N-NO3 mg/L 41.8 N-NH4 mg/L 1.89 Total mg/L 43.7

Desafíos de la agricultura del
siglo XXI
“Herramientas de Agricultura de
Precisión para Aumentar Productividad
y Eficiencia: Desarrollo Actual y
Limitaciones para su Adopción en la
Agricultura Chilena”
Rodrigo Ortega Blu
Ing. Agrónomo, MS, PhD
13 de Septiembre de 2016
Concentración de N en agua de
pozo, VI región.
N-NO3
mg/L 41.8
N-NH4
Total
mg/L 1.89
mg/L 43.7
• 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
P en agua subterránea
1
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.
Beneficios de la Agricultura de
Precisión.
• Mejorar la toma de decisiones
• Aumentar la productividad
• Aumentar
Aumentar la eficiencia
productiva
la eficiencia
productiva
• Disminuir el impacto ambiental
• Cumplir con las exigencias de trazabilidad
Agricultura de Precisión es buena
Agronomía con información de calidad.
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
2
Recolección de datos
Datos versus información
datos
De datos a información
análisis
información
Producción de cultivos
• Identificar necesidades de información
1
• Recolectar apropiadamente los datos
2
• Procesar adecuadamente los datos
3
4
• Reportar apropiadamente la
información
Rendimiento,Calidad  f(suelo,clima,manejo,genética)
Manejo  f(información)
ej.
Fertilización  f(análisis de suelo, rendimiento,clima,cultivo)
3
Dominio geográfico de la recomendación.
Grandes áreas
geográficas
Zonas dentro de
grandes áreas
Predio
Grupo de
cuarteles
Cuartel
Sectores
dentro de
cuarteles
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.
m2
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
4
Monitores de rendimiento
Variabilidad espacial en calidad de
fruta.
Variabilidad espacial del
rendimiento
Mapas de rendimiento y series de suelo.
Fuente: Ortega y Esser, 2003
5
Variabilidad espacial de la mineralización de
N en vid vinífera.
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
Site
Statistic
Average
Min
Max
CV (%)
1
2
0.5
0.1
1.5
68
kg N ha-1 d-1
0.3
-0.1
1.2
100
CV(%) =
Average
0.5
0.1
1.5
68
s
·100
x
Martinez, Ortega, Janssens, 2009
Coeficiente de variación para materia orgánica
(MO) y pH en suelos maiceros.
pH
35
30
30
25
25
20
20
CV (%)
CV (%)
MO
35
15
15
10
10
5
5
0
0
1
2
3
4
5
6
7
8
9
10 11 12 13 14 15 16 17 18
Localidad
1
2
3
4
5
6
7
8
9
10 11 12 13 14 15 16 17 18
Localidad
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
6
Tecnologías base para AP.
GNSS
SIG
Sensores Remotos
Comp. de campo
Sistemas de navegación global
satelital (GNSS)
•
•
•
•
•
Computadores para AP
Tipos de receptores
Navstar GPS-Estados Unidos
Glonass-Rusia
Galileo – Union Europea
Compass- China
Indian Regional Navigational Satellite
System(IRNSS)- India
Exactitud=Precio
7
Patrones de guía
PILOTO ONTRAC 3 SURCANDO
Trazado de plantaciones con piloto
automático
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
8
Series de suelo
Sensores para estudio de suelos.
Arreglo de sensores de pH e inducción
electromagnética (Cea).
9
Mapa de conductividad eléctrica
aparente (CEa).
Relación entre CEa y propiedades de
suelo seleccionadas.
Sitio A
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
Variable
Supuesto: A>CEa>Arcilla
Mapeo de suelos.
Calicatas
Fuente:NEOAG AP.
10
Optimización de las formas de los
sectores de riego.
SQI
SQI
Aplicación variable
11
pH
6.196
5.865
5.786
5.713
5.32
12
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
13
Modelo de optimización


