Las prácticas de agricultura de precisión implican una siembra, riego, fertilización y uso de pesticidas más precisos para optimizar la producción de cultivos con el fin de aumentar los ingresos de los productores y reducir el impacto de la agricultura en el medio ambiente simultáneamente. En este artículo, discutiremos el uso de prácticas de AP, como riego de tasa variable y sensores remotos, en la producción de papa.
Según la Sociedad Internacional de Agricultura de Precisión, “la agricultura de precisión (AP) es una estrategia de gestión que recopila, procesa y analiza datos temporales, espaciales e individuales y los combina con otra información para respaldar las decisiones de gestión de acuerdo con la variabilidad estimada para mejorar la eficiencia del uso de los recursos. , productividad, calidad, rentabilidad y sostenibilidad de la producción agrícola”.
En otras palabras, PA brinda la posibilidad de hacer lo correcto, en el lugar correcto, en el momento correcto y de la manera correcta. Los cultivos de alto valor como las papas son reconocidos como buenos candidatos para la adopción de AP debido al alto costo de los insumos. Además, la sensibilidad del rendimiento y la calidad del tubérculo de papa a las prácticas de producción y las condiciones ambientales hace que el manejo de precisión sea económicamente crítico.
Riego de tasa variable
La tecnología de riego de tasa variable (VRI) aplica agua a tasas variables en lugar de una tasa uniforme a lo largo del pivote central. Hay dos pasos para aplicar el VRI: en primer lugar, en función de la conductividad eléctrica del suelo (EC) o el mapeo de elevación, el campo se divide en diferentes zonas de manejo; en segundo lugar, el sistema aplica una cantidad específica de agua en diferentes zonas de gestión encendiendo y apagando boquillas individuales (control de boquilla VRI) o controlando la velocidad de movimiento del pivote (control de velocidad VRI).
VRI puede aplicar agua en diferentes proporciones a diferentes cultivos o cultivares, diferentes tipos de suelo, áreas de alta escorrentía o áreas bajas propensas a mojarse y saturarse, y áreas ambientalmente sensibles dentro del campo. El objetivo general de VRI es evitar el riego excesivo y el riego insuficiente para que no se desperdicie agua ni se produzca estrés hídrico, mientras que el rendimiento y la calidad de los cultivos se mantienen o aumentan.
En el verano de 2018, realizamos un estudio para cuantificar los beneficios del uso de VRI en la producción comercial de papa (Russet Burbank) en Wisconsin. Elegimos dos campos regados con control de boquilla VRI y control de velocidad VRI respectivamente.
En cada campo, había una diferencia de elevación de unos 15 pies entre las áreas más alta y más baja. A la cosecha se evaluó el rendimiento y la calidad de los tubérculos de la zona más seca, la zona más representativa/promedio y la zona más húmeda de cada campo. Bajo control de boquilla VRI (Figura 1a), hubo una reducción significativa del rendimiento (alrededor de 140 cwt/a, p<0.05) en el área más húmeda en comparación con el área promedio. El rendimiento del área más seca fue ligeramente mayor (alrededor de 20 cwt/a, p>0.05) que el del área promedio. Bajo el control de velocidad VRI (Figura 1b), no hubo ninguna diferencia de rendimiento significativa entre las tres ubicaciones, aunque el número en el área más seca fue mayor que en las áreas promedio y más húmedas.
Nuestros datos sugirieron que:
- Un gran beneficio de usar VRI es mejorar el rendimiento y la calidad, por lo tanto, mejorar potencialmente la rentabilidad en el área más desolada (o con mucha escorrentía) de un campo que es más vulnerable a la falta de riego. VRI es capaz de mantener la humedad del suelo dentro de la zona de raíces de las plantas;
- VRI puede ahorrar agua de riego y mejorar la eficiencia del riego en la zona baja de un campo que tiende a estar húmedo o saturado. Sin embargo, incluso bajo VRI, el manejo del rendimiento y la calidad de la papa en el área baja sigue siendo un desafío, ya que las plantas tienden a tener más problemas de pudrición y defectos;
- VRI es un sistema prometedor para ahorrar agua mientras mejora la rentabilidad de la papa, pero se necesita un mayor ajuste para administrarlo mejor en campos con variabilidad.
Teledetección y aprendizaje automático
Para mantener el rendimiento y la rentabilidad, los productores de papa deben satisfacer la necesidad de nitrógeno de los cultivos. Para minimizar la degradación ambiental y disminuir los riesgos financieros asociados con la incertidumbre legal y regulatoria que rodea al nitrato en las aguas subterráneas, los productores de papa necesitan nuevas herramientas de gestión que los ayuden a aplicar la cantidad correcta de nitrógeno en el momento adecuado durante la temporada de crecimiento.
