Los datos utilizados en el presente trabajo fueron recogidos en dos empresas de servicios de maquinaria agrícola con sede en el noroeste de España

En este artículo se exponen los primeros resultados obtenidos del análisis de los datos de dos empresas de servicios que quieren comenzar a ofertar técnicas de Aplicación a Dosis Variable (ADV) en el cultivo del maíz forrajero, a partir de los mapas de producción documentados con las cosechadoras autopropulsadas de forraje.

Figura 1. Inscripciones anuales de picadoras de forraje nuevas en el ROMA.

Figura 2. Inscripciones de picadoras de forraje nuevas en el ROMA por Comunidad Autónoma en el período 2015-2022.

En los últimos cinco años las cosechadoras autopropulsadas de forraje de nueva adquisición han comenzado a disponer de sensores (ver Figura 3) 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. Diversos sensores para la medida del rendimiento en las cosechadoras de forraje fueron probados entre finales de los años 90 y principios de los 2000. Finalmente, la solución adoptada por todos los modelos comerciales de picadoras de forraje fue el sistema de medida del desplazamiento en los rodillos de alimentación.

Figura 3. Sensores necesarios para obtener mapas de rendimiento en cosechadoras autopropulsadas de forraje.

Dependiendo de la marca de la picadora de forraje, esta información se almacena en el sistema informático de la máquina en un formato diferente. En el mercado español el 59% de las unidades nuevas vendidas en los últimos 8 años son del modelo Jaguar de la casa comercial Claas. New Holland con un 26%, John Deere con un 11% y Krone con un 4% son las otras tres casas comerciales con unidades nuevas inscritas entre 2015 y 2022, pero con unas cuotas de mercado mucho más bajas (Figura 4).

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. Como las marcas comerciales de tractores más vendidas no coinciden con las de picadoras de forraje (en el año 2022 Claas sólo tuvo un 2,5% de cuota de mercado en tractores frente a un 20,7% de John Deere), hay que solucionar el problema de la compatibilidad de archivos entre tractores y cosechadoras para poder utilizar técnicas de Agricultura de Precisión en cultivos forrajeros. Esta problemática se conoce como la inter-operabilidad de los datos entre la maquinaria agrícola.

Aunque en el mercado se ha llegado a comercializar alguna iniciativa para facilitar el intercambio de los datos más relevantes de las máquinas agrícolas entre distintas marcas comerciales, éstos se limitan a posiciones de las máquinas, velocidades, estado del trabajo y niveles de combustible. Los archivos de documentación, como es el caso de los datos de rendimiento, aún no son compatibles entre las distintas plataformas digitales asociadas a las casas comerciales.

Por otro lado, en los archivos con los datos de rendimiento en bruto generados por las cosechadoras, se detectan una serie de errores debidos a la georreferenciación, los sensores utilizados y factores operacionales. 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.

En este artículo se exponen los primeros resultados obtenidos del análisis de los datos de dos empresas de servicios que quieren comenzar a ofertar técnicas de ADV en el cultivo del maíz forrajero a partir de los mapas de producción documentados con las cosechadoras autopropulsadas de forraje. Ambas empresas utilizan para la documentación de sus operaciones mecanizadas el Centro de Operaciones de la casa comercial John Deere (COJD), al realizar dichas operaciones con tractores de la citada marca. Sin embargo, para las operaciones de recolección del maíz forrajero, las dos utilizan cosechadoras autopropulsadas de la casa comercial Claas, por lo que necesitan traducir los archivos de datos de cosecha generados en la picadora a un formato compatible con el COJD. Este proceso tiene que ser lo más simple y automatizado posible, con el fin de hacerlo compatible con la actividad comercial de estas empresas de servicios de maquinaria durante las campañas de recolección del forraje.

