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