La fertilización variable permitió reducir el uso del fertilizante nitrogenado en un 20,8%, muy próximo al objetivo establecido por la Unión Europea de reducir el uso de fertilizantes en un 20%

El gran objetivo que se impuso la Unión Europea en el Pacto Verde en 2019 fue el de convertirse en el primer continente climáticamente neutro para el año 2050. Con el fin de alcanzar este objetivo, en el año 2020 se puso en marcha la estrategia “De la Granja a la Mesa”, para el desarrollo de un sistema alimentario sostenible en Europa. Esta estrategia se sustenta en tres pilares; por una parte, garantizar la seguridad alimentaria mediante alimentos de calidad. En segundo lugar, poner a disposición de todos los ciudadanos europeos los alimentos producidos mientras que se asegura un beneficio equitativo para los productores, estimulando la competitividad en el sector. El tercer y último pilar es reducir el impacto ambiental causado por la producción de alimentos, siendo el mínimo establecido, que el impacto de este sea al menos neutral.

Con el fin de alcanzar los requerimientos establecidos en este último punto, la Comisión Europea ha establecido unos objetivos parciales para el año 2030. Por una parte, que el 25% de las tierras agrícolas de la Unión Europea se dediquen a la agricultura ecológica; por otra, reducir el uso de fitosanitarios químicos y la venta de antimicrobianos en un 50%, así como disminuir en un 20% el uso de fertilizantes, reduciendo a su vez la pérdida de nutrientes en un 50% (Estrategia “de la Granja a la Mesa” 2020).

El principal cultivo de la Unión Europea es el trigo (Triticum sp.) (www.eurostat) y aporta cerca del 18% de las calorías anuales a nivel mundial. El principal nutriente que afecta al rendimiento del trigo es el nitrógeno (N). Por ejemplo, si no se aporta N externamente al cultivo, normalmente el desarrollo de este es deficiente (Sutton et al., 2011), lo que puede provocar una bajada del rendimiento que en nuestras condiciones puede variar entre el 40 y el 60%, repercutiendo negativamente en la rentabilidad del agricultor (Duflo et al., 2010), lo cual, atentaría contra el segundo pilar de la estrategia “De la Granja a la Mesa”. No obstante, el uso excesivo de fertilizantes nitrogenados es perjudicial para el medio ambiente ya que provoca la lixiviación de los nitratos, la volatilización del amoníaco y pérdidas de nitrógeno (N) por desnitrificación (Grace et al., 2011). Finalmente, y debido a la coyuntura global, el precio del fertilizante casi se ha triplicado respecto a la campaña anterior, 2021 (www.mapa.gob.es).

Considerando estas circunstancias, los agricultores se enfrentan a una decisión difícil, ya que deben mantener la producción reduciendo el aporte de fertilizantes en un 20%. Por lo tanto, ¿qué estrategias pueden ayudar a alcanzar ambos objetivos?

La agricultura de precisión (AP) es una estrategia de gestión que considera la variabilidad temporal y espacial para mejorar la sostenibilidad de la producción agrícola, lo que permite a los agricultores optimizar la gestión de sus parcelas. Para ello, se basa en el análisis de la información obtenida por diversos sensores como cámaras montadas sobre drones, satélites, LiDAR, etc.

Por ejemplo, la estrategia de fertilización puede ajustarse utilizando técnicas de AP ya que la demanda de fertilizante de los cultivos depende mayoritariamente de su rendimiento potencial (Raun et al., 2012). Otra propiedad a tener en cuenta para realizar un balance que nos ayude a calcular la dosis de N más adecuada sería el contenido de N mineral en suelo. Se debería conocer este valor en el comienzo de la fase del encañado, que es cuando se aporta la cobertera de N. Pero, debido a la gran variabilidad espacio-temporal del N mineral en suelo, es muy costoso realizar muestreos para poder obtener esa información justo en ese momento. Por otra parte, estudios previos llevados a cabo en la zona de estudio, mostraron que para esta época en los suelos de Álava por lo general el contenido de N_min en suelo suele ser bajo. Así, una estrategia de fertilización razonable sería, aplicar menos fertilizante en las zonas donde la producción es menor y una mayor dosis en las zonas más productivas. No obstante, la práctica habitual es fertilizar las parcelas de manera uniforme, sin adaptar la dosis a la variabilidad del rendimiento.

