Carlos Tapia T., Ing. Agrónomo, M. Sc. – Director Técnico – Avium. – David González O., Ing. Agrónomo. – Diego Humeres M., Ing. Agrónomo. – Nicolas Martínez G., Ing. Informático. Dpto. Riego Clima y Tecnología – Avium.
En el ámbito agronómico actual, circulan conceptos que generan confusión. Términos como agricultura de precisión, agricultura digital, y las fases numeradas de Agricultura 2.0, 3.0 y 4.0 han tomado protagonismo en las discusiones técnicas.
La numeración de agricultura 1.0 hace referencia a los inicios de la agricultura con la invención del arado. A partir de la era industrial la numeración es 2.0, con la aparición de las máquinas a vapor. No hay que olvidar una especie de agricultura 2.5 que esta nomenclatura omite, en donde tendría cabida la “revolución verde”.
En los años 80 – 90’s se comenzó a utilizar el concepto “agricultura de precisión”, con un enfoque en el estudio de la variabilidad espacial y temporal. Es decir, como se comportan variables claves al moverse de una ubicación a otra y de una fecha a otra. De esta manera, se hicieron populares los típicos “mapas” con los que estamos familiarizados hoy en día en el agro. Hasta este punto, hablamos de una “agricultura 3.0”.
Estamos aplicando agricultura de precisión por ejemplo, cuando utilizamos un sensor de inductancia electromagnética para mapear suelo previo a establecer un proyecto, mapas de NDVI, u otro tipo de mapeos que nos permitan identificar “zonas”, aquí está la clave, el identificar zonas en base a la variabilidad espacial que nos permita tomar decisiones, lo cual, en agricultura de precisión se conoce como “zonas de manejo”.
La “agricultura 4.0” surge durante los últimos años, junto a una explosión en fuentes de información que han dado el impulso a la también conocida como “agricultura inteligente”, esto engloba el uso de las estaciones meteorológicas, sondas de riego, teledetección satelital, teledetección a baja altitud, cosechadoras automáticas, drones agrícolas, software de gestión agrícola, crop scouting, inteligencia artificial, entre otras tecnologías.
Pero, con la gran cantidad de datos el siguiente desafío es construir conocimiento. Para esto es clave el análisis de datos, la utilización de estadística, modelamiento matemático, machine learning, entre otras metodologías que nos permitan identificar tendencias, relaciones, elaborar modelos predictivos y desarrollar nuestras propias conclusiones para la toma de decisiones.
Aplicaciones prácticas de agricultura inteligente en el cultivo de cerezo: Estaciones agrometeorológicas
Uno de los factores claves que incidieron en la baja productiva de la temporada 2023-2024, identificado por el equipo técnico de Avium a través de minería de datos aplicada a variables agroclimáticas en un gran número de estaciones meteorológicas, segmentadas por zonas agroclimáticas y asociadas a parámetros productivos en distintas combinaciones, fue el vuelo de abejas. (Equipo Técnico Avium, 2024) (https://smartcherry.cl/opinion-expertos/avium-analisis-tecnico-de-la-temporada-2023-2024/).
Con análisis de datos de estaciones agrometeorológicas, podemos visualizar temporadas pasadas de vuelo de abeja y compararlas con la actual, como en la figura 1.
Figura 1. Horas de vuelo de abejas (T>15 °C y Rad> 300 W/m2), últimas 2 temporadas desde el 01 al 19 de septiembre, en 4 localidades VI y VII Región.
El factor vuelo de abejas, se relaciona directamente con el periodo efectivo de polinización. Los procesos de polinización y fecundación dependen en gran medida de las condiciones ambientales. Durante septiembre/octubre de la temporada 2023-2024 las condiciones no fueron favorables, especialmente cuando hacemos referencia al factor radiación.
De la misma manera es posible analizar y comparar parámetros temporada tras temporada de otras variables clave, como lo son las horas de frío, grados día, días con heladas, índice de estrés, entre otros. Contar con esta información actualizada y contrastada con un histórico permite leer temporadas, tomar decisiones y construir conocimiento de manera objetiva.
Aplicaciones prácticas de agricultura de precisión en el cultivo de cerezo: Teledetección
Por lo general, en la práctica se realiza teledetección a gran altura a través de satélites, y a baja altura por medio de drones, avionetas u otros vehículos aéreos, generalmente no tripulados. Para efectuar teledetección se requiere de una plataforma (satélite, drone, etc) + sensor, esto permite realizar capturas aéreas; éstas deben estar georreferenciadas para posteriores procesamientos y análisis.
Los datos a analizar provienen de dos tipos de sensores: “pasivos” y “activos”.
- Sensores pasivos: capturan energía reflejada (reflectancia o emisividad). Ejemplos: cámaras RGB, multiespectrales, térmicas ó hiperespectrales.
- Sensores activos: emiten energía y cuantifican el “rebote” de esta. Ejemplo, sensores LiDAR, SAR (Radar de apertura sintética), entre otros.
Para construir el clásico índice NDVI (ecuación 1), se requiere cuantificar la energía reflejada (reflectancia) en longitudes de onda cercanas al color rojo (RED @660 nm) e infrarrojo cercano (NIR @850 nm). Para esto la plataforma utilizada debe contar con una cámara multiespectral. En la ecuación 1, se presenta el cálculo de NDVI (índice de vegetación de diferencia normalizada), el cual varía de -1 a 1, y se relaciona con la expresión vegetativa.
En agricultura de precisión una práctica clásica es la identificación de zonas homogéneas. La zonificación se puede realizar a partir de la captura de datos georreferenciados. Todo lo que sea medible puede ser mapeado a escala espacial para estudiar su variabilidad, simplemente se requiere georreferenciarlo para su posterior análisis.
En el caso de la teledetección, las imágenes deben estar georreferenciadas. Éstas, a su vez, están compuestas de pixeles y cada pixel expresará un número, el cual se corresponde con la reflectancia. En resumidas cuentas, es como si cada pixel de la imagen fuese una muestra.
En el índice NDVI se considera la banda NIR del espectro electromagnético, la cual es sensible a la expresión vegetativa, a mayor NIR, mayor expresión vegetativa.
A continuación, en la figura 2, se presenta un ejemplo práctico de zonificación a partir de imágenes satelitales de resolución espacial de 10 m x 10 m, es decir 100 datos/há, en donde, se sometieron las imágenes a un algoritmo de clasificación para segmentar valores de menor a mayor expresión vegetativa, representada por el índice NDVI.
En la zona de la izquierda predominan las plantas de menor expresión vegetativa, con participación en @33% de la superficie, vs en la zona de la derecha las de mayor expresión vegetativa @38%.
Figura 2. Zonificación a partir de índice de vegetación NDVI.
Es clave comprender que en este tipo de análisis relativos, el color verde no necesariamente es el mejor, y el rojo no necesariamente el peor. Es por esto que este tipo de análisis se debe complementar con una revisión técnica en terreno, con el objetivo de identificar la problemática y qué color o plantas tipo es realmente son el objetivo desde un punto de vista productivo.
Este tipo de análisis permite tomar decisiones en labores tales como podas o raleos diferenciados. Aplicaciones sitio-específicas, manejo de humedad de suelo, fertilización, entre otras.
Al utilizar este tipo de herramientas para la zonificación en el cultivo del cerezo, es clave considerar los siguientes 4 puntos:
1. Realizar el análisis en fechas clave: Se debe realizar el análisis en momentos en donde la expresión vegetativa se encuentre estable, esto ocurre una vez se detiene el crecimiento vegetativo, posterior al solsticio de verano, @21 diciembre.
2. Delimitar correctamente zonas a analizar: Se debe realizar un análisis “ceteris paribus”. Con esto se hace referencia a bloquear otras fuentes de variabilidad, como son la variedad, sistema de conducción, portainjerto, año de plantación, entre otras, lo cual generará ruido a la hora de analizar las imágenes.
3. Realizar análisis técnico en terreno de las imágenes: Las imágenes se deben acompañar de un análisis en terreno, identificando la raíz de la problemática y evaluando si las diferencias de expresión vegetativas califican desde un punto de vista técnico-operacional para realizar manejos sitio específicos que contribuyan a tener un cuartel homogéneo y equilibrado, de acuerdo a su potencial productivo. Los manejos definidos deben ser sencillos de ejecutar e impactantes de lo contrario no se justifica realizarlos.
4. Monitoreo de evolución en la expresión vegetativa: Se puede realizar seguimiento de la evolución de esta variabilidad temporada tras temporada a través de las mismas técnicas de teledetección (NDVI), como al mismo tiempo con otra variables auxiliares clave medidas de forma dirigida a cada zona, como por ejemplo, análisis de fertilidad de yemas, conteo de centros frutales, reservas, longitud de brotes anuales, etc.
Con anterioridad se describió tan solo una aplicación práctica de imágenes multiespectrales, sin embargo, no es el único tipo de imágenes utilizadas en teledetección. Por ejemplo, algunas otras aplicaciones a partir de imágenes RGB se pueden realizar conteo de plantas, cálculo de geometrías (volumen de copa); con imágenes térmicas se pueden estimar umbrales de estrés en base a temperaturas de planta; con imágenes hiperespectrales se puede conocer la firma espectral de diferentes especies o incluso variedades; con el uso de sensores activos, tipo LiDAR, se puede topografiar o incluso conocer profundidades de cuerpos de agua con sensores LiDAR batimétrico multihaz.
Impresiones generales
Las tecnologías emergentes en el agro están revolucionando la forma en que tomamos decisiones, sin embargo, nunca hay que perder de vista la forma en la que se capturan estos datos. Sensores en mal estado, estaciones meteorológicas o sondas de humedad mal ubicadas, falta de mantenimiento, son algunos de los factores que nos puede llevar a obtener datos erróneos, que al utilizarlos a ciegas nos pueden jugar una mala pasada y llevarnos a tomar malas decisiones. El uso correcto de tecnologías permite realizar una toma de decisiones basadas en datos.
El reto no es solo la obtención de grandes cantidades de datos, sino convertir estos en información útil para la toma de decisiones. Herramientas basadas en la analítica de datos juegan un rol clave en este proceso, ayudando a identificar tendencias y patrones que, de otro modo, pasarían desapercibidos. Con la integración de estas tecnologías, se vislumbra un futuro más sostenible y productivo para la producción de cerezas y el sector agrícola.
