Mapas de suelo digitales y datos en Digital Farming NHN

Digital Farming NHN, datos y agricultura de precisión

Esta página se ha traducido automáticamente del neerlandés.

🎬 Multilingual subtitles
✍️ Por: Team BC1.NL

El procesamiento de datos en Digital Farming NHN, del mapa de suelo al algoritmo

En esta segunda parte de la serie sobre el proyecto Digital Farming NHN, el procesamiento de datos ocupa el lugar central. ¿Cómo se recoge la información? ¿Y qué se hace después con ella? La respuesta a estas preguntas es crucial para la aplicación de la agricultura de precisión en la práctica.

Mapas de suelo digitales y mapas de tareas como base

Una de las fuentes de datos más importantes dentro del proyecto son los mapas de suelo y los mapas de tareas. Constituyen la base para aplicar con exactitud, por ejemplo, fertilizantes o productos fitosanitarios. La empresa RH3S desempeña en esto un papel clave. Con ayuda de una tecnología de sensores avanzada realizan un análisis del suelo, a partir del cual se elaboran mapas de suelo detallados.

Explicación de los mapas de suelo Lo que hace esto especial es que los datos obtenidos también se pueden traducir directamente en mapas de tareas, instrucciones digitales con las que las máquinas agrícolas pueden trabajar de forma dirigida. En esta parte de la serie, Eddie Loonstra, de RH3S, cuenta cómo funciona este proceso y qué ventajas aporta a una agricultura sostenible.

Hogeschool Inholland y la fuerza de los algoritmos

También la enseñanza participa de cerca en Digital Farming NHN. Kristel van Ammers, docente e investigadora en Hogeschool Inholland (universidad neerlandesa de ciencias aplicadas), acompaña a los estudiantes que desarrollan algoritmos para el proyecto. Subraya lo importante que es ajustar esta tecnología a las necesidades del agricultor. ¿Qué espera un productor de un algoritmo? ¿Y hasta qué punto tiene que ser fácil de usar?

El estudiante Michael Bultema, que cursa la formación de Mathematical Engineering, trabaja en un algoritmo que puede reconocer malas hierbas. En el Robotica Lab de Alkmaar (Países Bajos) muestra cómo funciona esto en la práctica y lo esenciales que son unos buenos datos de imagen.

Una serie con historias e ideas de la práctica

Pantalla en la que el algoritmo reconoce malas hierbas Esta aportación forma parte de una serie que muestra el proyecto. En la parte 1 compartieron sus ideas sobre la agricultura de precisión, entre otros, el productor de bulbos Stef Ruiter, Sander Dekker de Agrotheek y Pieter Vlaar de Vertify.

Más información sobre la sostenibilidad en la agricultura

En el reportaje En camino hacia un cultivo sostenible de bulbos se examina qué alternativas hay para combatir determinadas enfermedades y si los métodos que funcionan a pequeña escala también tienen éxito a gran escala.

Ver también:
Digital Farming, el reto de la agricultura de precisión
Digital Farming, aplicación localizada
Digital Farming, resultados logrados en la jornada demo
Cultivar respetando el clima con eTrac y Silphie

Preguntas frecuentes

Este es un breve resumen de la película. Mira el vídeo de arriba para conocer la historia completa.

¿Cómo se hace un mapa de suelo?

Un sensor de suelo mide el suelo, tras lo cual los datos de medición se procesan y se calibran con muestras de tierra. Con un software los valores se convierten después en un mapa en el que cada color indica una zona con un valor numérico, por ejemplo azul oscuro para valores entre 200 y 205 y naranja intenso entre 240 y 245. De esos datos se puede deducir, por ejemplo, el contenido de materia orgánica, en el que se puede basar la cantidad de producto.

¿Cómo se mide el suelo con un sensor gamma?

Un sensor gamma pasivo mide la radiación natural que el propio suelo emite. La tierra es por naturaleza ligeramente radiactiva y esa es la radiación en la que vivimos cada día. El sensor va delante de un pulverizador o sobre un quad y cubre de 6 a 10 hectáreas por hora, según la velocidad de avance. Las pasadas son de 10 a 12 metros de ancho; conducir más estrecho aporta poco. Así se ve rápidamente si es arena o arcilla y cómo son las proporciones en el suelo.

¿Qué datos se juntan para dirigir el pulverizador?

Se juntan cuatro fuentes: la imagen de la cámara, el suelo, el clima y el esquema de registro de plantación, que muestra qué variedad está en qué punto GPS del campo. En la universidad de ciencias aplicadas de Alkmaar (Países Bajos) esos datos se reúnen, y con cada productor se mira qué información quiere sacar él mismo.

¿Cuál es la diferencia entre un mapa de suelo y un mapa de tareas?

Un mapa de suelo muestra cómo está compuesta la parcela: dónde la tierra es más pesada o más ligera, dónde hay más o menos materia orgánica. Un mapa de tareas es la traducción de eso al trabajo: para cada lugar indica cuánto hay que esparcir, pulverizar o labrar. La máquina lee ese mapa de tareas y regula su dosis mientras avanza.

¿Qué hace el algoritmo de reconocimiento de malas hierbas?

En el Robotica Lab un estudiante construye un algoritmo que reconoce malas hierbas en campos de tulipanes. En la pantalla dibuja un contorno alrededor de lo que considera mala hierba, con un número para la probabilidad, y cuanto más cerca esté ese número de 1, más seguro es. Así un productor puede ver cuánta mala hierba hay y dónde está. Más adelante, la propia cámara puede decidir pulverizar un poco más en un sitio y un poco menos en otro.

¿Dónde puedo ver la película completa?

Estas preguntas y respuestas son un breve resumen. Mira la película completa «Digital Farming NHN, datos y agricultura de precisión» con todas las ideas, los ejemplos y los antecedentes en https://www.bc1.eu/es/digital-farming-parte-2-datos-y-algoritmos/

Tags: