“herramientas de agricultura de precisión para … · precisión para aumentar productividad ......
TRANSCRIPT
1
Rodrigo Ortega Blu
Ing. Agrónomo, MS, PhD
13 de Septiembre de 2016
“Herramientas de Agricultura de
Precisión para Aumentar Productividad
y Eficiencia: Desarrollo Actual y
Limitaciones para su Adopción en la
Agricultura Chilena”
Desafíos de la agricultura del
siglo XXI
• Demanda creciente de alimentos.
• Menor disponibilidad de suelos cultivables.
• Cambio climático:
– Menor disponibilidad de agua.
– Aumento de las temperaturas.
– Mayor erosión de suelos (lluvias cortas e intensas).
• Suelos degradados
• Pérdida de diversidad
• Contaminación de aguas por N y P.
• Disminución de la población rural.
• Necesidad de realizar manejos sustentables
Concentración de N en agua de
pozo, VI región.
N-NO3 mg/L 41.8
N-NH4 mg/L 1.89
Total mg/L 43.7
P en agua subterránea
2
Nuevos paradigmas en Agricultura
• Agricultura de precisión y biotecnología.
• Aprox. 50% de las ganancias en rendimiento
se atribuyen al mejoramiento genético. El
50% restante es manejo agronómico.
• Biotecnología no solo involucra el
mejoramiento de plantas sino también la
producción y uso de bioinsumos.
• Tecnologías complementarias.
Agricultura de Precisión es buena Agronomía con información de calidad.
Beneficios de la Agricultura de
Precisión.
• Mejorar la toma de decisiones
• Aumentar la productividad
• Aumentar la eficiencia productiva
• Disminuir el impacto ambiental
• Cumplir con las exigencias de trazabilidad
Aumentar la eficiencia productiva
Ejemplos de eficiencia
• Eficiencia de uso del agua de riego– 20 a 40% con sistemas tradicionales
– 60 a 90% con sistemas tecnificados
• Eficiencia de uso del nitrógeno (ERNF)– 40 a 50%
– Impacto ambiental negativo
• Eficiencia de uso de plaguicidas– Baja
– Impacto ambiental negativo
3
Recolección de datos Datos versus información
datos análisisinformación
De datos a información
1
• Identificar necesidades de información
2
• Recolectar apropiadamente los datos
3
• Procesar adecuadamente los datos
4
• Reportar apropiadamente la información
Producción de cultivos
cultivo)o,clima,rendimientsuelo,def(análisisiónFertilizac
ej.
ión)f(informacManejo
,genética)ima,manejof(suelo,clo,CalidadRendimient
4
Dominio geográfico de la recomendación.
Grandes áreas geográficas
Zonas dentro de grandes áreas
Predio
Grupo de cuarteles
Cuartel
Sectores dentro de cuarteles
m2
Agricultura de Precisión en el mundo
• Explosivo desarrollo en los últimos 25 años, particularmente en EEUU, Europa y Australia.
• Gran desarrollo en Argentina y Brasil.
• Incipiente desarrollo en Centro y Sudamérica (con la excepción de Argentina y Brasil).
• En Chile, desarrollo tiene cerca de 20 años– A diferencia de otros países ha ocurrido principalmente en
uva vinífera (viticultura de precisión) y frutales.
– Menor desarrollo en cultivos y praderas.
– Mercado en pleno crecimiento.
• A nivel mundial mayor impacto a través de empresas especializadas en AP, las que han sido compradas por los grandes actores.
Adopción de tecnologías en
Sudamérica
• Variable en los distintos países de la región.
• Algunos ejemplos de mayor adopción.
– Argentina: sistemas de guía y monitoreo de cosecha.
– Brasil: sistemas de guía y aplicación variable.
– Chile: sensores remotos y mapeo de suelos.
• Existe un gran potencial de desarrollo.
• Conocer tecnologías y puntos críticos.
¿Porqué agricultura de
precisión?
• Elevada variabilidad espacial y temporal
– Rendimiento y calidad
– Factores que los determinan
• Necesidad de aumentar eficiencia productiva
– Maximizar los rendimientos y calidad de productos
– Reducir costos unitarios de producción
• Necesidad de realizar manejos sustentables.
– Mejorar o mantener la calidad de los recursos naturales
• Requerimientos de trazabilidad
5
Monitores de rendimiento Variabilidad espacial del
rendimiento
Fuente: Ortega y Esser, 2003
Variabilidad espacial en calidad de
fruta.Mapas de rendimiento y series de suelo.
