Innova CORFO Fondo Conectividad Rural Bienes...
Transcript of Innova CORFO Fondo Conectividad Rural Bienes...
PREDICTOR DE COSECHA PARA CULTIVOS HORTOFRUTÍCOLAS CON DESTINO AGROINDUSTRIAL,
A PARTIR DE IMÁGENES SATELITALES
Abril 2010
Innova CORFOFondo Conectividad Rural
Bienes Públicos para la Innovación
Beneficios esperados
• A partir de la predicción de cosecha se facilita la logística asociada a los procesos productivos de los principales rubros agroindustriales de la zona central de Chile.
• A partir de una buena predicción de cosecha, pueden coordinarse los esfuerzos de mano de obra, insumos y transporte asociados a cada rubro.
• Conociendo la calidad del producto, es posible determinar tanto los destinos de cada producto como el mercado y comercialización final del
• Beneficiaria:– ChileAlimentos y empresas agroindustriales asociadas
• Desarrollador:– Instituto de Investigaciones Agropecuarias ‐ INIA La Platina
– Subcontrato: Empresa del rubro TIC, especializada en imágenes satelitales
• Oferente:– Empresa prestadora de servicios en alianza entre ChileAlimentos, INIA y codesarrollador
Equipo técnicoNombre Profesional Cargo
Alejandro Antúnez B. Director, Investigador
Gustavo Chacón C. Director Alterno, Investigador
N.N. por contratar Profesional Ing. Agr. terreno
Gabriel Saavedra del R. Investigador
Gabriel Sellés van Sch. Investigador Cultivos
Gamalier Lemus S. Investigador Frutales
Bruno Defilippi B. Investigador Post‐Cosecha
Stanley Best S. Investigador Agric. Precisión
Nombre Profesional Cargo
Asesor especialista imágenes satelitales
Asesor
Estudios y asesorías Empresa consultora
Subcontrato Imágenes satelitales
Invitación a:
• Agencia Chilena del Espacio
• Centro de Modelamiento Matemático‐ U. de Chile
• Oriondata Chile
• Oterra – U. Mayor
• Otras…
Objetivos
• Desarrollar un modelo predictivo de cosecha para especies hortofrutícolas, de importancia agroindustrial, para la optimización del proceso de comercialización que realizan los agricultores y las agroindustrias.
Objetivos Específicos
1. Desarrollar y validar modelos predictivos de cosecha, a través de imágenes satelitales, que permitan pronosticar calidad, fecha de cosecha y rendimiento en las principales especies hortícolas y frutícolas con destino agroindustrial.
2. Desarrollar una herramienta TIC, amigable al agricultor y agroindustria, que permita procesar información para pronosticar anticipadamente el rendimiento comercial, la calidad y la fecha de cosecha en diversos cultivos de interés.
3. Establecer las bases para la prestación de un servicio de predicción de rendimiento, calidad y fecha de cosecha, basado en las tecnologías TICs que se validen y desarrollen en el proyecto.
Metodología
– Selección de imágenes satelitales que representen adecuadamente los cambios en etapas críticas del desarrollo de cultivos de:
• Tomate, Pimiento, Alcachofa, Maíz y Arveja
• Durazno, Manzano, Frambueso, Ciruelo y Almendro.
• Seguimiento de campo de los cultivos seleccionados, con énfasis en los factores que afectan la calidad comercial del producto final
• Registro meteorológico y análisis de las principales variables que afectan al desarrollo y producción de los cultivos
• Correlación de información de campo con el resultado del procesamiento de las imágenes satelitales, por medio de índices tales como NDVI.
• El NDVI es un índice usado para estimar la cantidad, calidad y desarrollo de la vegetación en base a la medición, por medio de sensores remotos instalados comúnmente desde una plataforma espacial, de la intensidad de la radiación de ciertas bandas del espectro electromagnético que la vegetación emite o refleja.
• Desarrollar un modelo que integre las variables de campo, meteorológicas y satelitales que entregue un pronóstico de cosecha que incluya fecha, rendimiento y calidad.
• En la etapa de validación, poner a disposición de los usuarios el servicio de pronóstico, en una plataforma adecuada a sus requerimientos y capacitación.
• imagen SPOT ortorectificada, con 10m de resolución por mosaico, del predio de interés.
• mapa de estado del cultivo, con énfasis en el rendimiento, calidad y fecha de cosecha.
Sitio web del proyecto
• Mapas fácilmente interpretables, que informarán al agricultor y empresa agroindustrial de forma precisa sobre el estado del cultivo. – Mapa de vegetación verde que indica la densidad del cultivo e interpreta el desarrollo de las plantaciones
– Mapa de vegetación seca destaca los problemas de cultivo, así como el estado de avance de la maduración al finalizar el crecimiento.
Datos alfanuméricosde campo
Mapas con variables de
campo
Datos agronómicos y meteorológicos
@
Imagen multispectral
Recomendación
Productos Biofísicos
Control de calidaden campo
Datos de campo
Productosagronómicos
Datos geográficos de campo
Colecta de Datos
Fuente Infoterra (2009)
Verificación de campo, para relacionar anomalías detectadas a partir del análisis delas imágenes satelitales (Fuente Infoterra, 2009).
Imagen satelital con código de colores, entrega rendimiento promedio esperado
(promedio) y fecha de cosecha.
Ejemplo de Predicciones en Cultivo Hortofrutícola y Frutícola
Pho
to M
iche
l Gay
Cultivo de zanahoriasFoto de campo
051 PAP 141516 NCAR 1
051 DEF1PASCAR 2
051HEDOIN P4
051 HEDOIN P2POI 1
xxxHVI 1
Extrait de l’exploitation Pot au Pin
Ejemplo de Predicciones en Cultivo Hortofrutícola y Frutícola
Cultivo de zanahoriasimagen de satelite
051 PAP 141516 NCAR 1
051 DEF1PASCAR 2
051HEDOIN P4
051 HEDOIN P2POI 1
xxxHVI 1
Extrait de l’exploitation Pot au Pin
Ejemplo de Predicciones en Cultivo Hortofrutícola y Frutícola
-
50 000
100 000
150 000
200 000
250 000
300 000
350 000
400 000
450 000
500 000
143
145
147
149
151
153
155
157
159
161
163
165
167
169
171
173
175
177
179
181
183
Jours Juliens
Surf
ace
en m
²
Surface récoltée Surface à récolter
Análisis espectral de la imagen
• La empresa y/o agricultor accede a los resultados del proyecto, por medio de página web que presenta la predicción en un formato sencillo e integrado.
Estimación de costos del servicio
• En paralelo con el desarrollo del modelo predictivo, durante el 2011 se realizará un estudio para determinar los costos del servicio de predicción.