Mediante la técnica de fertilización de dosis variable la AP permite ajustar la dosis a los requerimientos del cultivo. Para ello, las parcelas son divididas en zonas de manejo específicas. Estas zonas, tienen como característica principal que dentro de ellas los requerimientos (nutricionales, hídricos…) son similares, pero a su vez diferentes respecto al de otras zonas (Figura 1). Sin embargo, la adopción de este tipo técnicas en Europa es baja, no alcanzando el 20% (Barnes et al., 2019).

Mediante la técnica de fertilización de dosis variable la AP permite ajustar la dosis a los requerimientos del cultivo. (...) Sin embargo, la adopción de este tipo técnicas en Europa es baja, no alcanzando el 20%

Además del precio de la maquinaria especializada, el otro factor principal que explica la baja tasa de adopción de esta técnica es la escasa interacción entre los científicos, que han desarrollado estas técnicas en campos experimentales, y los agricultores, poseedores de un amplio conocimiento de sus parcelas. Con el fin de solventar esta situación, la experimentación “On-Farm” ofrece una interesante alternativa ya que, en ella, los experimentos se realizan en las propias parcelas comerciales de los agricultores y la base de este tipo de experimento es la colaboración entre agricultores y científicos. Los agricultores, al estar inmersos en el proceso desde el principio, aprenden la técnica capacitándose para su uso. Por otra parte, los agricultores aportan a los científicos el conocimiento sobre el comportamiento del cultivo adquirido durante los años, lo cual es de gran ayuda de cara a interpretar mejor los resultados.

El objetivo principal del proyecto NITRALDA fue realizar un mapa de fertilización variable de forma colaborativa entre el agricultor y los científicos. Para ello, se utilizó información auxiliar proveniente de los satélites Sentinel-2 e información de un monitor de rendimiento que opera en otras parcelas.

El experimento se llevó a cabo en 14 parcelas de trigo de Álava/Araba. La Figura 2 muestra en color rojo las 13 parcelas utilizadas para entrenar el modelo y en las que se disponía de información del rendimiento obtenido con un monitor e información satelital; y en color verde la parcela de implementación de la que solo se disponía información satelital y se quería obtener un mapa de rendimiento. A partir de ahora a esta parcela se le denominará parcela de implementación. En total, se abarcó una extensión de 60,4 ha.

Figura 2. Localización de las 14 parcelas del estudio. En color rojo las parcelas de entrenamieto y validación y en color verde la parcela donde se implementarán los resultados obtenidos del modelo (parcela de implementación).

A pesar de que hay muchos IV diferentes, en este estudio sólo se utilizó el índice NDVI. Su elección es consecuencia de que es el IV más utilizado y que hay varios estudios que lo relacionan con la producción del trigo. Con el fin de abarcar todo el ciclo de crecimiento del trigo, se descargaron todas las imágenes libres de nubes del área de estudio desde el 1 de febrero hasta el 28 de junio, un total de 14 imágenes con una resolución de 10 x 10 m². Después de depurar los datos, se obtuvo un matriz de datos que consta de 3953 filas y 15 variables.

Como no existe un “mejor” algoritmo universal, si no que cada uno se adecúa mejor a un tipo de problemas, se calcularon y evaluaron un total de 15 algoritmos diferentes (Figura 3). El 70% de los datos provenientes de todas las parcelas fue utilizado para entrenar el modelo y el 30% para validarlo. La Figura 3 representa la calidad del modelo utilizando los datos de entrenamiento. La calidad del modelo se determinó mediante datos estadísticos, el error cuadrático medio (RMSE) y el coeficiente de determinación (R²). El primero, aporta información de la relación entre los valores medidos y los predichos, por lo que el mejor modelo es aquel que tienen menor valor de RMSE. R² informa sobre la capacidad del modelo para predecir los resultados a partir de la información relacionada. Este valor oscila entre el 0 y el 1, constituyendo el valor 1 una predicción perfecta.

Figura 3. Comparación del rendimiento de los 15 algoritmos de aprendizaje automático ordenados de mayor a menor RMSE. LM = Modelo linear, LM MDT = Modelo linear simple con la elevación, NNET= Artificial Neural Networks, PLS = Partial Least Squares, LeapForward = Linear Regression con Forward Selection, Lasso = Lasso, GLM = Modelo linear general, Treebag = Bagged CART, BagEarth = Bagged EARTH, knn = k-Nearest Neighbors, Brnn = Bayesian Regularized Neural Networks, BstTree = Boosted Tree, Gaussian = Gaussian Process, SvmRadia = Support Vector Machines with Radial Basis Function Kernel, RF = Random Forest).