Na
Pa
Min    N (( N   N z0 )mij  N ij )   P (( P   P z0 )m ij  Pij ) 2
mij ,l  0
2

  K (( K   K z0 )mij  K ij ) 2  (1   ) mij 
i, j


Ka
Dosis de P (kg P2O5/ha)
143
108
98
88
64
16
14
Z0=DISTR.NORM.ESTAND.INV(1-t)
12
Si t=0.9 Z0=-1.28
Frequency
10
Si t=0.5 Z0=1
Z_N
8
Z_P2O5
6
Z_K2O
4
2
0
-2
-1
1
3
4
-2
Control de proteina en cebada
Resultados
Dosis de N
Promedio %
ZONA
(kg N/ha)
n
Proteína
ROJO
90
11
10,16 a
AMARILLO
64
9
9,91 a
VERDE
41
5
10,32 a
14
Efecto de largo plazo de la forma
de aplicación de fertilizantes.
Fija agronómica
Sensor OptRx
Variable óptima
Aplicación variable de N usando
OptRx
Sensores remotos
Satelital
Aerea
• Avión
• Dron
Terrestre
15
Bandas en sensores
multiespectrales
Fuentes de datos
Plataforma
Fuente
SATELITAL
LANDSAT
SPOT
RAPIDEYE
QUICK BIRD
IKONOS
FASAT Charlie
AEREA
SPECTERRA
VARIOS
DRON
VARIOS SENSORES
TERRESTRE
VARIOS SENSORES (OPTRX)
Fuente: RapidEye
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
16
FEB 2004 –QUICK BIRD, 0.6 m
Índices de vegetación
Uva
vinífera
Uva de
mesa
• RVI (ratio vegetation index):
RVI  NIR / rojo
• NDVI (índice de vegetación de la diferencia
normalizada):
NDVI  ( NIR  rojo )/( NIR  rojo )
• NDRE (se calcula respecto a la banda limite rojo).
NDRE  (NIR  limite rojo)/(NIR  limite rojo)
• GVI
Catastro
Cítricos
Uva de
mesa
Uva
vinífera
Identificación 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
17
Variabilidad espacial del PCD.
Sensor Specterra, 0,5 m resolución.
Indices de vegetación-vigor-tipo
de suelo.
84
Cuarteles seleccionados
Thompson Seedless
Red Globe
18
Definición de zonas de vigor por
NDVI
Monitoreo de dosel
Red Globe
Thompson Seedless
Relación entre NDVI y actividad
enzimática.
Cambios despues de aplicación
diferencial de compost.
Vigor y variedad sobre la actividad de fosf. Ac.
Enero 2015
250
Diciembre 2015
AcPh Act (Mean)
200
150
RG
100
THS
50
0
LOW
MEDIUM
NDVI
HIGH
19
Crecimiento promedio de dosel bajo
dos tratamientos.
Volúmenes de aplicación
T0
T1
91
Predicción de rendimiento
Predicciones en uva de mesa
60DAC
𝑦 = β0 + β1 𝑥1 + β2 𝑥2 + β3 𝑥3 … + β𝑘 𝑥𝑘 + 𝑒
Donde:
y=rendimiento
xj..k=variables predictoras
• Variables de muestreo en terreno
• Indices de vegetación
94
20
Predicción de rendimiento en uva
vinífera
Marco conceptual para el análisis
económico.
Información
promedio
Manejo uniforme
Información
sitio-específica
Manejo
sitio-específico
Productor
Valor de la información sitio-específica.
Rentabilidad de la aplicación
variable de fertilizantes.
VI SE   MSE   MU
Promedio=30%
Promedio=40%
(40 − 30)
% 𝑎𝑢𝑚𝑒𝑛𝑡𝑜 =
∗ 100 = 33%
30
21
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.
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.
• Capacitación es esencial (falta masa crítica).
Comentarios finales
12 puntos
58 puntos
116 puntos
• 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”
22