GESTIÓN DE MONITORES DE RENDIMIENTO:
Variabilidad por ambientes
Beneficios agronómicos & económicos
Sustentabilidad
Autor: Ing. Agr. Santiago Gonzalez Venzano
1. HOJA TÉCNICA > P/1.9
GESTIÓN DE MONITORES DE RENDIMIENTO:
> Variabilidad por ambientes
> Beneficios agronómicos & económicos
> Sustentabilidad
POR > Ing. Agr. Santiago González Venzano
> www.solapa4.com
> comunicaciones@solapa4.com
> 0800-362-1239
/solapa4
@solapa4
/company/solapa-4
2. PAPER TÉCNICO > MONITORES DE RENDIMIENTO P/2.9
LA GESTIÓN DE LOS MONITORES
DE RENDIMIENTO NOS PERMITE:
1. Reconocer la variabilidad intra-lote ( y ambientarlo).
2. Reconocer que hay una interacción “manejo-ambiente” que nos permiti-
ra capturar valor mejorando nuestro protocolo de decisiones y utilizando
las tecnologías de Agricultura de Precisión.
PARA REALIZAR ESTA GESTIÓN, CRUZAMOS LOS MAPAS DE LOS
MONITORES DE RENDIMIENTO CON OTRAS CAPAS DE INFORMACIÓN:
1. DE MANEJO DEL PRODUCTOR
(genotipo, fecha de siembra, densidad, fertilización, etc)
MAPA DE GENOTIPO FECHA DE FERTILIZACIÓN
RENDIMIENTO SIEMBRA
2. DE AMBIENTES
Muchas veces los campos no están ambientados, pero con solo tener
los análisis de suelos Georreferenciados (EGM – Estaciones Georrefe-
renciadas de Muestreo*) generamos muy valioso conocimiento.
* es una EGM? >
¿Qué
Estación Georeferenciada de Muestreo.
1ha
Es un punto Georreferenciado que identifica y representa
un área específica.
Es en estas áreas donde vamos a realizar operaciones
específicas para relacionarlas con variables agronómicas
y sobre las cuales queremos capturar información.
3. PAPER TÉCNICO > MONITORES DE RENDIMIENTO P/3.9
EJEMPLOS DE COMO SE GENERAN
“REGLAS DE DECISIÓN”,
GESTIONANDO LOS MONITORES
DE RENDIMIENTO.
Algunas de estas reglas de decisión por ambiente están relacionadas con
el manejo de genotipo y fecha de siembra por ambiente y no implican el uso
de tecnologías de Agricultura de Precisión.
VEAMOS DOS CASOS:
En el Oeste de la Provincia de Buenos Aires, relacionamos el Rendimiento
con % de Arena en la campaña 2011-12.
Se puso en evidencia que la variedad DM3810 fue más sensible al ambiente
que DM4670, conclusión que nos permite ubicar la primera variedad en los
ambientes de más potencial, y la segunda en los de peor. En los de poten-
cial medio, las dos tienen el mismo comportamiento
6000 DM 3810
y = -30,879x + 5837,4
5500
5000
DM 4670
4500 y = -4,2259x + 3999,3
RE NDIM IE NT O
4000
3500
3000
2500
2000
1500
1000
25 35 45 55 65 75 85
% DE ARENA
4. PAPER TÉCNICO > MONITORES DE RENDIMIENTO P/4.9
Tambien en el Oeste de Buenos Aires en la campaña 2011-2012, analizamos
la interacción Fecha de Siembra-Ambiente y su impacto en el rendimiento.
Encontramos que los ambientes de alto potencial (B2) deprimen su rendi-
miento al atrasarse la fecha de siembra a razón de 31 kg por día, en cambio
los ambientes de menor potencial (L2), aumentan su rendimiento al atra-
sarse la fecha de siembra a razón de 49 kg por día. Los ambientes medios
fueron indiferentes en el rango de fechas de siembra explorado.
B2
5000
y = -31,115x + 1E+06
R² = 0,4441
4500
4000 L2
RE NDIM IE NT O
y = 49,463x-2E+06
R² = 0,5071
3500
3000 ML1
y = -2,0923x + 89239
R² = 0,0093
2500
2000
1500
19/10/11 24/10/11 29/10/11 03/11/11 08/11/11 13/11/11 18/11/11
FECHA DE SIEMBRA
Para capturar valor gestionando datos, debemos construir Reglas de Deci-
sión que tengan impacto en la operación. En estos dos casos ejemplifica-
dos, construimos dos reglas de decisión que para llevaras a la operación,
no necesitamos las tecnologías de la Agricultura de Precisión: alcanza con
tener los lotes categorizados con el “ambiente predominante”.
En cambio, hay otras interacciones manejo-ambiente como las relacionadas
con la densidad y la fertilización, que generan reglas de decisión que captu-
ran mas valor si se gestionan con tecnologías de agricultura de precisión.
5. PAPER TÉCNICO > MONITORES DE RENDIMIENTO P/5.9
VEAMOS DOS EJEMPLOS:
Se hicieron franjas con distintas densidades en maíz tardío y los mapas de
rendimiento de dichas franjas se cruzaron con el mapa de ambientes (Ensa-
yos S4-Monsanto). Se comprobó que la densidad óptima es más baja (40.000
pl/ha) para los peores ambientes y más alta (65.000 pl/ha) para los mejores.
Esta regla de decisión nos está permitiendo capturar, cuando hay una varia-
bilidad interesante, alrededor de 100 u$s/ha con los procesos y tecnologías
de la Agricultu ra de Precisión.
