Mapas de dosis variable (VRA)

¡Hola! 👋🏻

En este artículo, veremos cómo se generan los mapas de dosis variable en agricultura de precisión y los aspectos que debes tener en cuenta para su correcta elaboración.

¿Qué es un mapa de dosis variable?

La dosificación variable significa la aplicación variable de insumos, es decir, aplicar donde se necesita y una cantidad menor, o incluso ninguna aplicación, donde no es requerido.

Existen dos formas de aplicar insumos de manera variable:

1. La aplicación por zonas, que se realiza como encendido o apagado.

2. La aplicación diferenciada o a tasa variable.

En la práctica, para hacer estos mapas es necesario comprender primero la variabilidad espacial y las características del suelo generando un mapa de variabilidad.

Este mapa posteriormente se transforma en un mapa de dosificación para un producto.

Esto se conoce como mapa de dosis variable o mapa de prescripción agronómica.

Estos mapas se cargan finalmente en una máquina, y a medida que el tractor o el dron avanza, la maquinaria realiza la aplicación variable indicada.

La posibilidad de hacer una aplicación variable de insumos agrícolas entrega importantes beneficios para una explotación agrícola:

Se traduce en ahorros significativos en fertilizantes, productos fitosanitarios, agua y energía.

Mapas basados en clasificación y segmentación

Existen dos tipos de mapas de dosificación variable. Uno se basa en la clasificación y se asemeja a píxeles, donde cada píxel representa una dosis.

El otro tipo de mapa se basa en la segmentación. Este tipo de mapas requieren un agrupamiento de datos o un análisis de cluster.

La elección entre uno u otro tipo de mapa dependerá de la capacidad de la maquinaria disponible. En el primer caso, ajustar la dosis por cada píxel plantea el desafío de contar con un equipo que pueda hacer este ajuste a gran velocidad sobre el cultivo.

En otras palabras, lo primero que debemos determinar es la velocidad a la que el equipo puede cambiar una dosis, lo que se conoce como "Spatial footprint” del equipo.

Esto depende del ancho de aplicación de la máquina y el tiempo que necesita para ajustar la tasa de aplicación.

Existen máquinas, como los sistemas servoasistidos de KUHN o John Deere, que permiten una transición instantánea de una dosis de hasta 100 kgs/ha, pero la mayoría de las máquinas no tienen dicha capacidad.

Los trompos por lo general pueden cambiar hasta 20 kilos cada 100 metros de desplazamiento.

Cantidad de muestras disponibles

El segundo aspecto que deberás tener en cuenta para hacer agricultura de precisión es la cantidad de datos disponibles.

Hay dos escenarios: uno es tener muchos datos, por ejemplo, si capturaste datos con un dron cada 5 centímetros, tendrás 4 millones de datos por hectárea. Con un satélite de 3 metros de resolución tendrás 3330 muestras por hectárea.

En este caso, es necesario suavizar o remuestrear los datos. Esto implica promediar los valores que cubren el área del "footprint" de la máquina.

La forma más sencilla de hacer esto en QGIS es exportar la capa raster de datos indicando la nueva resolución.

Para un suavizado o remuestreo más avanzado en QGIS, puedes utilizar la herramienta "Resampling" de SAGA, que permite no solo usar el promedio, sino también otras alternativas como la moda, el mayor valor o el vecino más cercano.

Pero, lo más habitual es tener pocos datos.

Cuando se toman muestras de suelo o muestras con sensores proximales es común contar con un dato por hectárea o menos.

En este caso, deberás hacer un proceso de interpolación y luego definir zonas de manejo, que explicaremos a continuación:

Interpolación de las muestras

El método de interpolación más utilizado en agricultura de precisión es el método kriging debido a su base estadística.

La interpolación se utiliza para generar datos en espacios donde no se realizaron mediciones, a partir de los valores conocidos.

Existen varias herramientas en QGIS para hacer la interpolación kriging muy facilmente. Los más conocidos son Geofis, SAGA y Smart-Map.

Kriging utiliza los semivariogramas o variogramas que cuantifican la autocorrelación porque grafican la varianza de todos los pares de datos según la distancia.

