AGRICULTURA DE PRECISION I. Introducción

AGRICULTURA DE PRECISION
Organización de la Presentación
Jorge Pérez Quezada
Depto. Cs. Ambientales y Rec. Naturales Renovables
Facultad de Ciencias Agronómicas – U. de Chile
•
•
•
•
•
•
I. Introducción
II. Ejemplos prácticos
III. Herramientas
IV. Análisis de Información
V. Aplicaciones en Chile
VI. Perspectivas
[email protected]
I. Introducción
Manejo Sitio Específico (MSE): El manejo de
un predio a una escala espacial y temporal
apropiada a su variabilidad natural
Criterios que justifican hacer un MSE
(1)Existe una variación espacial dentro del predio
significativa en factores que influyen en el
rendimiento y/o calidad del cultivo,
Agricultura de Precisión (AP): Es el conjunto
de tecnologías que hacen posible la aplicación del
MSE
Objetivos: → aumentar la producción
→ mejorar la calidad
→ reducir costos
→ reducir el impacto ambiental.
AGRICULTURA ANTIGUA
(2) Las causas de esa variabilidad pueden ser
identificadas y medidas, y
(3) La información recopilada puede ser usada
para modificar el manejo del cultivo para cumplir
el/los objetivos.
AP es en último término = manejo de información
MECANIZACIÓN AGRÍCOLA
1
LABORES AGRÍCOLAS DE PRECISIÓN
AGRICULTURA DE PRECISIÓN
Poda de invierno
Raleo de fruta
II. Ejemplo Práctico
• Nivelación en campo de arroz
– 40 hectareas de Arroz
– Imágen Aérea Infraroja 1998
– Mapa de Rendimiento 1998
– Mapa Topográfico 1999
– Sistema de Información Geográfico
PERCEPCIÓN REMOTA
Imágen Aérea Infraroja
25 días después de la Siembra 1998
MAPA DE RENDIMIENTO
Cosecha 1998
2
SISTEMAS DE INFORMACION GEOGRAFICO
Mapa Topográfico
30 días previo a la siembra 1999
APRECIACION VISUAL
Mapa Altimétrico
Georeferenciado
con GPS
III. Herramientas
•
•
•
•
•
•
•
III. Herramientas
GPS
GPS
Percepción remota
Monitores de rendimiento
SIG
Aplicadores de dosis variable
Autoguía
Otros sensores
3
Herramientas
GPS
III. Herramientas
PERCEPCIÓN REMOTA
Se necesitan 4
satelites mínimo
para ubicar un
punto
en el espacio
Herramientas
PERCEPCIÓN REMOTA
Herramientas
PERCEPCIÓN REMOTA
Reflectancia (%)
60
Vegetación vigorosa
40
Vegetación con bajo vigor
20
Superficie sin vegetación
0
0,4 0,5 0,6 0,7 0,8 0,9 1,0 1,1 µm
R
IR
Indice de Vegetación de Diferencia Normalizada (NDVI)
r = i – (α + τ)
r= reflectancia;
α= absorbancia;
i= radiacion incidente
τ= transmitancia
Herramientas
PERCEPCIÓN REMOTA
NDVI =
IR − R
IR + R
III. Herramientas
MONITORES DE RENDIMIENTO
NDVI relacionado
con:
(Johnson et al., 2003)
• productividad,
• plagas y enfermed.,
• estatus hídrico,
LAI: índice de area foliar
4
III. Herramientas
SISTEMAS DE INFORMACIÓN GEOGRÁFICA
III. Herramientas
APLICADORES DE DOSIS VARIABLE
nivelación
enfermedades
fertilidad
textura
rendimiento
Herramientas
APLICADORES DE DOSIS VARIABLE
III. Herramientas
AUTOGUIA
“Relative” Solution
Reducción de 10-20%
en aplicación
Trimble
T
III. Herramientas
OTROS SENSORES
5
Herramientas
OTROS SENSORES
Malezas
Textura
+ GPS → SIG =
+ GPS → SIG =
(Jurado-Exposito et al., 2003)
IV. Análisis de Información
• Variabilidad espacial y temporal del
rendimiento
• Relación con variables de suelo
• Zonas de manejo
Análisis de variabilidad de rendimiento
en rotaciones de 4 cultivos
en el Valle de Sacramento, California
(1996 - 1999)
J.F. Pérez Quezada & R.E. Plant
Department of Agronomy and Range Science
University of California
Davis, California
Campo 5
Trigo
Tomate
Frejol
Maravilla
• Predominantemente
Franco arcilloso
• 30 ha
• muestreo de suelo
6
Campo 58
Trigo
Tomate
Maravilla
Maiz
• Arcillo limoso
• 30 ha
7
BEAN '98 VS SUNFLOWER '99
Crop
Field 5
Field 58
Number of
Mean
Standard
Coefficient of
pixels
(Kg/ha)
Deviation
Variation (%)
Wheat ('95 - '96)
776
2927
1375
50.0
Tomato ('97)
714
69525
18990
27.3
Bean ('98)
545
1561
374
24.0
Sunflower ('99)
707
2012
202
10.0
Wheat ('95 - '96)
780
4428
1447
32.7
Tomato ('97)
566
82583
19448
23.5
Sunflower ('98)
780
3048
399
13.1
Corn ('99)
780
13912
2392
17.2
S un flow er (K g/ha)
Estadísticas de rendimiento
(grilla de 20 × 20 m)
y = 0.1359x + 1793
R2 = 0.0561
3500
3000
2500
2000
1500
1000
500
0
0
1000
2000
3000
4000
Bean (Kg/ha)
8
ESTANDARIZACION DE
RENDIMIENTOS
Yi : rendimiento de cada celda
Y : rendimiento promedio para ese año
Ys rendimiento estandarizado para cada celda
⎛Υi ⎞
Ys = ⎜ ⎟ ∗ 100
⎝Υ ⎠
Sumscore : Σ Ys j
Ys j rendimiento estandarizado de cada celda para cada año
⎛σ ⎞
CV = ⎜ ⎟ ∗ 100
⎝Υi ⎠
CV coeficiente de variación de cada celda
σ desviación estándar sobre el promedio de rendimiento estandarizado
(Yi ) para cada celda
Plot of Means for Eac h C lus ter
1.5
Análisis de Cluster
Estandarización
(
)
Υs = Υi −Υ ∗ 100
A
Plot of Means for Eac h C lus ter
1.5
5
1.0
B
1.0
0.5
0.5
0.0
0.0
-0.5
Υi es el rendimiento para el píxel i
-0.5
Υ es el rendimiento promedio del año y cultivo en particular.
-1.0
WH EAT
TOMATO
BEAN
SU N FLWR
-1.0
C lus ter
N o. 1
C lus ter
-1.5
N o. 2
WH EAT
Var iables
Plot of Means for Eac h C lus ter
• Varianza dentro del grupo es minimizada
1.0
BEAN
SU N FLW R
Variables
C
Plot of Means for Eac h C lus ter
1
58
0.5
• Varianza entre grupos es maximizada
TOMATO
D
0
0.0
-1
-0.5
-2
• Sin considerar información espacial
-1.0
-3
-1.5
WH EAT
TOMATO
SU N FLW R
Var iables
C lus ter
N o. 1
C lus ter
N o. 2
C lus ter
N o. 3
C OR N
C lus ter
N o. 1
C lus ter
-4
N o. 2
W H EAT
TOMATO
SU N FLW R
C OR N
C lus ter
N o. 1
C lus ter
N o. 2
C lus ter
N o. 3
Variables
9
Balance Económico (US$/ha) Campo 5
Análisis de Regresión
• Xs: Tres clases texturales, materia orgánica y pH
• Y: Sumscore
Table 3. Variables and adjusted coefficient of determination (R2) of best-fit
models obtained by regression analysis.
