bosch BoniRob) y creo que esta es la dirección hacia la que podemos esperar que se muevan los sistemas comerciales, especialmente a medida que la UE mantiene su enfoque de Horizonte 2020 en seguridad alimentaria. ¿Cuáles son las tres cosas principales que le gustaría ver cambiadas o inventadas en la industria alimentaria para 2050?

Sistemas robóticos totalmente autónomos en toda la cadena de cultivo de cereales (desde la preparación, el crecimiento y la cosecha)
La erradicación del uso de químicos para el control de malezas a gran escala en favor de metodologías no químicas (mecánica, calor, corriente eléctrica)
Hidroponía interior y agricultura vertical para reducir el costo de los productos frescos y maximizar el rendimiento en áreas de espacio limitado

Leer más