Con un R² de 0,90 y un RMSE de 528, los mejores resultados los obtuvo el modelo Random Forest (RF), mientras que los peores resultados los obtuvo la regresión lineal con valores de 0,39 y 1325 respectivamente para R² y RMSE (Figura 3).

Atendiendo a los resultados obtenidos, se seleccionó el algoritmo RF para predecir el rendimiento de la parcela de implementación. Pero antes, se validó la capacidad predictiva de éste, utilizando parcelas enteras en vez de píxeles sueltos. Esto se realizó entrenando el modelo con todos los datos salvo los datos de la parcela que se quiere predecir. Esto es, de las 13 parcelas de las que se dispone de información de rendimiento 12 son utilizadas para entrenar y la otra para validar el modelo. Utilizando esta técnica, el valor medio de R² es 0,60 y el RMSE de 1182. Como era de esperar, al tratar de estimar parcelas enteras, la capacidad de predicción baja, pero se mantiene dentro de un umbral tolerable del 20% de error.

Una vez validado el algoritmo RF, este fue entrenado utilizando la información de todas las parcelas con el objetivo de realizar la predicción sobre la parcela de implementación. Como era imposible validarlo, se le pidió al agricultor que basándose en su conocimiento dibujase sobre la ortofoto un mapa de rendimiento. La Figura 4A, muestra la predicción del rendimiento realizada por el algoritmo RF, mientras que la Figura 4B, muestra el mapa de rendimiento dibujado por el agricultor. Se observa que los mapas de la Figura 4A y 4B son bastante similares. A petición del agricultor, la parcela fue dividida en cuatro zonas de prescripción de fertilización nitrogenada diferentes en base al rendimiento potencial de cada una de ellas (Figura 4C). La producción media estimada de cada zona oscilaba entre los 4,6 t ha^-1 de la zona 1, a las 6,6 t ha^-1 de la zona 4 (Figura 4A).

Las dosis de N oscilaban entre los 55 kg ha^-1 de la zona 1 y los 110 kg ha^-1 de la zona 4 (Figura 4C). Finalmente, este mapa se adaptó para que fuese compatible con el monitor y la abonadora del agricultor. Una vez introducido el mapa de prescripción en el tractor, el agricultor realizó las pasadas necesarias como lo hace habitualmente, y la abonadora repartió el abono según el mapa introducido. Previamente se habían aplicado 53 kg N ha^-1 en toda la parcela en el comienzo del ahijado.

La parcela de implementación, donde se realizó el estudio, tiene una superficie de 12,2 ha. En la Tabla 1 se comparan los kg de N utilizado al aplicar la fertilización de tasa variable respecto a la fertilización homogénea convencional. Lo usual en la zona de estudio es fertilizar las parcelas con 110 kg N ha^-1. Si esto es extrapolado a toda la parcela, se deberían de haber utilizado 1345 kg N. Sin embargo, y gracias a la técnica de fertilización variable la dosis aplicada se redujo a 1064 kg N. La Tabla 1 muestra la dosis de N empleado en cada zona. La fertilización variable permitió reducir el uso del fertilizante nitrogenado en un 20,8%, muy próximo al objetivo establecido por la Unión Europea de reducir el uso de fertilizantes en un 20%. Además, al aportar menos en las zonas de menor demanda se contribuyó a disminuir la pérdida de nutrientes.

Tabla 1. Dosis de N aplicado en la parcela utilizando la fertilización variable y convencional.

Se ha constatado que el uso de esta técnica permite reducir el uso de fertilizantes, no obstante, la siguiente pregunta es si también se ha mantenido la producción. El agricultor fue preguntado respecto a este tema, y dijo que él no había notado una reducción en la producción respecto a lo esperado.

La rentabilidad económica de esta técnica es otra cuestión importante. Hay que diferenciar si el agricultor dispone del equipamiento y el software necesario desbloqueado para realizar su aplicación o si debe adquirir o adaptar la maquinaria. No obstante, es remarcable que los datos satelitales, así como los programas utilizados para el tratamiento de los datos (QGIS y el programa de lenguaje R) son gratuitos.

