Resultados del proyecto 'MilloPreciso'

En el presente artículo comentaremos cómo se obtienen los mapas de rendimiento en las picadoras de forraje, la importancia de su limpieza y cómo se llega a los mapas de zonas de manejo fiables para la elaboración de prescripciones que permitan realizar aplicaciones a dosis variable.

Los sistemas para la medida del rendimiento combinados con los receptores de posicionamiento por satélite (receptores GNSS) comenzaron a introducirse comercialmente en las cosechadoras autopropulsadas de cereales a mediados de los años 90 del siglo pasado. En las cosechadoras autopropulsadas de forraje hubo que esperar al siglo XXI, unos 10 años después, para poder disponer de este equipamiento en los modelos comerciales.

A partir del año 2005, Claas y John Deere comenzaron a comercializar sistemas de determinación del rendimiento basados en la medición del desplazamiento de los rodillos de alimentación (sistema de flujo volumétrico) como equipamiento opcional en sus cosechadoras autopropulsadas de forraje. En la actualidad, estos sistemas ya vienen montados de serie en todos los modelos de picadoras de forraje comercializadas en España, necesitando simplemente su activación electrónica mediante el pago de una licencia al fabricante.

Estas máquinas se han convertido en los equipos más utilizados por las empresas de servicios y cooperativas de utilización de maquinaria agrícola (CUMA) en las campañas de recolección de forraje que tienen lugar en las explotaciones ganaderas del noroeste de España. En los últimos años las cosechadoras autopropulsadas de forraje de nueva adquisición han comenzado a disponer de sensores (Figura 1) que miden la producción de forraje y su contenido en humedad, con lo que georreferenciando estos datos con las posiciones calculadas por un receptor GNSS situado encima de la cabina, permiten obtener mapas de rendimiento.

Para la medida de la producción, el sistema utilizado por todos los modelos comerciales de picadoras de forraje es la medida de la separación entre los rodillos de alimentación y su velocidad (Figura 2). Dado que la anchura del canal de alimentación es fija (660 a 910 mm), si multiplicamos la separación (altura) por la anchura del canal de alimentación, tenemos la superficie de su sección. Multiplicando dicha sección por la velocidad de alimentación medida en los rodillos tenemos como resultado el flujo volumétrico de forraje que entra en la cosechadora (m³/h). Para saber las toneladas por hora de forraje que entran en la máquina, tendremos que multiplicar el flujo volumétrico por la densidad del cultivo atrapado entre los rodillos de alimentación.

Los sistemas electrónicos de la picadora utilizan un dato medio de densidad en cada tipo de forraje para realizar este cálculo, por lo que para obtener una medida precisa es necesario realizar una calibración de este sistema de medida del rendimiento mediante el pesaje de un remolque en báscula. Con el dato real del peso del forraje corregimos la medida registrada por la máquina para seguir trabajando con la densidad real del cultivo forrajero que estamos cosechando.

Figura 2. Medición de la separación entre los dos rodillos de alimentación interiores (S1 < S2).

Para la medida del contenido de humedad las máquinas actuales utilizan sensores que se basan en espectroscopia de reflectancia en el infrarrojo cercano (NIRS). Los de tipo capacitivo, aunque más económicos, han dejado de montarse por su menor precisión con el forraje. Los sensores NIRS tienen un coste mucho mayor que los capacitivos pero también pueden determinar otras propiedades cualitativas del forraje (proteína, almidón, azúcar, fibra, cenizas, azúcar, grasa…).

Además, pueden moverse y ser utilizados en distintas máquinas (picadoras de forraje y tanques de purín, por ejemplo), así como funcionar como equipos de análisis de forma independiente conectándolos con un ordenador portátil. En la figura 3 podemos observar tres de estos sensores montados en cosechadoras autopropulsadas de forraje de las casas comerciales más vendidas: John Deere F9, Claas Jaguar 1000 y New Holland FR.

Figura 3. Sensores NIRS montados en el tubo de descarga de la picadora de forraje: HarvestLab 3000 de John Deere (Izquierda), Nutrimeter de Claas (Centro) y Nutrisense de New Holland (Derecha).

Sin embargo, en los archivos con los datos de rendimiento en bruto generados por las cosechadoras, se detectan una serie de errores debido a la geo-referenciación, los sensores utilizados y a factores operativos. Para obtener mapas de rendimiento fiables es necesario limpiar los archivos en bruto para depurar los errores y poder definir con precisión las zonas de gestión diferenciada en las parcelas. Las aplicaciones de software comerciales más utilizadas por los usuarios que realizan mapas de prescripción a partir de datos de producción con cultivos forrajeros, no ofrecen información clara de cómo realizan esta depuración de errores y, por lo tanto, sobre qué datos eliminan de los archivos en bruto obtenidos por las cosechadoras. Si no se corrigen los errores, el usuario del mapa de rendimiento puede llegar a conclusiones incorrectas, lo que resultará en decisiones de gestión erróneas.

