DIGITALIZACIÓN 138 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. En la Tabla 3 se muestran los resultados del proceso de limpieza sobre los datos brutos de partida. La combinación de descartar los datos con un contenido 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 • 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. de humedad inferior al 46% junto con la limpieza manual o automática con el programa Yield Editor eliminó del 23% (manual) al 29% (automática) de los datos, aumentando el rendimiento medio y disminuyendo el contenido medio de materia seca. CONCLUSIONES Los primeros análisis de los datos de producción registrados por las cosechadoras autopropulsadas de forraje en el Tabla 3. Procesos de limpieza realizados (MV: materia verde, MS: materia seca). ARCHIVO Nº DATOS MV T/HA MS T/HA MS % DATOS ELIMINADOS % ELIMINADOS Datos brutos 3076 31,62 13,22 45,89 0 0% Filtro Humedad < 46% 2428 33,95 13,62 40,65 648 21% Limpieza manual 2383 33,88 13,59 40,64 693 23% Limpieza automática 2198 34,03 13,64 40,51 878 29% 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. n
RkJQdWJsaXNoZXIy Njg1MjYx