Los métodos comúnmente utilizados para monitorear el estado de nitrógeno de la planta de papa en la temporada requieren mucha mano de obra, mucho tiempo, a veces son engañosos y solo son específicos del sitio dentro del campo. Además, no existen herramientas disponibles públicamente que generen mapas de campo completos para predecir el estado de nitrógeno de las plantas durante la temporada y el rendimiento de los tubérculos al final de la temporada utilizando imágenes de teledetección.
La teledetección es un enfoque innovador, oportuno, no destructivo y espacialmente integral para mejorar las prácticas existentes de gestión de la producción de cultivos en temporada. La teledetección generalmente proporciona varias bandas espectrales estrechas (~ 3-10 nm), que pueden capturar las características de absorción fina de los nutrientes de los cultivos. Hasta ahora, muchos estudios han indicado que la teledetección se puede aplicar de manera efectiva para predecir parámetros/variables de cultivo, como el índice de área foliar, la biomasa, la concentración de N foliar, etc.
Los métodos utilizados para predecir/modelar rasgos de cultivos se enfocan principalmente en construir algoritmos de predicción entre señales espectrales y mediciones de campo. Un predictor de modelo típico son los índices de vegetación (VI), que son combinaciones matemáticas de reflectancia en dos o más bandas espectrales. Por ejemplo, el índice de vegetación de diferencia normalizada (NDVI) ha sido ampliamente utilizado en estudios anteriores debido a su simple aplicación para monitorear la dinámica de la vegetación a escala regional y global.
Hemos estudiado tres modelos de aprendizaje automático (árbol de decisión (DT), máquina de vectores de soporte (SVM) y bosque aleatorio (RF)) que utilizaron NDVI para predecir el estado de N y el rendimiento final de cuatro cultivares de papa (dos rojizos, incluidos Silverton y Lakeview Russet, dos astilladoras, incluidas Snowden y Hodag) durante dos temporadas de crecimiento en 2018 y 2019.
Nuestros resultados preliminares indicaron que el NDVI tiene un gran potencial para predecir el estado del N de la papa indicado por el NO3-N del pecíolo, el N total de la hoja entera o el N total de la vid entera, así como el rendimiento total al final de la temporada (Cuadro 4). Usamos R2 que va de 0 a 1 para medir la bondad de ajuste de los modelos. Cuanto mayor sea el R2, mejor será la predicción. Se considera que es una muy buena predicción si R2 es superior a 0.75.
Bajo ambos sistemas VRI, los tubérculos del área más húmeda tenían una gravedad específica más baja en comparación con los de las áreas más secas y promedio, y la diferencia bajo el sistema de control de boquillas fue significativa (Cuadro 1).
La Figura 2 mostró que los tubérculos del área más húmeda de cada campo tenían una relación de largo a ancho significativamente mayor. En consecuencia, hubo una mayor incidencia de
corazón hueco en tubérculos de las zonas más húmedas de ambos campos, y la diferencia fue significativa bajo el sistema de control de velocidad (Cuadro 2).
Durante el almacenamiento a menos de 48°F, observamos una mayor incidencia de pudrición en los tubérculos de las áreas más húmedas de ambos campos (Figura 3). Se cree que los tubérculos cultivados en suelos saturados tenían lenticelas agrandadas en la superficie, lo que creaba puntos de entrada perfectos para los patógenos en el campo y durante el almacenamiento.
Además, calculamos la eficiencia de riego (IE) del sistema VRI de control de velocidad (los números del VRI de control de boquillas no estaban disponibles), y mostró que hubo una mejora significativa de IE en el área más húmeda en comparación con el área promedio del sistema. campo. La IE en la zona más seca fue ligeramente superior a la media (Cuadro 3).
Para el estado del nitrógeno, el uso de NDVI para predecir el nitrato-N del pecíolo generó los mejores resultados de R2 para ambos tipos de papa, en comparación con el N total de la hoja entera y el N total de la vid entera. Para la predicción del rendimiento total, DT y RF fueron mejores que SVM, y los resultados para 2019 fueron mejores que para 2018 (Tabla 4, arriba).
Hasta ahora hemos encontrado que:
- 1) el árbol de decisión y el bosque aleatorio son mejores que la máquina de vectores de soporte para predecir tanto el estado del N durante la temporada como el rendimiento al final de la temporada para las papas;
- 2) el nitrato-N del pecíolo se puede predecir mejor usando NDVI y modelos de aprendizaje automático en comparación con el N total en hojas o vides. Validaremos los modelos y ampliaremos este trabajo usando más años de datos sobre más variedades de papa.
El autor quisiera agradecer a la Asociación de Cultivadores de Papas y Vegetales de Wisconsin, al Departamento de Agricultura, Comercio y Protección al Consumidor de Wisconsin, al Consejo de Investigación de Fertilizantes de Wisconsin y al Colegio de Ciencias Agrícolas y de la Vida de la Universidad de Wisconsin-Madison por financiar nuestra investigación.
— Yi Wang es profesor asistente en el Departamento de Horticultura de la Universidad de Wisconsin-Madison. Ella es una ex ganadora del Premio al Líder Emergente de Spudman.