Metodos de delimitacion de zonas de manejo usando variabilidad espacio-temporal de rendimiento y margen bruto

Publicado el: 23/10/2018
Autor/es: Martin Laner (Facultad de Ciencias Agropecuarias - Universidad Nacional de Entre Rios), Susana Albarenque (INTA EEA Paraná), Alejandra C. Kemerer (UNER e INTA EEA Paraná), Ricardo Melchiori (INTA EEA Paraná), Entre Ríos, Argentina
Resumen

Grain yield (RNM) spatio-temporal variability have been considered in management zones (ZM) delimitation, however crops gross margin (MBM) has been less taken into account. In regions where the instability of agriculture production and the interanual variability of grain and inputs prices highly affects crops economic profitability, compare the mentioned approaches could be an important contribution. The objectives were to: i) delimitate ZM by using management zone analyst (MZA) based on multi-years RNM maps, ii) delimitate ZM considering spatio-temporal varibility of RNM and MBM, iii) compare ZM concordance between zone delimitation methods and using RNM or MBM maps. The RNM maps were get from three fields (L1, L2 and L3) of a farm located in Diamante, Entre Ríos, Argentina (-32°12´44´´, -60°32´42´´). Grain yield maps from several crops and years adequately conditioned, were 10x10m gridded to calculate average normalized RNM and variability (CV, variation coefficient). The MBM was calculated as the product of RNM and price minus production costs. The RNM maps were used to delimitate zones using MZA. Also, the RNM and MBM maps were used to delimitate 4 zones in each field: (RNM or MBM), high and stable RNM or MBM; ZM2(RNM or MBM), low and stable RNM or MBM; ZM3(RNM or MBM), high and unstable RNM or MBM; and ZM4(RNM or MBM), low and unstable RNM or MBM. Data sets were splitted in low or high RNM or MBM, according they were below or above RNM or MBM average. Stable and unstable zones were delimitated considering the CV corresponding to the 75% of data of the accumulated distribution of RNMCV or MBMCV for each field. Comparison of delimitation methods was performed using the land use change tools included in the Semiautomatic Classification plugging of QGIS. In L1 and L3, MZA software delimited two ZM, whereas in L2 delimited ZM were three. Thresholds to classify stable and unstable data, ranged from 37% to 46% for RNM, and from 88% to 110% for MBM. Zones delimited in L1 using MBM and RNM differed only from 7% to 4% from ZM delimited using MZA. Remarkable results were obtained comparing ZM delimited using RNMCV with those using MBMCV. The differences between RNMCV and MBMCV was 30%, where main change was from L1ZM2(RNM), to L1ZM4(MBM), (12%) and L1ZM3(RNM) to L1ZM1(MBM). In L2, data of RNMCV and MBMCV classification changed 44-46 %, respect to MZA. The main difference was observed in MBMCV, where 10% from medium RNM from MZA were classified as L2ZM4(MBM). In L2, delimitated ZM using MBMCV changed 21% respect to RNMCV. Field that showed less changes among classification methods was L3. Zone delimited with RNMCV respect to MZA changed only 3%, whereas MBMCV respect to MZA changed 14%. Comparing zoning using MBMCV respect to RNMCV showed changes of 22% distributed in similar proportions among classes. Zoning using MBM variability may be a more useful method than using RNM to adjust management practices.

Palabras clave. Zonas de manejo, rendimiento, margen bruto, variabilidad

Introducción

Las fuentes de información utilizadas para el estudio de la variabilidad y la delimitación de zonas de manejo incluyen propiedades del suelo (Kitchen et al., 2005), imágenes satelitales (Schepers, 2001) y mapas de rendimiento (Kleinjan et al., 1999). Las zonas de manejo (ZM) se definen como subregiones dentro de los campos donde se expresa una combinación homogénea de factores determinantes del rendimiento y para las cuales es apropiada una determinada combinación de insumos (Doerge, 1999).

