Trigo de invierno

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

«Ahora mismo veo que tienen el potencial de ser una herramienta muy valiosa para su uso en agronomía a la hora de hacer recomendaciones sobre el nitrógeno. Las recomendaciones variables de nitrógeno cuestan mucho dinero a los agricultores. Con un algoritmo adecuado o un cerebro, si se quiere, estamos tratando de dar a ese dron un doctorado agronómico para que pueda ayudarte a decidir el rendimiento de tu explotación y también qué tipo de programa de fertilidad necesitas ejecutar».

«Con un algoritmo adecuado (o un cerebro, si se quiere), intentamos dar a ese dron un doctorado agronómico.

– Dr. Asebedo

Probó la serie RedEdge de MicaSense y descubrió 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 existentes en la KSU se crearon para sensores ópticos activos, y el Dr. Asebedo no sólo quería ver si esos algoritmos funcionarían para la RedEdge, sino también ver si podía hacer algoritmos de recomendación de nitrógeno optimizados específicamente para la cámara.

«Estos algoritmos no sólo ayudarán a determinar la dosis, sino también el momento óptimo. El momento de las aplicaciones de nitrógeno es clave. Si realmente se quiere aumentar el rendimiento y mejorar la eficiencia del uso del nitrógeno, el momento es probablemente tan importante, si no más, que la dosis. Este sistema, que utiliza drones y la monitorización de los cultivos, se presta a un algoritmo que puede aprovechar esa resolución temporal y ayudar a determinar el momento adecuado para la aplicación.»

Estudió cinco localidades de Kansas, aplicando distintos niveles de tratamiento a parcelas separadas en cada localidad. Varias veces a lo largo de la temporada de cultivo, recogió muestras del suelo, escaneó las parcelas con un sensor óptico activo terrestre y capturó imágenes aéreas multiespectrales con un dron RedEdge.

Utilizó las imágenes multiespectrales para producir múltiples capas cartográficas analíticas de la zona, incluido el NDVI. A continuación, comparó el NDVI con otro mapa NDVI derivado del sensor óptico activo terrestre y formuló recomendaciones utilizando uno de los algoritmos estándar de la KSU. Cuando los cultivos maduraron, cosechó con una cosechadora de parcelas, estimó el rendimiento del grano y evaluó la humedad del grano, así como la concentración de nitrógeno.

«Si realmente se quiere aumentar el rendimiento y mejorar la eficacia del uso del nitrógeno, el momento de aplicación es probablemente tan importante, si no más, que la dosis.

– Dr. Asebedo

Descubrió que recoger varias veces en fases de crecimiento clave permite una mejor evaluación, reduciendo las dosis de aplicación sin sacrificar el rendimiento. También descubrió que los datos captados con RedEdge podían utilizarse en algoritmos diseñados originalmente para sensores ópticos activos. Resulta que RedEdge y el sensor óptico activo produjeron NDVI similares que se normalizaron a lo largo del tiempo.

«Una buena forma de pensar en el nitrógeno de dosis variable es dividir un campo grande en muchos campos pequeños. Se puede sobrevolar el campo con una cámara multiespectral y determinar cómo dividirlo. No hablamos sólo de polígonos simétricos. Dejamos que el cultivo dicte cómo dividir nuestro mapa en función de su interacción con el suelo; las imágenes se prestan mejor a ello».

«Se trata de una agricultura específica: se pueden tener en cuenta las variaciones locales del suelo, las interacciones de los cultivos y los efectos de las condiciones meteorológicas. Al abordar áreas específicas de un campo según sus necesidades individuales, podemos hacer recomendaciones de nitrógeno más optimizadas en comparación con las aplicaciones generales de nitrógeno que se suelen aplicar.»

La combinación de los datos de RedEdge con los algoritmos actuales de KSU aumentó significativamente la eficiencia agronómica. El tratamiento de gestión intensiva RedEdge/KSU aplicó la menor cantidad de nitrógeno y evaluó mejor las necesidades de nitrógeno del trigo de invierno en comparación con los tratamientos a manta de aplicación única aplicados a principios de 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. El objetivo principal es lograr una eficiencia agronómica de entre el 60 y el 70% sin reducir el rendimiento.

«El objetivo final de estos algoritmos y sistemas es producir más rendimiento con menos nitrógeno. Lo que significa que el agricultor obtendrá más beneficios por hectárea, producirá grano de mayor calidad y en mayor cantidad. Lo que significa que ayudaremos a alimentar a un mundo de 9.000 millones de personas en 2050. Y como utilizamos menos nitrógeno y lo aplicamos cuando el cultivo es más eficiente para absorberlo, reducimos también el impacto medioambiental, lo que contribuye a crear un sistema agrícola sostenible. Así que todos salimos ganando».