En los últimos cinco años las cosechadoras autopropulsadas de forraje de nueva adquisición han comenzado a disponer de sensores 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 cosechada y el contenido de humedad del forraje se activó el sensor que mide el desplazamiento entre los rodillos de alimentación (que ya viene montado de serie en las picadoras) y se instaló el sensor capacitivo de medida del contenido de humedad en el tubo de descarga (ver Figura 5). Para la adquisición de los datos de producción, las cosechadoras de forraje se equiparon en sus cabinas con monitores John Deere (4600 y 4640) que por medio de un puente de la casa comercial Agra-GPS se conectaron con el Can-Bus de la máquina Claas y obtuvieron los archivos de rendimiento en formato jdl (John Deere Link) para poder ser subidos al Centro de Operaciones. En una de las empresas los datos se descargan de los monitores manualmente por medio de memorias USB tipo pen drive mientras que en la otra la descarga se realizaba telemáticamente por medio de un modem directamente a la nube. Para la georreferenciación de los datos, todas las cosechadoras iban equipadas con receptores GNSS John Deere Starfire 6000 y 7000 conectados a los monitores.

Figura 5. Sensores y equipos adicionales instalados en las cosechadoras autopropulsadas.

Izquierda: sensor de humedad del forraje en el tubo de descarga. Derecha: equipos instalados en cabina para la adquisición, georreferenciación y transmisión de los datos.

Para la descarga de los archivos con los datos de cosecha desde el Centro de Operaciones de cada empresa se utilizó la plataforma AgFiniti de la casa comercial Ag Leader. Esta aplicación en nube permite su sincronización con el Centro de Operaciones de John Deere y descargar automáticamente los archivos que cada empresa vaya subiendo al mismo. Posteriormente los datos brutos de rendimiento de cada parcela y campaña fueron importados en el software SMS (Spatial Management System), también de la casa comercial Ag Leader. Con el SMS se realizó una primera edición de los archivos consistente en ordenar correctamente las parcelas por clientes, granjas, campos y años, así como revisar sus límites, separar parcelas que aparecían juntas en un mismo archivo, juntar trozos de parcela que aparecían separados en distintos archivos y eliminar los datos con una humedad inferior al 46%. Tras ello los archivos fueron exportados en formato texto de Ag Leader Advanced (ALA.txt) para ser limpiados con el software Yield Editor 2.07, que posee una serie de filtros y herramientas para depurar los errores típicos que aparecen en los mapas de rendimiento.

Los archivos de datos con problemas en el formato numérico de la columna de la duración del intervalo de medida de cada dato registrado fueron corregidos utilizando el software Access de Microsoft. En total fueron procesados 376 archivos procedentes de 100 parcelas distintas pertenecientes a 36 explotaciones ganaderas diferentes de las provincias de Lugo y Asturias. En todas las parcelas se obtuvieron datos de producción de maíz forrajero con un mínimo de tres campañas cosechadas entre los años 2018 y 2022, dando lugar a entre 3 y 5 archivos distintos por parcela. La superficie de las parcelas analizadas estuvo comprendida entre 1,8 y las 19,2 ha, con una media de 3,5 ha.

Comportamiento de los equipos instalados en las cosechadoras

Los sensores y equipos instalados en las cosechadoras autopropulsadas de forraje permitieron adquirir los archivos con los datos de rendimiento georreferenciados de una forma satisfactoria. Además, al funcionar correctamente el puente Agra-GPS instalado entre la picadora Claas y el monitor 4640 de John Deere, la información adquirida se cargó correctamente en el Centro de Operaciones. Esta solución facilita la gestión y el análisis posterior de los datos al permitir utilizar una sola plataforma para toda la información, independientemente de que los archivos provengan de los trabajos realizados con los tractores o las cosechadoras. Para el técnico de la empresa de servicios es más cómodo trabajar con una única aplicación informática en lugar de tener que aprender el manejo de dos diferentes que, aunque permitan la exportación de sus archivos de una a otra, complican el aprendizaje y su uso diario.