6
Variabilidad espacial de la mineralización de
N en vid vinífera.
Statistic 1 2 Average
Average 0.5 0.3 0.5
Min 0.1 -0.1 0.1
Max 1.5 1.2 1.5
CV (%) 68 100 68
Site
kg N ha-1 d-1
Martinez, Ortega, Janssens, 2009
Medida simple de variabilidad espacial.
• Varianza (s2) o desviación estándar(s)
– Problema: depende del tamaño de los números de cada variable
• Coeficiente de variación
– Medida de variabilidad estandarizada
CV(%) =s
x·100
Coeficiente de variación para materia orgánica
(MO) y pH en suelos maiceros.
0
5
10
15
20
25
30
35
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
Localidad
CV
(%
)
0
5
10
15
20
25
30
35
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
Localidad
CV
(%
)
MO pH
Tecnologías y herramientas de AP.
• Sistemas de Navegación Global Satelital
(GNSS)
• Sistemas de información geográfica (SIG)
• Sensores directos y remotos
• Maquinaria y equipos especializados
• Análisis espacial cuantitativo
(geoestadística)
• Minería de datos
7
Tecnologías base para AP.
SIG Sensores RemotosGNSS
Comp. de campo
Computadores para AP
Sistemas de navegación global
satelital (GNSS)
• Navstar GPS-Estados Unidos
• Glonass-Rusia
• Galileo – Union Europea
• Compass- China
• Indian Regional Navigational Satellite
System(IRNSS)- India
Tipos de receptores
Exactitud=Precio
8
Patrones de guíaTrazado de plantaciones con piloto
automático
PILOTO ONTRAC 3 SURCANDO Agricultura de precisión en cultivos
y frutales.
• Mapeo de suelos previo a la plantación.
– Subsolado
– Aplicación de enmiendas
– Diseño de riego
• Fertilización sitio-específica
• Aplicación variable de agroquímicos
• Seguimiento de cultivos
• Predicción de cosecha
9
Series de suelo
Sensores para estudio de suelos.Arreglo de sensores de pH e inducción
electromagnética (Cea).
10
Mapa de conductividad eléctrica
aparente (CEa).
Supuesto: A>CEa>Arcilla
Relación entre CEa y propiedades de
suelo seleccionadas.
Sitio A
Variable
Zona de CEa
1 (1.5-2.5 mS m-1) 2 (2.5-4.2 mS m-1) 3 (4.2-8.0 mS m-1)
Promedio DE Promedio DE Promedio DE
Limo (%) 8.9 a 3.3 11.8 a 3.3 13.9 a 3.2
Arcilla (%) 10.6 a 0.6 10.7 a 1.1 11.8 a 1.5
Mapeo de suelos.
Fuente:NEOAG AP.
Calicatas
11
Optimización de las formas de los
sectores de riego.
SQI SQI
Aplicación variable
12
pH
6.196
5.865
5.786
5.713
5.32
13
Materia Orgánica (%)
16.9
11.5
10.6
9.7
5.4
P Olsen (ppm)
28
16.1
13.9
12.2
5.5
K extractable (ppm)
426
308
259
198
85
Dosis de P (kg P2O5/ha)
143
108
98
88
64
14
Modelo de optimización
-2
0
2
4
6
8
10
12
14
16
-2 -1 1 3 4
Fre
qu
en
cy
Z_N
Z_P2O5
Z_K2O
ji
ijijijKKK
ijPPPijijNNNm
mKmz
PmzNmzMinij
lij
,
2
0
2
0
2
00,
)1())((
))(())((
Na Pa
Ka
Z0=DISTR.NORM.ESTAND.INV(1-t)
Si t=0.5 Z0=1
Si t=0.9 Z0=-1.28
Dosis de P (kg P2O5/ha)
143
108
98
88
64
Control de proteina en cebada Resultados
ZONA
Dosis de N
(kg N/ha) n
Promedio %
Proteína
ROJO 90 11 10,16 a
AMARILLO 64 9 9,91 a
VERDE 41 5 10,32 a
15
Efecto de largo plazo de la forma
de aplicación de fertilizantes. Fija agronómica Variable óptima
Sensor OptRx
Aplicación variable de N usando
OptRxSensores remotos
Satelital
Aerea• Avión
• Dron
Terrestre
16
Bandas en sensores
multiespectrales
Fuente: RapidEye
Fuentes de datos
Plataforma Fuente
SATELITAL LANDSAT
SPOT
RAPIDEYE
QUICK BIRD
IKONOS
FASAT Charlie
AEREA SPECTERRA
VARIOS
DRON VARIOS SENSORES
TERRESTRE VARIOS SENSORES (OPTRX)
Sensores pasivos vs activos
• Pasivos: miden la reflectancia a la luz solar
(mayoria de los sensores en plataformas
aéreas y satelitales)
• Activos: emiten luz blanca y miden la
reflectancia a dicha luz a distintas
longitudes de onda. OptRx.