Las siguientes 4 imágenes muestran el proceso para cargar las muestras en Smart-Map en QGIS y generar la interpolación kriging:

Definición de zonas de manejo

Una vez realizada la interpolación de los datos, el siguiente paso es definir el número de sectores. Esto implica definir zonas homogéneas de manejo que justifiquen económicamente un tratamiento diferenciado.

Este análisis se conoce como análisis de cluster o agrupamiento de datos.

Existen dos tipos de metodologías para llevar a cabo esta tarea:

1. Clasificación supervisada

Se basa en la experiencia y el conocimiento del ingeniero agrónomo. El número de clases se define en función de la variabilidad del terreno que se analiza.

En el caso de la fertilización, a menudo es suficiente definir hasta 3 clases, ya que añadir más clases no aporta un beneficio significativo.

Existen otras metodologías para definir el número de clases en forma supervisada como:

• La regla de Sturges que es una función matemática basada en la cantidad de muestras

• La clasificación de cortes naturales de Jenks la cual se basa en la agrupación natural y cercanía de los datos que se observan en el histograma.

2. Clasificación no supervisada

Esta clasificación utiliza algoritmos matemáticos para definir el número óptimo de agrupamientos o clusters. El número de clases se determina estadísticamente.

Los modelos estadísticos más utilizados para la clasificación no supervisada son K-means, Fuzzy e ISODATA.

En las siguientes 2 imágenes vemos cómo se genera esta clasificación con Smart-Map en QGIS:

Una ventaja importante de estas herramientas es que puedes incorporar otras fuentes de información, como mapas de elevación del terreno o estudios de suelos, para generar las zonas de manejo.

Combinan automáticamente otras capas con datos de variabilidad y buscan patrones recurrentes para definir las zonas de manejo.

Indicar la dosis por zona

El último paso implica transformar las zonas en recomendaciones agronómicas.

Esto requiere la experiencia y conocimiento del ingeniero agrónomo para convertir una variable en una dosis o recomendación concreta.

Por ejemplo, si estamos analizando los valores de pH del suelo, esta etapa consistirá en transformar el rango de pH de cada zona en una recomendación de dosis de Cal.

Para ello, debemos generar un archivo shapefile con la dosis por zona y finalmente cargar el archivo en el tractor o dron de dosificación variable.

QGIS provee la herramienta "Reclasificar por tabla" que permite agrupar valores de una imagen, de forma que todos los que estén en un rango de valores le asigna un mismo valor de dosis.

Es importante tener en cuenta la movilidad de los nutrientes en el suelo. Por ejemplo, el fósforo y el potasio son altamente inmóviles, por lo que el valor medido en un punto específico se mantendrá en ese lugar por bastante tiempo.

El nitrógeno, en cambio, se debe gestionar de manera diferente debido a su alta movilidad.

Una estrategia posible es utilizar una franja rica en nitrógeno.

Esta técnica consiste en aplicar en la siembra una cantidad elevada de nitrógeno en una pequeña franja del cultivo, el doble de la dosis normal, para garantizar que esa zona nunca le falte nitrógeno.

Esta franja se convierte en un punto de referencia. Luego, se utiliza el NDVI (Índice de Vegetación de Diferencia Normalizada) para determinar la dosis.

Si el valor de NDVI es 0.9 o superior, como se espera dentro de la franja de nitrógeno, o en otras partes del cultivo, no se aplica más nitrógeno.

Cuando el valor de NDVI es muy bajo, menor a 0.35, tampoco se aplica nitrógeno, ya que es poco probable que la falta de nitrógeno sea la causa de un bajo rendimiento.

A medida que los valores de NDVI aumentan por encima de 0.35, se aumenta la dosis hasta que el NDVI alcanza un valor de 0.75, a partir del cual se disminuye nuevamente la dosis.

En resumen, la generación de mapas de dosis variable en agricultura de precisión requiere considerar varios aspectos tales como:

• El footprint de la máquina

• La cantidad de muestras disponible

• La definición de zonas de manejo y

• La transformación de estas zonas en recomendaciones agronómicas.

Esta práctica optimiza el uso de recursos y mejora la gestión de cultivos para una agricultura más rentable y sostenible.

Este artículo contiene figuras y conceptos que provienen del curso Agricultura Digital UC, autorizados por Yordi Norero.