Los métodos de análisis para discriminar zonas pueden ser sencillos como la separación de clases de productividad en mapas de rendimientos mediante el uso del método de cortes naturales (Diker et al., 2004), hasta técnicas estadísticas y/o algoritmos sofisticados como utilizan Tisseyre and McBratney (2008); Guastaferro et al., (2010) o Roudier et al., (2011). Asimismo, existen programas específicos para la delimitación de ZM, como el Management Zone Analyst (MZA) v1.0 (Fridgen et al., 2004), que permiten realizar clasificaciones utilizando información de múltiples variables.

La estabilidad espacio-temporal de la producción ha sido considerada tempranamente en trabajos de delimitación de zonas (Blackmore, 2000), sin embargo este criterio no se ha empleado hasta el presente en la valoración del beneficio económico de los cultivos. Es un aspecto muy relevante para la toma de decisiones de manejo, y ha sido explicitada como criterio que sustenta decisiones de cambio en la agricultura de precisión por Whelan y McBratney (2000?). En este sentido, a la variabilidad interanual de los cultivos en la agricultura en la región Pampeana Argentina, puede agregarse otro aspecto poco explorado como es la variabilidad interanual en los precios de granos e insumos que alteran fuertemente la rentabilidad de los cultivos, y condicionan la toma de decisiones en el manejo de los cultivos.

La metodología propuesta por Blackmore (2000), establece criterios rigidos para considerar el comportamiento de la productividad de los cultivos como estable o inestable. El uso de un valor coeficiente de variación del rendimiento fijo para establecer este límite de manera arbitraria es una metodología solo aplicable al caso de estudio reportado, dado que cada sitio y ambiente confiere características de variabilidad diferencial. Por tal motivo, Basso et al (2010), proponen la clasificación no supervisada del CV del rendimiento para remover la limitación del método. Por otra parte, Melchiori y Albarenque (2012), propusieron un método basado en establecer umbrales de corte para las clases o zonas estables e inestables en base al análisis de la distribución de frecuencia del CV interanual del rendimiento. Esta propuesta propone establecer un valor de variabilidad (CV) que delimita clases estables e inestables en valores de CV mayor al valor que se delimita el 25% superior de la distribución de frecuencias acumuladas. Este método, resulta generalizable, y puede ser aplicado para establecer condiciones de estabilidad o inestabilidad en cualquier caso y variable.

De manera menos difundida también se han considerado criterios económicos para la delimitación de ambientes (Massey et al., 2008), refiriéndose por lo general a la comparación de los resultados de manejo uniforme en contraste con manejo por sitio especifico (Swinton y Lowenberg-DeBoer, 1999). Massey et al. (2008) estimaron la variabilidad del beneficio económico y clasificaron zonas donde se cubren aditivamente los costos de la tierra, los costos variables y los costos de la maquinaria, y no según la magnitud del beneficio.

La variabilidad temporal puede evaluarse usando mapas multianuales (Kitchen et al., 2005), pero para ello es necesario la normalización de los datos lo que no permite identificar a los productores oportunidades económicas. Transformar los datos de rendimiento a alguna variable económica permite combinar varios años de datos de diferentes cultivos, evaluando el sistema de cultivo como un todo (Massey et al., 2008). Este aspecto fue considerado por Melchiori y Albarenque (2012), quienes compararon la delimitación de ambientes según criterios de estabilidad e inestabilidad espacio temporal del rendimiento y el beneficio económico obtenido.

Los antecedentes descriptos evidencian que es relevante verificar la utilidad del empleo de la metodología propuesta por Melchiori y Albarenque (2012), debido a que la delimitación de zonas según criterios de variabilidad espacio temporal del rendimiento no optimiza el beneficio económico de los cultivos, y que estos dependen, del sitio y secuencia de cultivos

Los objetivos planteados para el presente trabajo fueron: i) delimitar ZM a partir mapas de rendimiento promedio multianuales usando Management Zone Analyst (MZA), ii) delimitar ZM considerando la variabilidad espacio-temporal del rendimiento en grano (RNM) o del margen bruto (MBM), iii) comparar la concordancia de ZM delimitadas con diferentes métodos a partir de mapas de rendimiento o margen bruto.