En total se han aportado 281 kg menos de N. El compuesto más utilizado en la zona de estudio es el Nitrato Amónico Cálcico 26% (NAC), siendo el precio de este de 694,3 euros t^-1(www.mapa.gob.es). Considerando la riqueza en N del NAC, en total se dejaron de aportar 1080,7 kg de fertilizante NAC lo que supone un ahorro de 750,3 euros, esto es, 61,5 euros ha^-1.

El trabajo en colaboración entre los agricultores y los científicos ha permitido diseñar una estrategia de fertilización adaptada a los requerimientos del cultivo que, a su vez, ha permitido reducir el uso de fertilizantes en aproximadamente un 20%, sin disminuir el rendimiento de este. Este dato es prometedor, pero los resultados obtenidos en esta parcela no son suficientes para extrapolarlos a todas las parcelas de Álava/Araba, ya que el ahorro producido está estrechamente relacionado con la variabilidad espacial de la parcela.

Se confirma que la información gratuita derivada de los satélites Sentinel-2 es útil para estimar el rendimiento del trigo y que el empleo de algoritmos de aprendizaje automático como el RF mejoran los resultados respecto a las regresiones simples. Finalmente, y con el objetivo de que esta metodología pueda ser empleada por todos los interesados, el desarrollo se ha realizado utilizando softwares libres como los anteriormente mencionados R y QGIS.

Agradecimientos

Este proyecto se ha podido realizar gracias a la beca BIKAINTEK del Departamento de Desarrollo Económico Sostenibilidad y Medio Ambiente del Gobierno Vasco. Además, se ha recibido financiación por parte del departamento del Gobierno Vasco dentro la Estrategia de Digitalización de la cadena de valor de la gastronomía y alimentación de Euskadi Smart Food Country 4.0 Departamento de Desarrollo Económico, Sostenibilidad y Medio Ambiente del Gobierno Vasco en el marco del proyecto NITRALDA en el cual participaron como socios: Cooperativa Garlan, UAGA (Unión Agroganadera de Álava) y HAZI fundazioa, además de NEIKER. Los autores agradecen especialmente la colaboración de los agricultores Javier Torre, Gregorio Torre y Javier Álava.

Bibliografia

• https://www.aesan.gob.es/AECOSAN/docs/documentos/noticias/2020/Presentacion_Estrategia_de_la_Granja_a_la_mesa.pdf (accedido 04/11/2022)

• (eurostat)https://ec.europa.eu/eurostat/statisticsexplained/index.php?title=Agricultural_production_-_crops

• Sutton, M.A., Howard, C.M., Erisman, J.W., Billen, G., Bleeker, A., Grennfelt, P., van Grinsven, H., Grizzetti, B. (2011). The European Nitrogen Assessment. Cambridge University Press. JRC 9781107006126

• Duflo, E., Kremer, E., Robinson, J. (2011). Nudging Farmers to Use Fertilizer: Theory and Experimental Evidence from Kenya. Am. Econ. Rev. 101 (6): 2350-90. htpps://doi.org/10.1257/aer.101.6.2350

• Grace, P.R., Robertson, G.P., Millar, N., Colunga-Garcia, M., Basso, B., Gage, S.H., Hoben, J. (2011). The contribution of maize cropping in the Midwest USA to global warming: A regional estimate. Agric, Syst. 104(3): 292–296. htpps://doi.org/10.1016/j.agsy.2010.09.001

• https://www.mapa.gob.es/es/estadistica/temas/estadisticas-agrarias/indicesypreciospagadosagrariospublicacion2022julio_tcm30-635200.pdf

• Raun, W.R., Solie, J.B., Stone, M.L. (2011). Independence of yield potential and crop nitrogen response. Precis Agric. 12(4): 508–518. htpps://doi.org/10.1007/s11119-010-9196-z

• Barnes, A.P.; Soto, I.; Eory, V.; Beck, B.; Balafoutis, A.; Sánchez, B.; Vangeyte, J.; Fountas, S.; van der Wal, T.; Gómez-Barbero, M. Exploring the Adoption of Precision Agricultural Technologies: A Cross Regional Study of EU Farmers. Land Use Policy 2019, 80, 163–174, doi:10.1016/j.landusepol.2018.10.004