Descarga de los archivos del Centro de Operaciones

Una vez que la empresa concede los permisos necesarios para establecer la conexión entre su Centro de Operaciones John Deere (COJD) y la plataforma AgFiniti, comienzan a descargarse de forma automática todos los archivos que se han subido al COJD desde el año que se establezca en la configuración. A partir de ahí, de cada nuevo archivo que la empresa sube al COJD se realiza una copia de forma automática e inmediata en la nube de AgFiniti. Este proceso funcionó de forma satisfactoria y permitio utilizar AgFiniti como una pasarela para descargar los archivos en el sofware SMS.

La descarga de los archivos de cosecha en el programa SMS desde AgFiniti tembién se realizó de una forma satisfactoria, aunque con problemas para ordenar correctamente los datos en el cliente, granja y campo correctos. Esto creemos que fue debido principalmente a carencias de la base de datos original creada por la empresa en el Centro de Operaciones. En campaña, al trabajar con múltiples operarios, se producen errores como documentar la información de una misma parcela con diferentes denominaciones, agrupar parcelas diferentes en un mismo archivo o utilizar nombres de campos y de granjas idénticos para distintos clientes, que después dificultan la correcta identificación de los archivos por parte del software SMS. La organización metódica de la base de datos es un requisito a respetar escrupulosamente para despuès poder tener la información correctamente ordenada y poder gestionarla adecuadamente para la toma de decisiones. La utilización de un puente para traducir los archivos entre los formatos de las dos casas comerciales también pudo influir en esta incidencia.

Esta colocación incorrecta de algunos archivos obligó a realizar una primera edición de los mismos en el SMS. Las principales actuaciones consistieron en colocar los datos de cosecha en el cliente y campo correctos, separar parcelas que figuraban juntas en un mismo archivo o unir trozos de una misma parcela que aparecían en archivos diferentes. Mediante estos trabajos de edición se consiguieron obtener 365 archivos de datos (datasets) completos procedentes de la descarga automática desde el COJD por medio de la sincronización de AgFiniti y SMS. Solo 7 archivos (1,9%) necesitaron ser descargados manualmente desde el COJD al no ser encontrados en el SMS. Probablemente estos archivos también fuesen correctamente descargados por el procedimiento automático de sincronización de SMS con AgFiniti, pero por los problemas de colocación en un cliente y campo incorrecto, no se haya podido encontrarlos.

Limpieza de los archivos de datos de rendimiento

Una vez organizados todos los archivos de datos en bruto de cosecha en el programa SMS, se procedió a realizar su limpieza para eliminar los errores tomando como referencia el protocolo de procesado y limpieza establecido por Kharel et al. (2018). Para ello se procedió a exportar todos los archivos de datos en el formato Ag Leader Advanced (ALA) de archivo de texto (txt). Este es uno de los dos únicos formatos que admite el software Yield Editor, programa utilizado para aplicar los filtros para eliminar los errores que aparecen en los datos en bruto.

En este proceso de exportación se detectó un problema con el formato numérico de los datos de tiempo del intervalo de medida en el que se registra cada punto de rendimiento. Las cosechadoras trabajaron registrando los datos de rendimiento con un frecuencia de 1 Hz (1 dato por segundo), pero en la columna del archivo de datos en la que se reflejaba este atributo el valor numérico era una cifra decimal que no siempre coincidía con el valor de 1 segundo exacto. En la Tabla 1 vemos las 10 primeras filas de parte de un archivo de datos exportado en formato csv en donde en la columna siete apreciamos estos valores decimales del intervalo de medida en segundos.

Tabla 1. Dataset en formato csv.

Tabla 2. Dataset en formato Ag Leader Advanced txt.