En la Figura 4 podemos observar un mapa con datos brutos (sin limpiar) de rendimiento obtenidos con una cosechadora autopropulsada de forraje. Como podemos observar en su leyenda, tenemos puntos en que la producción en verde registrada es de 0 toneladas/ha y otros en los que se alcanzan valores de hasta más de 1.000 toneladas/ha. Estos valores no son razonables ya que si existen plantas en una zona cosechada, la producción no puede ser cero. Si las plantas no existiesen la cosechadora no hubiese pasado por esa zona, ya que a ningún operario se le ocurre cosechar una zona de la parcela que no tenga plantas. Y en el otro extremo, producciones tan elevadas son imposibles de conseguir en la realidad. Estos datos son debidos a errores del sistema de medida utilizado, y deben de ser depurados del mapa para tomar decisiones correctas.

Entre los años 2022 y 2024 la Universidad de Santiago de Compostela (USC) a través del grupo de investigación BioModem, en colaboración con la empresa de servicios agrícolas Marcos Otero, la ganadería Ladrela de Xermade y la Fundación Empresa-Universidad Gallega (FEUGA), llevaron a cabo el proyecto MilloPreciso. Este proyecto fue un Grupo Operativo autonómico que elaboró un protocolo para la obtención y limpieza de los archivos de rendimiento obtenidos por las picadoras de forraje en el cultivo del maíz forrajero.

Como podemos observar en la Figura 4, la limpieza de los archivos de rendimiento en el cultivo del maíz forrajero es un paso imprescindible para elaborar buenos mapas de rendimiento. La dispersión de los valores de rendimiento registrada en la cosecha del maíz forrajero es más elevada que la que se obtiene en la recolección de grano con cosechadoras de cereales, por lo que la limpieza de archivos tiene mayor importancia cuando se trabaja con agricultura de precisión en cultivos forrajeros.

Los mapas de rendimiento obtenidos en varias campañas pueden combinarse para identificar áreas consistentes de alto o bajo rendimiento dentro de un campo. Estas áreas podrían entonces denominarse 'zonas de manejo' (ZM), requiriendo diferentes estrategias de gestión. Sin embargo, es difícil definir con precisión las zonas de manejo debido a las complejas interacciones de todos los factores que podrían afectar el rendimiento de los cultivos. Se han propuesto varios métodos para delimitar las ZM: mapas de rendimiento de cultivos, parámetros del suelo, atributos topográficos, datos de teledetección o incluso la combinación de estos enfoques y conjuntos de datos. Los resultados de varias investigaciones han encontrado que el mejor predictor del patrón espacial de variabilidad del rendimiento es la agregación de mapas de rendimiento de años anteriores. Además, es uno de los métodos más económicos de obtener los mapas con ZM si las cosechadoras autopropulsadas están equipadas con monitores de rendimiento.

Uno de los enfoques más utilizados habitualmente para delimitar ZM usando mapas de rendimiento es el método empírico, que utiliza la distribución de frecuencias del rendimiento y el conocimiento de la experiencia para dividir el campo normalmente en tres o cuatro ZM. El método empírico con un análisis de rendimiento multianual es una forma habitual de desarrollar ZM, recopilando tres o más años de datos de rendimiento para un campo dado, normalizando los datos anuales para promediar y combinando todos los años para crear un mapa relativo de rendimientos multianual. Este análisis promedia varios años de datos limpios de rendimiento en un nuevo mapa y permite identificar tendencias a lo largo de varios años, teniendo en cuenta tanto la variabilidad temporal como la espacial. Se recomienda que se utilicen al menos tres años de datos de rendimiento del cultivo para elaborar este mapa plurianual, tras comprobar que el patrón de las zonas con distinto potencial de crecimiento es consistente y se repite en las diferentes campañas.

Para que las ZM aparezcan claramente diferenciadas en un mapa los datos deben de poseer una variabilidad espacial mínima entre distintas zonas de la parcela. Si los valores del rendimiento son muy similares en toda la parcela la variabilidad será baja y será difícil apreciar distintas zonas con potenciales productivos diferentes. En los trabajos realizados dentro del proyecto MilloPreciso hemos utilizado el concepto estadístico del Coeficiente de Variación (CV) para caracterizar la variabilidad espacial de los datos del rendimiento registrados en una parcela. Tras calcular el CV de los mapas plurianuales de 114 campos diferentes, hemos llegado a la conclusión de que si el CV es menor del 10% es muy difícil establecer con claridad distintas ZM en una parcela. A medida que aumenta el coeficiente de variación de los mapas plurianuales, las zonas de manejo se delinean con mayor claridad y los patrones espaciales se repiten anualmente con mayor consistencia. La Figura 5 es un ejemplo de una parcela con una superficie de 5.7 ha en la que su mapa de ZM plurianual tenía un CV mayor del 20%. En dicha figura podemos observar cómo los patrones espaciales repiten con gran consistencia las zonas de potencial productivo alto, medio y bajo entre las campañas de 2020 y 2023.

