Trigo de invierno

A medida en que la población mundial se expande, la agricultura de precisión se ha convertido en algo esencial. Los agrónomos están constantemente buscando maneras de aumentar la eficiencia y el rendimiento, a la vez que intentan reducir el impacto ambiental.


El Dr. Antonio Ray Asebedo, profesor asistente de Agricultura de Precisión de la Universidad Estatal de Kansas (KSU), ha estado estudiando la combinación de drones y cámaras multiespectrales en un esfuerzo por mejorar las recomendaciones para el manejo del nitrógeno.

“Estas herramientas tienen un valioso potencial en la agronomía, sobretodo para hacer recomendaciones más precisas en el uso del nitrógeno. Aplicar nitrógeno a dosis variables le cuesta mucho dinero a los agricultores. Con el algoritmo apropiado, estamos tratando de darle a los drones un doctorado en agronomía para que puedan ayudarle a los agricultores a encontrar el programa de fertilidad más adecuado para alcanzar el rendimiento óptimo de su granja”.

Con el algoritmo apropiado, estamos tratando de darle a los drones un doctorado en agronomía”. Dr. Asebedo

El Dr. Asebedo probó RedEdge, la cámara multiespectral de MicaSense, y encontró que la selección de las cinco bandas: azul, verde, rojo, borde rojo e infrarrojo cercano, son ideales para los algoritmos de recomendación de nitrógeno.

La mayoría de los algoritmos de KSU fueron creados para sensores ópticos activos, y el Dr. Asebedo no sólo quería ver si estos algoritmos funcionaban para RedEdge, sino también, si podía hacer algoritmos optimizados de recomendación de nitrógeno específicamente para la cámara.

Explore los datos en Atlas

“Estos algoritmos no sólo ayudarán a determinar la tasa, sino también el tiempo óptimo de aplicación, siendo este último un factor clave al momento de suministrar el nitrógeno. Si realmente se desea aumentar los rendimientos y mejorar la eficiencia en el uso de fertilizantes, el tiempo es tan importante, o incluso más importante que la tasa. El uso de drones para el monitoreo de cultivos, da pie a la creación de un algoritmo que aprovecha la resolución temporal y ayuda a determinar el momento más adecuado para la aplicación de nitrógeno”.

Para su estudio el Dr. Asebedo seleccionó cinco lotes en Kansas y aplicó diferentes niveles de tratamiento a parcelas separadas de cada uno de los lotes escogidos. Múltiples veces, a lo largo de la temporada de crecimiento, recolectó muestras de suelo, escaneó las parcelas con un sensor óptico en tierra y capturó imágenes aéreas a través de drones que portaban RedEdge.

Luego subió las imágenes a Atlas, que con los datos recolectados produjo un mapa analítico de múltiples capas de la zona estudiada, incluyendo la capa NDVI, derivada del sensor en tierra y formada a partir de uno de los algoritmos estándar de KSU. Cuando los cultivos maduraron, la cosecha se recolectó de manera combinada, se estimó el rendimiento del grano, y se evaluó tanto la humedad como la concentración de nitrógeno del mismo.

Si realmente desea aumentar los rendimientos y mejorar la eficiencia en el uso de fertilizantes, el tiempo es tan importante, o incluso más importante que la tasa”. Dr. Asebedo

El Dr. Asebedo concluyó que la recolección de datos en las etapas claves de crecimiento del trigo proporciona una mejor evaluación, reduciendo las tasas de aplicación sin sacrificar el rendimiento. También descubrió que los datos capturados con RedEdge podrían ser utilizados en algoritmos diseñados originalmente para sensores ópticos. RedEdge y el sensor óptico en tierra utilizado en este estudio, produjeron un NDVI similar.

“Una buena manera de pensar en el nitrógeno de tasa variable es tomar un campo grande y dividirlo en muchos campos pequeños. Usted puede volar sobre el campo con su cámara multiespectral y luego dividirlo en parcelas. No estamos hablando solo de polígonos simétricos. El cultivo mismo dictará cómo dividir nuestro mapa según su interacción con el suelo. El uso de imágenes facilita este proceso”.

“Esta es la agricultura específica del sitio: se puede hacer frente a las variaciones del suelo, la interacción de los cultivos, y el impacto del clima. Al clasificar áreas específicas en un campo según sus necesidades individuales, podemos hacer recomendaciones de nitrógeno más optimizadas en comparación con las aplicaciones de nitrógeno general que normalmente se realizan”.

De clic sobre la imagen para ampliarla. Explore aquí los datos de este estudio en Atlas.

Al combinar los datos RedEdge con los algoritmos de KSU se percibió un aumento significativo en la eficiencia agronómica. El tratamiento de manejo intensivo de RedEdge/KSU aplicó la menor cantidad de nitrógeno y evaluó mejor las necesidades del trigo de invierno en comparación con los tratamientos de aplicación única suministrados a principios de la primavera.

Para aprovechar al máximo los datos de RedEdge, el Dr. Asebedo está trabajando en algoritmos personalizados mientras continúa su investigación en la temporada 2016–17. Su objetivo principal es lograr eficiencias agronómicas entre 60–70% sin reducción del rendimiento.

“El objetivo final de estos algoritmos y sistemas es producir un mayor rendimiento con menos nitrógeno. Lo que significa que el agricultor va a generar mayores utilidades por acre y producir un grano de mayor calidad, entre otras. De esta manera estaríamos ayudando a alimentar a un mundo de 9 mil millones de personas en el 2050. Y al usar menores cantidades de nitrógeno de manera más eficiente, también estamos reduciendo el impacto ambiental, lo que contribuye a un sistema agrícola sostenible. Así que al final ganamos todos”.


De clic aquí para ver los diferentes índices de vegetación disponibles en Atlas. Si tiene un estudio de caso con RedEdge, Sequoia o Atlas que desea compartir, por favor envíenos un correo electrónico aquí.

Like what you read? Give MicaSense a round of applause.

From a quick cheer to a standing ovation, clap to show how much you enjoyed this story.