6.000 14.500
LOMA ARENOSA
R² = 0,788
RENDIMIENTO Kg/ha
5.500 14.000
5.000 13.500 MEDIO
R² = 0,8585
4.500 13.000
4.000 12.500
3.500 12.000
4 5 6 7 8 9
DENSIDAD SEMILLA /m 2
Otro caso donde gestionando monitores, también la estamos encontrando
interacción en la respuesta a la aplicación de fungicidas y el ambiente. Los
resultados del proyecto Oeste Verde Basf-S4 nos indicaron que aplicar los
fungicidas en Soja con reglas de decisión por ambiente puede duplicar la
respuesta económica.
4,500
4,000
RENDIMIENTO Kg/ha
3,500
3,000
2,500
2,000
1,500
1,000
0,500
0,000
-0,500
LOMA MEDIA
LOMA BAJO RIEGO
ARENOSA LOMA
RESPUESTA -0,115 -0,002 0,154 0,341 0,441
TESTIGO 1,949 2,734 3,203 3,668 3,184
6. PAPER TÉCNICO > MONITORES DE RENDIMIENTO P/6.9
RESUMIENDO,
los monitores de rendimiento no solo
nos están mostrando que hay variabi-
lidad intra-lote en los rendimientos,
sino también que gestionándolos con
otras capas de información, nos ense-
ñan que la respuesta a las tecnologías
depende también del ambiente.
La producción agrícola en la argen-
tina dispone de una alta proporción
de cosecha con monitores de rendi-
miento. Consideramos esto una gran
oportunidad, para que:
“las cosechadoras no solo cose-
chen grano, sino también cosechen
conocimiento”
7. PAPER TÉCNICO > MONITORES DE RENDIMIENTO P/7.9
Creemos que “cosechar conocimiento” no es tan difícil…solo debemos or-
ganizar procesos y utilizar tecnologías de gestión de información apropia-
das para que los datos de los monitores no queden olvidados en un cajón de
escritorio o en la gaveta de la camioneta del contratista.
Convertir los archivos de las cosechadoras en mapas en una plataforma
GIS que nos permita “gestionarlos”. Es decir, ir más allá de una “imagen
bonita”. Ir a un archivo digital georreferenciado con extensión *.shp que se
pueda “cruzar” con otras capas de información georreferenciada.
1 • En la plataforma GIS, dibujar zonas sobre el “mapa de ren-
dimiento” del lote dividiéndolo en 3 categorías: Alta, Media y
Baja Productividad. Este es el mapa de “microambientes”. No
importa que este proceso sea manual. Consideramos impor-
tante que lo haga “el que conoce el lote”, para poder capturar
la información no reflejada o confusa en un mapa de rendi-
miento (ejemplo, un problema de insectos, o de regulación de
maquinaria, o granizo)
Muy Bajo
2
Bajo
• Ubicar en cada “microambiente” resultante, EGM (Estacio- Medio Bajo
nes Georreferenciadas de Muestreo). De esta manera podre- Medio Alto
mos “salir” de análisis de suelo promedio que nos permitira Alto
entender la heterogeneidad del ambiente y las causas de la Muy Alto
variación del rendimiento intra-lote. Esta “nueva forma” de
muestrear los suelos, no solo nos ayudaran a entender las
causas, también nos permitirá seguir de manera consistente
la evolución de la fertilidad a través del tiempo, convirtiéndose
en un “tablero de control” de la sustentabilidad del sistema.
3 • Tenemos que contar con la información relevante de manejo
en capas Georreferenciadas .
8. PAPER TÉCNICO > MONITORES DE RENDIMIENTO P/8.9
CON ESTOS INGREDIENTES ORGANIZADOS, ESTAMOS EN CONDICIO-
NES, Y DE MANERA MUY EFICIENTE, DE GENERAR CONOCIMIENTO
“CRUZANDO” LA INFORMACIÓN DE LAS CAPAS ORDENADAS POR SU
GEORREFERENCIA.
El siguiente esquema ilustra el “modelo conceptual”:
El RENDIMIENTO es la variable dependiente: EJE “Y” RENDIMIENTO
Un ejemplo de interacción del rendimiento
de 2 genotipos (manejo) con el ambiente.
4 PLAGAS Y ENFERMEDADES
DM 5.1i
y = -0,0402x + 5,1361
R² = 0,412 FERTILIZACIÓN
3 ESTRUCTURA DE CULTIVO
El MANEJO son los
Tn / Ha
TRATAMIENTOS FECHA DE SIEMBRA
2
DM 4670 GENOTIPO
y = -0,1349x + 12,179
R² = 0,4291 CULTIVO
1
40 60 80
% DE ARENA MODIFICADORES
El AMBIENTE es la variable independiente: EJE “X” CLASIFICACIÓN DE AMBIENTE
ANÁLISIS DE SUELO EGM
Somos conscientes también que este proceso es más valioso cuando esca-
la en una red de productores con procesos y lenguaje común. Por eso cree-
mos a conveniencia de uso de plataformas GIS-Web. La tecnología necesa-
ria para automatizar la gestión de estos millones de datos generados por
los monitores escapa a las posibilidades de un Excel y necesita la incorpo-
ración de tecnologías de minería de datos.
La captura de valor termina cuando le podemos dar órdenes a la maquina-
ria equipada con la tecnología apropiada para hacer aplicaciones variables.
A esta “orden” la llamamos “mapa de prescripción”.
El mapa de prescripción es sencillamente el mapa de microambientes
con las dosis que queremos aplicar de acuerdo a nuestras reglas de de-
cisión por ambiente.
Así cerramos el círculo de mejora continua Operación/Gestión de Cono-
cimiento.