A pesar de estas limitaciones detectadas, se ha realizado la limpieza de los errores en los archivos de datos brutos utilizando los filtros que proporciona el programa Yield Editor. La limpieza automática que ofrece la versión 2.07 de Yield Editor denominada AYCE (Automated Yield Cleaning Expert), se toma como referencia para el desarrollo de procedimientos alternativos que simplifiquen este trabajo a realizar por las empresas de servicios. Como resultado de estas pruebas se constata la importancia de trabajar con archivos libres de errores para determinar las distintas zonas de manejo de una parcela para realizar, por ejemplo, aplicaciones a dosis variable.

En la Figura 6 podemos ver un ejemplo de establecer tres zonas de manejo (baja, media y alta producción) en una parcela de 3,75 ha a partir de datos brutos y a partir de datos limpios con limpieza manual y automática. La superficie catalogada como de bajo potencial productivo en la zona sur de la parcela se aprecia que cambia a potencial medio tras el proceso de limpieza. En la zona norte en cambio, se reduce la superficie de alto potencial productivo al eliminarse unos datos anómalos de producciones excesivas. En este ejemplo en primer lugar se han eliminado los datos de producción en verde de maíz forrajero con un contenido de humedad inferior al 46% siguiendo lo aconsejado por el protocolo de Kharel et al. (2018). A continuación, en la limpieza manual, se han eliminado los datos con producciones cuyos valores se apartan en +/- 2 desviaciones típicas (STD) de la media, con lo que desaparecen valores anómalos con producciones muy altas o muy bajas. Por último se ha realizado una limpieza automática aplicando filtros de retraso del flujo, velocidades y producciones mínimas y máximas, solapes y +/- 3 STD.

La consecuencia de este filtrado se puede apreciar con claridad en los rangos de las leyendas de las zonas con bajo y alto rendimiento de los tres mapas de la Figura 6. Como podemos observar, hay diferencias importantes en la delimitación de las zonas de manejo de utilizar los datos en bruto a utilizar los datos después del proceso de limpieza. Sin embargo, no hay grandes diferencias entre el procedimiento de limpieza más simple (el manual) y el más completo (el automático), lo que nos indica que con un procedimiento de limpieza básico ya podemos conseguir grandes mejoras en la fiabilidad de los mapas de rendimento. Esto facilta la utilización de aplicaciones sencillas por parte de las empresas de servicios para la limpieza de sus archivos con datos de rendimiento.

Figura 6. Mapas de rendimiento con tres zonas de manejo elaborados con un archivo sin limpiar (izquierda), con limpieza manual (centro) y con limpieza automática (derecha).

Tabla 3. Procesos de limpieza realizados (MV: materia verde, MS: materia seca).

Agradecimientos

Este trabajo se enmarca dentro del proyecto “GO MilloPreciso – Agricultura de Precisión con maíz forrajero en Galicia”, proyecto 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%. La Consellería do Medio Rural es el órgano de la Administración gallega a la que le corresponde proponer y ejecutar las directrices generales en el ámbito rural, y engloba las competencias en materia de agricultura, ganadería, desarrollo rural y ordenación comarcal, estructuras rurales, industrias agroalimentarias y forestales, montes, prevención y defensa de los incendios forestales.

También ha contribuido en el presente estudio el proyecto colaborativo del Campus Terra “AgriPreMaF – Agricultura de Precisión con Maíz Forrajero”, financiado en el marco del Convenio de Colaboración entre la USC y la Consellería de Cultura, Educación e Universidade de la Xunta de Galicia. Gracias, por último, a las empresas de servicios Agropres S.L. y Marcos Otero S.L. por su colaboración en estos dos proyectos.

Referencias

1. Kharel T., Swink S.N., Youngerman C., Maresma A., Czymmek K.J., Ketterings Q.M., Kyveryga P., Lory J., Musket T.A., and Hubbard V. (2018). Processing/Cleaning Corn Silage and Grain Yield Monitor Data for Standardized Yield Maps across Farms, Fields, and Years. Cornell University, Nutrient Management Spear Program, Department of Animal Science, Ithaca NY.