DIGITALIZACIÓN 136 Cuando este mismo archivo de datos se exporta en formato txt ALA el resultado lo vemos en la Tabla 2, en donde en la cuarta columna observamos que los valores decimales anteriores del intervalo de medida han sido convertidos en números enteros, lo cual genera muchos valores iguales a cero. Esto provoca que cuando se calcula la producción por hectarea si multiplicamos el flujo medido en los rodillos de alimentación por un tiempo de medida igual a cero, nos da como resultado una producción también igual a cero. Por este motivo estos archivos en formato ALA txt han tenido que corregirse sustituyendo los ceros por intervalos de medida de 1 segundo para poder ser procesados por el software Yield Editor. Pero el redondeo realizado con todos los valores de la duración del intervalo de medida por el formato ALA txt, va a provocar que los datos de producción por hectárea no van a coincidir con los calculados con los valores decimales. Esto tiene como consecuencia que las producciones que calcula el programa Yield Editor difieren de las calculadas tanto en el Centro de Operaciones de John Deere como en el software SMS. Esta circunstancia, además de las limitaciones de sólo aceptar dos formatos de archivos muy concretos (ALA txt y John Deere Greenstar txt) y no aceptar datasets con los datos en unidades del sistema métrico, hacen que la utilización de Yield Editor como programa de referencia para la limpieza de archivos no parezca lo más conveniente en nuestro contexto geográfico. 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 Tabla 2. Dataset en formato Ag Leader Advanced txt. LONGITUD (°) LATITUD (°) FLUJO (LB/S) TIEMPO GPS (S) DURACIÓN (S) -7,238318 43,489973 67,37 1600786807 0 -7,238331 43,489968 81,34 1600786808 0 -7,238344 43,489962 79,89 1600786809 0 -7,238354 43,489955 43,94 1600786810 1 -7,238367 43,48995 56,31 1600786811 0 -7,238381 43,489946 73,73 1600786812 1 -7,238398 43,489941 76,42 1600786813 1 -7,238415 43,489936 139,54 1600786814 0 -7,238428 43,489933 166,19 1600786815 0 -7,238442 43,489928 112,25 1600786816 1 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).
RkJQdWJsaXNoZXIy Njg1MjYx