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