– Permite trabajar de noche
17
• RVI (ratio vegetation index):
• NDVI (índice de vegetación de la diferencianormalizada):
• NDRE (se calcula respecto a la banda limite rojo).
• GVI
rojoNIRRVI /
)/()( rojoNIRrojoNIRNDVI
rojo)limiterojo)/(NIRlimite(NIRNDRE
Índices de vegetación
CítricosUva de
mesa
Uva de
mesa
Uva
vinífera
Uva
vinífera
FEB 2004 –QUICK BIRD, 0.6 m
CatastroIdentificación de los factores limitantes
• Ley del Mínimo: nivel de rendimiento y calidad definidos por el factor más limitante.
• Agricultura de precisión permite identificar los factores limitantes.
• Si factor limitante puede ser corregido, se corrige, si no se ajusta el manejo.
Pérdida de rendimiento
18
Variabilidad espacial del PCD.
Sensor Specterra, 0,5 m resolución.
Indices de vegetación-vigor-tipo
de suelo.
Cuarteles seleccionados
Thompson Seedless
Red Globe
84
19
Monitoreo de doselDefinición de zonas de vigor por
NDVIRed Globe
Thompson Seedless
Relación entre NDVI y actividad
enzimática.
0
50
100
150
200
250
LOW MEDIUM HIGH
AcP
h A
ct (
Me
an)
NDVI
Vigor y variedad sobre la actividad de fosf. Ac.
RG
THS
Cambios despues de aplicación
diferencial de compost.
Enero 2015 Diciembre 2015
20
Crecimiento promedio de dosel bajo
dos tratamientos.
91
T0
T1
Volúmenes de aplicación
Predicción de rendimiento
𝑦 = β0 + β1𝑥1 + β2𝑥2 + β3𝑥3 …+ β𝑘𝑥𝑘 + 𝑒
Donde:
y=rendimiento
xj..k=variables predictoras
• Variables de muestreo en terreno
• Indices de vegetación
Predicciones en uva de mesa
60DAC
94
21
Predicción de rendimiento en uva
vinífera
Productor
Informaciónpromedio
Información sitio-específica
Manejo uniforme
Manejo sitio-específico
Marco conceptual para el análisis
económico.
MUMSESEVI
Valor de la información sitio-específica.Rentabilidad de la aplicación
variable de fertilizantes.
Promedio=30% Promedio=40%
% 𝑎𝑢𝑚𝑒𝑛𝑡𝑜 =(40 − 30)
30∗ 100 = 33%
22
Comentarios finales
• Agricultura de Precisión es la vía natural para aumentar
productividad en cultivos y frutales en Chile de manera sustentable.
• Existen muchas herramientas de AP disponibles para uso
inmediato en cultivos.
– No todas generan los mismos resultados.
– Deben conocerse sus ventajas y desventajas.
• Gran desafío en términos de transformar datos en información
para aumentar productividad.
• Capacitación es esencial (falta masa crítica).
Enseñanza formal de AP.
• Ausente en la mayoría de las Universidades,
IP y escuelas agrícolas.
• Pocos ejemplos:
– Agricultura de Precisión. Magíster en Ciencias Vegetales. PUC (2001-2004)
– Agricultura de Precisión. Magíster en Gestión y Tecnología Agronómica. USM (2011-2013).
– Agricultura de Precisión. Pregrado. Inacap (2017).
– Postgrado en AP. Universidad de Talca.
Comentarios finales
• Una efectiva Agricultura de Precisión
requiere:
– Datos adecuadamente colectados
– Datos adecuadamente procesados
– Generación de información útil para la toma de
decisiones.
– Mucho espacio para la innovación.
• No nos sirven los mapas bonitos.
• “Garbage in… Garbage out”
12 puntos 58 puntos 116 puntos