Variable
R2
Soil organic matter (SOM)
0.42
Field 5 Silt content (SILT)
0.35
SOM+ SILT
0.54
SILT
0.15
Field 58 SAND
0.10
SILT + SAND
0.14
CONCLUSIONES
• Falta de correlación de rendimiento entre años
• Clusterización es muy útil para Agric. Precisión
• Campo 5 tiene gran variabilidad intrínseca en una
variable: drenaje de suelo. Es conveniente dividir el campo
en dos o tres unidades de manejo?
V. Aplicaciones en Chile
• Programa de Agricultura de Precisión INIAU. de Concepción
– Fruticultura de precisión
– Vitivinicultura de precisión
– www.progap.cl
• Campo 58 es mas homogéneo en sus propiedades de suelo.
Como se puede aumentar el rendimiento total?
10
Empresa Agroprecisión
www.agroprecision.cl
Maquinaria
• Sargent Agrícola
VI. Perspectivas futuras
• Venta de equipos GPS
• Mapeo de suelo (muestras y C.E.)
• Imágenes satelitales y fotos aéreas
multiespectrales
• Implementación de SIG
Número de Monitores de Rendimiento por país.
Rodolfo Bongiovanni INTA, 2003
30000
– Sembradoras de precisión, neumáticas
– Cosechadoras con monitores de rendimiento
para cereales; ±15 en el sur
35000
30000
25000
20000
15000
Métodos para Monitorear Rendimiento
1.
2.
3.
150
150
250
400
400
800
850
Brasil
Gran
Dinamarca
Australia
Argentina
50
Suecia
15
Francia
Alemania
15
Uruguay
6
15
6
Holanda
Sudáfrica
5
Bélgica
12
5
España
China
4
0
Portugal
5000
Chile
10000
Paraguay
• Falta capacidad de análisis de la información
• Adaptación tecnológica
• Incorporación del concepto de agricultura de
precisión
EE.UU.
• DERCO-MAQ
AGRICULTURA DE PRECISION
Método de Cosechar y Pesar
Método de Pesaje en la Tolba de la Cosechadora
Métodos Continuos y/o Instantáneos
Jorge Pérez Quezada
Depto. Cs. Ambientales y Rec. Naturales Renovables
Facultad de Ciencias Agronómicas – U. de Chile
[email protected]
11
Métodos de Interpolación Espacial
Thiessen
Método más simple.
-29.5
Casi más un método de asignación
que de interpolación
-30
-30.5
-31
Adaptable a variables discretas.
-31.5
-32
-71.5
Inverso de la distancia.
Z ( x, y ) =
-70.5
-70
Inverso de la distancia.
82
80
78
76
74
72
70
68
66
64
62
60
58
56
54
52
50
48
46
44
42
40
38
36
34
32
30
28
-29
Las cosas más cercanas se
parecen más.
-71
∑ z (i , j ) W (i , j )
i, j
-29.5
∑ W (i , j )
-30
i, j
Influencia definida por una función.
-30.5
1
W (i , j ) =
D (i , j ) n
-31
-31.5
Mientras mayor el valor de n, mayor peso a los valores cercanos al
punto que se quiere interpolar
Tendencia (trend)
Ajuste de polinomio de grado n
-71.5
-71
-70.5
Regresiones.
130
125
120
115
110
105
100
95
90
85
80
75
70
65
60
55
50
45
40
35
30
-29
-29.5
-30
-30.5
-31
Uso de una o varias variables
Independientes.
90
85
80
75
-29.5
70
65
60
55
-30
50
45
40
35
-30.5
30
25
20
15
-31
10
5
0
-31.5
-31.5
-32
-71.5
-71
-70.5
-71.5
TENDENCIA
Z(x,y)= a + b x + c y + d x2 + e x y + f y2
-71
-70.5
-70
TENDENCIA
Z(x,y)= a + b x + c y + d DisMar + e Pend + f NDVI
12