Convenio CREA AGD
¿Cómo evaluamos las decisiones agronómicas en agricultura de precisión?
En la agricultura de precisión, evaluamos decisiones agronómicas mediante un proceso que comienza con la selección de las áreas o lotes de interés. Utilizamos una serie de herramientas estadísticas para recopilar y analizar datos sobre las prescripciones de cultivo y los resultados de la cosecha. El primer paso es agrupar los datos en clusters mediante la función k-means o fuzzy k-means, según sea el caso, como ‘baja’, ‘media’ y ‘alta’, basándonos en características clave como el rendimiento y la prescripciones. Luego, calculamos áreas y porcentajes para entender mejor la distribución de estas categorías en el terreno.
Posteriormente, comparamos las categorías de prescripciones con los resultados reales de la cosecha. Esto nos ayuda a identificar si las estrategias aplicadas están alineadas con los resultados esperados. Utilizamos mapas temáticos y gráficos para visualizar estas comparaciones, lo que facilita la identificación de áreas de mejora o éxito. Por último, todos estos análisis se integran en una aplicación interactiva, permitiendo a los usuarios explorar los datos y resultados de manera dinámica y comprensible.
El mapa de contingencia es como una tabla que ayuda a ver la relación entre las prescripciones y los resultados. En esta tabla, por un lado, existen las categorías de las prescripciones (por ejemplo, baja, media, alta cantidad de fertilizante) y, por el otro, los resultados de la cosecha (también en categorías como baja, media, alta producción).
Cada celda de esta tabla muestra cuántas veces una combinación específica ocurre. Por ejemplo, una celda puede decir cuántas veces existió una cosecha alta cuando seguiste una prescripción de media.
Análisis de los ensayos
El esquema del diseño del experimento realizado a campo se presenta en la Figura 1. El mismo se realizó en los ambientes que previamente han sido delimitados (zonas de alto y bajo potencial). Se requiere disponer con al menos dos repeticiones por zona. La dosis de fertilizante se asocia con la Parcela Principal (PP), y la densidad con la Sub-Parcela (SP). Dado que se dispone de más de una observación por SP fue necesario identificar la Sub-Sub-Parcela (SSP). En este ensayo en cada repetición se cuenta con 4 PP, 16 SP y 256 SSP.
Modelo estadístico
Rendimiento = Media + F + D + F2 + D2 + F*D + Rep + PP<Rep + SP<PP<Rep + SSP<SP<PP<Rep +Error
Donde,
Media es una media general del rendimiento,
F es la variable regresora dosis de Nitrógeno con valores de 0 a 300 kg Fert./ha
F2 es el término cuadrático de la variable regresora dosis de Nitrógeno
D es la variable regresora densidad de siembra con valores de 45 a 75 mil plantas/ha
D2 es el término cuadrático de la variable regresora densidad de siembra
Rep hace referencia al bloque o Repetición, con niveles 1 y 2
PP es el efecto de la Parcela Principal que se encuentra anidado dentro de la Repetición (PP<Rep), con niveles PP1 a PP8
SP es el efecto de la Sub-Parcela que se encuentra anidada dentro de la Parcela Principal (y ésta dentro de la Repetición: SP<PP<Rep) con niveles SP1 a SP16
SSP es el efecto de la Sub-Sub-Parcela que se encuentra dentro de la Sub-Parcela (SSP<SP<PP<Rep) con niveles SSP1 al SSP16
Error es el término de error experimental
En azul se identifican los factores considerados como fijos y en rojo los efectos aleatorios asociados al diseño del experimento más el término de error.
Resultados
N AIC BIC R2_1
919 1589. 0 1630.5 0.737811585
AIC y BIC menores implica mejor
Pruebas de hipótesis secuenciales
numDF denDF F-value p-value
(Intercept) 1 912 489.067812618 <0.0001
Ambiente 1 912 14.002975776 <0.0001
Densidad 1 912 14.002975776 0.0002
Ferti 1 912 5.495178685 0.0193
DD 1 912 69.187597089 <0.0001
FF 1 912 4.202394588 0.0407
Densidad:Ferti 1 912 0.008352918 0.9272
Visualización
Este script en R, dinámico, utiliza una interfaz Shiny para permitir a los usuarios introducir variables clave como el precio del maíz, el costo de semillas y fertilizantes, y elegir entre visualizar rendimiento o margen bruto (MB). Implementa un modelo matemático para predecir el rendimiento y el MB en función de la densidad de siembra y la cantidad de fertilizante, mostrando los resultados en un gráfico interactivo y una tabla resumen. Además, ofrece una comparativa entre estos resultados óptimos y los actuales del productor, brindando una herramienta valiosa para la toma de decisiones enfocada en maximizar la eficiencia y rentabilidad del cultivo.
Ambiente de ALTA productividad
Ambiente de BAJA productividad
Ubicación de los ensayos y la densidad variable
Vuelo con drone para monitoreo y control de aplicaciones.