Pronóstico de cosecha

En el correo de esta semana revisaremos 3 métodos para estimar tempranamente el rendimiento de los cultivos:

• El modelo tradicional, toma de muestras

• Modelo basado en Visión artificial

• Modelo basado en Imágenes satelitales

En una reunión con el gerente de una importante empresa agrícola, escuché una frase que no olvidaré:

« El principal motivo por el cual me pueden despedir de mi trabajo es equivocarme en la estimación o pronóstico de cosecha de la temporada »

Estimar la producción de un cultivo con una antelación de meses es uno de los desafíos más importantes que tiene el gerente de producción de una empresa agrícola.

Una estimación precisa, objetiva y anticipada de los volúmenes y calibres de cosecha te permitirá tomar decisiones más informadas, optimizar los costos, la logística relacionada, el transporte y la comercialización.

Pero, ¿qué herramientas existen hoy para hacer esta estimación?

El modelo tradicional, toma de muestras

Desde hace unos 10 años se vienen utilizando modelos matemáticos que simulan la producción de un cultivo en base a una serie de parámetros.

En el caso de los frutales los parámetros incluyen la toma de muestras como fertilidad de yemas, porcentaje de cuajado, conteo de dardos, ramillas y árboles. También se incluyen factores externos, la mayoría relacionados al clima, como la acumulación de frío invernal en frutales caducos y los grados días para estimar el calibre de los frutos.

Estos modelos teóricos también incluyen otra decena de parámetros como la genética, el portainjerto, los análisis foliares, la densidad de plantación y propiedades del suelo.

En su elaboración se utilizan planillas para el conteo y registros de análisis de laboratorio. Sin embargo, a pesar de que este modelo se ha ido masificando con los años, sigue siendo altamente inexacto.

Entre las principales razones, están:

📋 El protocolo para toma de muestras es poco estandarizado.

✍️ Los datos que se registran son poco confiables.

🔎 Las muestras no necesariamente son representativas del huerto.

💰 Es de alto costo y complejidad debido a la cantidad de parámetros que se deben medir y registrar.

Modelo basado en Visión artificial

La visión artificial para el conteo de frutos es una tecnología basada en la inteligencia artificial que permite contar automáticamente la cantidad de frutos en los árboles.

Esto se logra mediante el análisis de imágenes y videos capturados en terreno de los árboles del huerto.

Para su uso se debe recorrer con un vehículo equipado con varias cámaras todas las hileras del huerto. Aquí te dejo un artículo completo donde analizamos esta tendencia hace unas semanas: Visión artificial para el conteo de frutos

Esta solución ha tenido un uso acotado, principalmente por las siguientes razones:

👀 El conteo se debe hacer en etapas avanzadas del desarrollo del fruto y funciona mejor en frutos de mayor tamaño como manzanos o cítricos.

📹 La presencia de ramas, hojas y de sombra afecta la calidad de la medición.

💰Su implementación es relativamente costosa, especialmente cuando requiere adaptaciones al software.

🤓 Por la posición del fruto en la planta, donde generalmente no están siempre a la vista, esta técnica se debe complementar con modelos estimativos de cálculos bastante complejos.

Modelo basado en Imágenes satelitales

El desarrollo de este modelo comenzó en 2017, cuando el investigador Andrew Robson publicó este estudio donde utilizó imágenes satelitales multiespectrales para determinar el rendimiento y el tamaño promedio de la fruta en un huerto de paltos en Australia.

Este modelo mide el manejo (riego, fertilización, poda) que realiza el productor sobre las plantas o árboles a través de un índice de vegetación y establece como parámetro normalizador y de ajuste al clima.

La clave de este modelo es registrar las dinámicas de las curvas de crecimiento de los cultivos durante las distintas temporadas, estableciendo patrones y relacionándolos con los niveles productivos alcanzados.

A continuación veremos, como ejemplo, un cultivo de tomate industrial al aire libre, donde los grados días se miden en horas con temperaturas entre los 10°C y los 30°C y el índice de vegetación para recoger el crecimiento de las plantas más adecuado en este caso es el NDVI (Índice de vegetación de diferencia normalizada).

En la figura podemos observar cómo los valores de NDVI del cultivo que alcanzó mayores producciones (120 ton/ha) fueron superiores en gran parte de las fases del cultivo y esta circunstancia es proporcional al nivel productivo, según muestra la gráfica, como observamos en las líneas coloreadas en color naranjo (90 ton/ha) y en rojo (70 ton/ha).

Otro factor a tener en cuenta es la genética del cultivo, ya que existen variedades que con poco desarrollo vegetativo producen mucho y viceversa.

Por tanto, la clave para el uso de este modelo es registrar las dinámicas de las curvas de crecimiento de los cultivos en distintas temporadas y campos, estableciendo patrones y relacionándolos con los niveles productivos alcanzados. Para ello es necesario tener una buena base de datos que relacione los valores de grados días y los índices con los datos reales de producción.

Esta solución tiene las siguientes limitantes:

🛰️ Para lograr una alta precisión en los pronósticos se necesitan imágenes satelitales de una alta resolución temporal o frecuencia, idealmente diaria.

🥬 Cuando la extensión del cultivo es muy pequeña, como en las hortalizas, se necesita una alta resolución espectral o tamaño del pixel.

👀 Este modelo está limitado a cultivos sin cobertores y al aire libre.

Email preparado por el Equipo de ViLab | www.vilab.cl