 

Materiales y métodos

Descripción del sitio

Las condiciones de los sitios analizados corresponden al ambiente característico del Oeste de la provincia de Entre Ríos (Argentina), ubicado en la franja costera del Departamento Diamante. La zona se caracteriza por un paisaje de terrazas medias y bajas, con pendientes medias de 2 a 4%, con suelos Molisoles y Vertisoles.

Los cultivos considerados (trigo, maíz y soja) se implantaron en las fechas de siembra óptimas para la región. La implantación de todos los cultivos fue en siembra directa y el manejo de la fertilización, malezas, enfermedades y plagas de acuerdo a las recomendaciones y necesidades de cada cultivo.

Se utilizaron mapas de rendimiento de tres sitios dentro de un establecimiento productivo: Lote 1 (L1), Lote 2 (L2) y Lote 3 (L3) de diferentes campañas y cultivos (Figura 1).

 

 

Cálculo del rendimiento normalizado promedio multianual (RNM)

Los datos de rendimiento se analizaron de acuerdo al protocolo de procesamiento descripto por Albarenque y Velez (2011), para el cálculo del rendimiento normalizado promedio multianual se interpolaron los mapas en grillas de posición común y tamaño de 10 x 10 metros utilizando el programa AFS (V5.5).

El mapa promedio multianual se realizó con los rendimientos normalizados respecto al promedio para realizar comparaciones entre cultivos, y se calculó como el promedio de cada uno de los puntos de la grilla de la siguiente manera:

 

 

Cálculo de margen bruto por cultivo y promedio multianual (MBM)

Se calculó el rendimiento de indiferencia de los cultivos (RI) a partir del precio neto a campo de los granos al momento de la siembra y los costos de labores, insumos, cosecha y comercialización utilizando datos proporcionados por el productor. El margen bruto (MB) se calculó como el producto entre la diferencia entre el rendimiento observado y el rendimiento de indiferencia y el precio del cultivo. El MBM se calculó de la misma manera que el RNM.

 

 

Metodología para la identificación de zonas de manejo

Los datos de RNM y MBM de cada lote fueron clasificados para generar zonas de manejo empleando el programa Management Zone Analyst (MZA) v1.0 (Fridgen et al., 2004). Se seleccionó el número de zonas óptimo sugerido por los índices de optimización del programa.

En cada lote se realizaron clasificaciones de acuerdo al método propuesto por Blackmore (2000) a partir del rendimiento normalizado multianual (RNM) promedio y margen bruto multianual (MBM) promedio, y sus variabilidades interanuales (CV%).

Se compararon los métodos de delimitación utilizando las herramientas de cambio de uso del suelo incluidas en la clasificación semiautomática de QGIS.

 

Resultados y discusión

En cada uno de los lotes evaluados se delimitaron 4 ZM (Tabla 2), de acuerdo con los umbrales de coeficiente de variación (CV) y RNM o MBM promedio. Las clases delimitadas en los tres lotes (L1, L2 y L3) fueron: ZM1, rendimientos o márgenes altos y estables; ZM2, rendimientos o márgenes bajos y estables; ZM3, rendimientos o márgenes altos e inestables; y ZM4, rendimientos o márgenes bajos e inestables (Tabla 2). El valor de CV que separó el 25% superior de los datos en la distribución acumulada de frecuencia del CV (umbral de delimitación), calculado como propusieron Melchiori y Albarenque (2012), fue diferente entre lotes de acuerdo a la variable considerada para la delimitación de las ZM (RNM o MBM), siendo la variabilidad del MBM mayor a la del RNM. Lo que demuestra la inconveniencia de fijar un valor de CV para la delimitación de ZM, como lo propuso Blackmore et al. (2000). Otros autores (Basso et al., 2012) también han señalado este inconveniente y propusieron una alternativa basada en la clasificación no supervisada del CV. La metodología propuesta en este trabajo se basa en analizar la distribución de frecuencia de la variabilidad seleccionando un umbral de corte para cada set de datos en particular.

