1.4 Análisis de datos y toma de decisiones
Participants: J. Arnó, J. Llorens, J.A. Martínez-Casasnovas, J.R. Rosell-Polo, A. Escolà, L. Sandonís.
Geoestadística y análisis espacio-temporal de datos
La utilización de sensores próximos y remotos en Agricultura de Precisión permite la adquisición de diferentes tipos de datos sobre los cultivos y/o sobre el medio donde éstos se desarrollan. En general, la resolución espacial de los datos suele ser elevada si se trata, por ejemplo, de un sensor de cosecha que adquiere datos en continuo (on-the-go) o es más bien baja (pocos datos por hectárea), si la información se adquiere manualmente y de forma discreta (por ejemplo, conteo del número de racimos por cepa). En cualquier caso, el mapeado de los datos obtenidos se considera un paso previo fundamental para facilitar el análisis y la interpretación de la información.
La práctica actual de la Agricultura de Precisión hace recomendable la obtención de mapas de superficie (mapas con cobertura ráster), para lo cual es imprescindible el uso de técnicas de interpolación espacial (Figura 1). Entre las diferentes posibilidades que existen, la geoestadística permite, aparte del mapeado de los datos, obtener una indicación de la incertidumbre o error que pueden contener los mapas obtenidos. De manera simplificada, la obtención de mapas aplicando técnicas geoestadístiques incluye dos fases diferenciadas, i) análisis variográfico, donde se evalúa la estructura de variación espacial (semivariograma) de la variable a mapear y, ii) interpolación geoestadística (kriging) que, en base al semivariograma, hace posible la estimación de la variable en puntos desconocidos o píxeles (malla ráster) que cubren el área geográfica a mapear. Existen diferentes programas informáticos de interpolación geoestadística. El programa VESPER (https://precision-agriculture.sydney.edu.au/resources/software/download-vesper/) es una opción interesante y recomendada desde nuestro grupo de investigación. Algunas funcionalidades destacables del programa son la realización de interpolaciones puntuales o en bloques, y la consideración de variogrames locales cuando se asume el supuesto de la quasi-estacionariedad (es decir, cuando se dispone de un gran número de datos sobre un área de cierta superficie).
Figura 1. Mapa de conductividad eléctrica aparente (CEa) (mapa central), después de aplicar una interpolación geoestadística a los datos iniciales proporcionados por un sensor de suelo (mapa de la izquierda). La clasificación del mapa interpolado (análisis clúster) ha hecho posible segmentar dos clases de suelo para un manejo diferenciado del riego a nivel de parcela. Finalmente, la localización óptima de sondas de humedad para el seguimiento del riego en cada una de las clases se ha establecido en base a un muestreo intencionado (purposive sampling).
Experimentación (On-farm experimentation)
La experimentación ‘on-farm’ hace referencia a la evaluación de diferentes técnicas de manejo que son puestas en marcha en fincas comerciales por parte de los propios agricultores. A diferencia de la experimentación ‘convencional’, la realización de experiencias ‘on-farm’ prioriza el interés del agricultor y hace uso de los datos de su explotación para optimizar los procesos de producción habitualmente utilizados en la zona. Bajo un asesoramiento adecuado, la realización de este tipo de experimentación es una manera práctica de dar a conocer y difundir la adopción de las tecnologías de la Agricultura de Precisión. Por otro lado, la experimentación se suele realizar en una escala espacial amplia (parcela o finca), lo cual permite capturar una parte importante de la variabilidad espacio-temporal que se produce a nivel de explotación agrícola.
Nuestro grupo de investigación ha puesto en marcha varios proyectos de experimentación ‘on-farm’. Por ejemplo, la Figura 2 muestra la parcela donde se ha llevado a cabo un ensayo de evaluación de la eficacia de un compuesto bioactivo para el control del estrés hídrico en maíz. Habiéndose delimitado diferentes sectores de dosificación, esta experimentación ha permitido que todos los agentes implicados salgan beneficiados. El agricultor ha encontrado una posible solución a un problema relevante en su explotación. La empresa suministradora ha podido demostrar la fiabilidad y las condiciones de utilización del producto que ofrece. En cuanto al GRAP, los investigadores hemos podido aplicar métodos estadísticos de análisis espacio-temporal sobre imágenes de satélite, y así interpretar adecuadamente el efecto de las diferentes estrategias de gestión del riego que habían sido propuestas.
Figura 2. Experimentación ‘on-farm’ sobre gestión del riego y el estrés hídrico en maíz.
Manejo localizado específico y tecnologías de aplicación variable
A través de la experimentación ‘on-farm’, nuestro grupo (GRAP) ha podido evaluar las ventajas de la utilización de diferentes tecnologías de aplicación variable. La Figura 3 muestra un caso real de aplicación diferenciada de fertilizantes en una parcela extensiva. A partir del mapa de la conductividad eléctrica aparente (CEa) del suelo (mapa A) y del mapa de vigor (NDVI, Normalized Difference Vegetation Index, mapa B) del cultivo de maíz precedente, se propone un mapa de prescripción de la fertilización (mapa C) diferenciándose tres dosis según las características de cada zona. La obtención final de un mapa de margen económico bruto (mapa E) deriva de sustraer al mapa de cosecha (mapa D), multiplicado por el precio de venta del grano, el coste de la fertilización diferenciada en cada zona (mapa C). A pesar de que el objetivo final es uniformizar el beneficio a lo largo de la parcela (en un intento de ajustar los recursos aplicados al potencial productivo de cada zona), se comprueba que los márgenes brutos son espacialmente variables. Por lo tanto, será necesario reajustar las actuaciones en sucesivas campañas en base a los resultados y la experiencia obtenidos de la aplicación recursiva de los abonos a dosis variables. A menudo, los beneficios de optar por la Agricultura de Precisión y las tecnologías de aplicación variable se obtienen a medio y largo plazo, siendo necesario aprender de varias campañas antes de conseguir aumentar el beneficio de la explotación debido a una mejor gestión de los recursos utilizados.
Figura 3. Maneig diferenciat de la fertilització en una parcel·la de cultiu extensiu de 100 ha. A: mapa de conductivitat elèctrica aparent (CEa); B: mapa de NDVI del cultiu precedent de panís; C: mapa de prescripció de la fertilització; D: mapa de collita resultant de l’aplicació diferenciada dels fertilitzants; E: mapa que indica el marge brut obtingut (€/ha) al sostreure el cost de la fertilització del mapa de collita multiplicat pel preu de venda del panís.