Modelización del posprocesado de los mapas de rendimiento de las cosechadoras en el cultivo de trigo y cebada en España

Abstract

[EN] In view of the forecast of an exponential increase in population in the coming decades, the application of new technologies to optimize agronomic management has become vitally important. In particular, the increase in the production of cereals such as wheat and barley, being the first and fourth most produced cereals worldwide, has become key. In this context, the concept of precision agriculture emerges, one of the outstanding disciplines is remote sensing for modeling the productive response of crops. However, this tool depends on the availability of accurate data acquired by combine harvesters, so it is necessary to study the veracity of these data for subsequent crop modeling. In this work, the suitability of different yield data processing systems has been evaluated in terms of their standard deviation, based on the yield data recorded at intra-plot level, with the aim of obtaining an automatic filtering of wheat and barley yield maps. The area studied, spread over the 2021-2021 and 2021-2022 seasons, amounts to 296 ha (100 fields) for wheat, and 289 ha (98 fields) for barley, all in the province of Burgos. Different types of post-processing have been applied, using the following formula; m±n-SD, where m is the mean and SD is the standard deviation, both in a global adjustment (field level) and in a local adjustment (40x40 m² level). Three values of n (1, 1.5 and 2.5) have been tested, resulting in thirteen different post-processing types. Knowing that such data are intended to be used in performance modeling, Sentinel-2 data (10 and 20 m) were used to study how the coefficient of determination (r2) between the final performance after filtering and the reflectance bands was altered and to discern whether such variations would make a large difference in the reliability of the models. Finally, a mean filter was applied to the proposed postprocessing. G1L1.5F1 was the best post-processed, as only 8% of the 10x10 m pixels were removed and the standard deviation was considerably reduced from 1.438.21 to 892.17 kg-ha-1. Likewise, the geostatistical parameters analyzed (coefficient of variation, range and semivariance) obtained optimal results. Also, the difference between the proposed post-processing (G1L1.5F1) and step 1 (s1) was calculated, it was obtained that 78% of the barley fields and 72% of the wheat fields present a difference below ±100 kg-ha-1. Finally, it was decided to explore the relationship between the coefficient of variation and yield. By breaking down the yield by 500 kg-ha-1 intervals and calculating the coefficient of variation according to post-processing. It was appreciated that all data below 500 kg-ha-1 could be disregarded, as they represent the highest variability with very low percentage of data. Also, it was observed that from the range 2.000 – 2.500 kg-ha-1 the coefficient of variation is not affected in both crops, meaning that post-processing would not be necessary, achieving a great saving in computational power.

[ES] El crecimiento continuo de la población mundial plantea un desafío significativo para la seguridad alimentaria, especialmente cuando el aumento de la superficie cultivable se ve limitado por la disponibilidad de tierras arables y por el impacto negativo del estrés abiótico en los cultivos por sequía, salinidad y temperaturas extremas principalmente. Ante esta situación, se hace necesario incrementar la productividad en los sistemas agrícolas existentes para satisfacer la demanda creciente de alimentos. La agricultura de precisión se ha convertido en un pilar fundamental para el aumento de la productividad. La aplicación de sistemas GPS y sensores ópticos instalados a bordo de las cosechadoras posibilita la obtención de datos del rendimiento (kg ha-1) en continuo, utilizados en la modelización de la respuesta productiva de los cultivos. Los datos derivados de la teledetección pueden combinarse con los datos de rendimientos registrados en las aplicaciones Yield Track instaladas en las cosechadoras, para generar modelos matemáticos de estimación o predicción de la productividad. No obstante, la variabilidad intraparcelaria de los datos de rendimiento generada en esta aplicación, debida a factores como la localización, las condiciones climáticas, el material vegetal o incluso los sistemas de recopilación de datos, pueden reducir la significación estadística de los modelos obtenidos a partir de la teledetección, aumentando los errores sistemáticos. Estos factores constituyen variables discretas que pueden tener influencia sobre la variabilidad, si bien su efecto no deja de estar condicionado por las diferencias generadas sobre la respuesta productiva de la planta que cada uno de estos factores por separado puede tener. De modo que, el efecto de las variables discretas sobre la variabilidad podría estudiarse únicamente con una única variable continua como es el rendimiento. Por todo ello, resulta conveniente establecer y definir un sistema de procesado de datos de los mapas de rendimiento, sencillo, significativo estadísticamente y de fácil aplicación, basado en el rendimiento. El objetivo de este trabajo consiste en estudiar la variabilidad de diferentes sistemas de procesado de datos en función de la desviación estándar generada en el proceso de obtención de estos, a partir de los propios datos de rendimiento registrados a nivel intraparcelario. Para ello se utilizarán semivariogramas para validar el sistema de filtrado propuesto y generar un proceso automático de posprocesado de mapas de rendimiento en el cultivo del trigo y la cebada tanto en secano como en regadío. Para el estudio se empleará un conjunto de datos de rendimiento de trigo y cebada, tanto en secano como en regadío, obtenidos por cosechadoras con diferentes softwares Yield Track (Trimble y Topcon), en una superficie cosechada de 2.000 ha y 1.800 ha respectivamente, en las regiones de Burgos, Soria, León, Valladolid, Sevilla y Córdoba, entre los años 2019 y 2023. El rango del rendimiento de esta base de datos se encuentra entre 500 y 10.000 kg ha-1. El protocolo para el filtrado de datos: Paso 1: Se eliminarán los solapamientos y los puntos o polígonos fuera de los límites biológicos del cultivo, los límites se fijarán en 0 y 10 t·ha-1 (0< rendimiento< 10 t·ha-1). Paso 2: Se realizará el ajuste global a nivel de campo. Se van a proponer tres tipos de ajustes globales considerando los siguientes intervalos de rendimiento: - G1: Intervalo = (media del campo) ± 1 - (desviación típica del campo). - G1.5: Intervalo ± 1,5 - G2.5: Intervalo ± 2,5 Se eliminarán los puntos y polígonos con valores fuera de cada uno de los intervalos. Tras el paso 2, se obtendrán tres tipos de mapas de rendimiento (G1, G1,5 y G2,5). Paso 3: Se realizará un ajuste local dentro de cada campo. El radio de búsqueda para el ajuste local se va a fijar en 40 m. Se estima que para cada radio de búsqueda se analizarán cinco hileras de cosechadora (ancho de cosecha de 7,6 m). Se proponen