El RNM promedio en el L1 fue de 49 y el MBM promedio de 236 (US$ ha-1 ). Los umbrales para la delimitación de ZM resultantes fueron de 41% para el CV del RNM y 109% para el CV del MBM (Tabla 2). En el L2, el CV umbral fue de 37% y el RNM promedio del lote de 52, el umbral de CV del MBM, resultó mayor respecto del CV del RNM, y fue de 88%, mientras que el MBM fue de 419 (US$ ha-1 ). Finalmente, en el L3, el umbral para la delimitación de ZM fue 46% para el RNM y 110% para el MBM (Tabla 2), siendo el RNM promedio de 56 y el MBM promedio de 361(US$ ha-1 ).

El MBM permite establecer zonas con un criterio económico, las que evidencian oportunidades de cambio en las prácticas de manejo (Massey et al., 2008). En este trabajo se propone y se reportan resultados de delimitación de ZM a partir de la variabilidad espacio-temporal del MBM.

 

 

La delimitación usando el software MZA resultó en dos ZM en el L1 y L3, una del alto RNM y otra de bajo RNM (L1ZM1(MZA), L1ZM2(MZA), L3ZM1(MZA) y L3ZM2(MZA), respectivamente, Figura 2a y Figura 4a), mientras que en el L2 las ZM delimitadas fueron 3 (Figura 3a). En el L1, las ZM delimitadas usando umbrales de CV de RNM y MBM (Figura 2b y c), difirieron sólo del 7% al 4% de las delimitadas con MZA. Comparando las ZM delimitadas usando RNMCV con las generadas usando MBMCV, la diferencia fue de 30%, siendo el principal cambio de la L1ZM2(RNM) a L1ZM4(MBM) (bajo rendimiento estable a alto margen bruto inestable), y desde la L1ZM3(RNM) a la L1ZM1(MBM).

En el L2, los datos de la clasificación RNMCV y MBMCV cambiaron 44-46%, respecto a la delimitación con MZA. La principal diferencia se observó con MBMCV, donde el 10% de RNM de MZA (correspondiente a la L2ZM2(MZA), zona de bajo rendimiento estable) se reclasificó como L2ZM4(MBM) (zona de bajo MBM e inestable). La delimitación usando MBMCV cambió 21%, respecto usar RNM(CV) para la delimitación de las ZM.

El L3 fue el lote que menos cambios mostró entre los métodos de clasificación. Las ZM delimitadas con RNMCV cambiaron solo un 3% respecto a la delimitación con MZA, mientras que al usar el MBMCV el cambio en la clasificación fue de 14%. La comparación de las ZM delimitadas usando MBMCV respecto de las obtenidas usando RNMCV, mostró cambios de 22% que se distribuyeron en proporciones similares entre las clases.

 

 

 

 

Resumen y conclusiones

Los métodos de clasificación empleados no resultaron consistentes en la superficie de las zonas delimitadas (MZA, RNMCV, MBMCV).

Los umbrales de CV utilizados como límite para delimitar zonas estables e inestables variaron de acuerdo al lote considerado y la variable utilizada para la clasificación (RNM o MBM), lo que sugiere que los umbrales teniendo en cuenta la variabilidad de los datos representan una alternativa mejoradora respecto a usar umbrales arbitrarios de cortes, o la clasificación de mapas de rendimiento de varios cultivos con métodos no supervisados.

En este trabajo, las zonas de RNM altos e inestables coinciden con áreas donde se obtienen MBM altos y estables, donde podría asumirse decisiones de manejo con mayor riesgo económico, dado que el MBM siempre resultó mayor que el MBM. Por otra parte, en las zonas de RNM bajo y estable, resultaría conveniente a priori reducir los gastos en los cultivos o diseñar estrategias de manejo para mejorar el rendimiento.

Agradecimientos

Se agradece la colaboración de Alfredo y Francisco Gutierrez propietarios del establecimiento. Este trabajo fue financiado con fondos del proyecto PNAIyAV-1130023: “Tecnologías de agricultura de precisión para mejorar la eficiencia de la producción agropecuaria” de INTA.

Trabajo presentado al Primer Congreso Latinoamericano de Agricultura de Precisión (CLAP 2018) - Abril 2018, Santiago, Chile

Referencias bibliográficas

 
remove_red_eye 1583 forum 6 bar_chart Estadísticas share print
Compartir:
close
Ver todos los comentarios
 
Copyright © 1999-2021 Engormix - All Rights Reserved