Figura 6. Coeficiente de variación (CV) de los mapas plurianuales en función de la superficie de la parcela.

Los mapas de rendimiento obtenidos por las cosechadoras pueden ser utilizados para optimizar las dosis de siembra y de fertilizantes mediante técnicas de Aplicación a Dosis Variable (ADV). Para ello es necesario cargar mapas de prescripción, obtenidos a partir del procesamiento de los mapas de rendimiento, en los ordenadores de los tractores que controlan las abonadoras y sembradoras.

En la Figura 7 podemos observar la elaboración de un mapa de prescripción de siembra variable de maíz forrajero a partir del mapa plurianual de la parcela del ejemplo de la figura 5. A cada una de las zonas de manejo le asignamos una dosis de siembra diferente, utilizando la mayor dosis (85.000 semillas/ha) en las zonas con potencial productivo alto y la menor (75.000 semillas/ha) en las zonas con potencial productivo bajo. Este mapa de prescripción lo exportaríamos al monitor del tractor que controla la sembradora vía Isobus. Durante el trabajo de siembra, el mapa con la prescripción controlaría la dosis que aplica la sembradora en función de la zona de la parcela.

Figura 7. Elaboración de un mapa de prescripción de siembra variable de maíz forrajero a partir de mapa plurianual de rendimiento medio.

Una prescripción similar la podríamos hacer para la fertilización mineral, asignando una dosis mayor de abono a las zonas con potencial productivo alto y una menor dosis de abono a las de potencial productivo bajo. Tanto en el caso de la siembra como en el de la fertilización adoptamos una estrategia de manejo diferenciado de las zonas con el fin de obtener la máxima producción de maíz forrajero optimizando la aplicación de insumos (semilla y fertilizante en este caso).

Con esta estrategia provocamos que las zonas más productivas produzcan más y las menos productivas menos, incrementando las diferencias entre las distintas zonas de manejo con el objetivo de que la producción total en toda la parcela sea mayor. Con otros cultivos la estrategia podría ser diferente. Por ejemplo, en praderas se suele utilizar la estrategia de uniformizar la producción y atenuar las diferencias entre zonas. En este caso la elaboración del mapa de prescripción asignaría las dosis mayores a las zonas menos productivas y las menores a las más productivas.

La realización de las siembras y abonados con ADV en maíz forrajero tienden a incrementar las producciones utilizando las mismas cantidades de insumos o incluso reduciéndolas. Para comprobar la respuesta de este cultivo forrajero a las técnicas de ADV, entre los años 2026 y 2029 se desarrollará el proyecto 'Forraje Preciso', que realizará siembras y fertilizaciones variables en parcelas experimentales de maíz forrajero ubicadas en Asturias, Cataluña y Galicia. Este proyecto, un grupo operativo supra-autonómico financiado en la convocatoria del Ministerio de Agricultura, Pesca y Alimentación del año 2025, espera dar respuesta a la pregunta de si con la Agricultura de Precisión producimos más con técnicas de ADV en el cultivo del maíz forrajero. Informaremos de sus resultados en futuras colaboraciones con la revista TIERRAS.

Los análisis de los datos de producción registrados por las cosechadoras autopropulsadas de forraje en el noroeste de España permiten intuir el gran potencial que su correcta interpretación puede tener para la optimización de la aplicación de insumos en las parcelas.

Para la correcta delimitación de las zonas de manejo diferenciado dentro de una parcela es necesario limpiar los archivos con los datos de rendimiento en bruto que genera la cosechadora autopropulsada de forraje, con el fin de eliminar los errores que contienen y obtener mapas de rendimiento fiables.

La elaboración de mapas de prescripción para aplicaciones a dosis variable en el cultivo del maíz forrajero debe hacerse a partir de mapas de rendimiento medios plurianuales (mínimo de tres campañas) en los que se compruebe la existencia de variabilidad espacial y una repetición consistente de la ubicación de las zonas de distinto potencial productivo en las mismas zonas de la parcela en las diferentes campañas.

Agradecimientos

El proyecto 'GO MilloPreciso – Agricultura de Precisión con maíz forrajero en Galicia' fue financiado por las ayudas para la ejecución de proyectos de los grupos operativos de la Asociación Europea de la Innovación (AEI), cofinanciadas en un 75% con el Fondo Europeo Agrícola de Desarrollo Rural (FEADER) en el marco del Programa de desarrollo rural (PDR) de Galicia 2014-2020 con fondos propios de la Xunta de Galicia en un 22.5% y con fondos del Ministerio de Agricultura, Pesca y Alimentación en un 2.5%.

Entre los años 2026 y 2029 se desarrollará el proyecto 'Forraje Preciso' que realizará siembras y fertilizaciones variables en parcelas experimentales de maíz forrajero ubicadas en Asturias, Cataluña y Galicia