Utilización de la tecnología GPS en la generación automática de Mapas de Rendimiento en el Cultivo de la Caña de Azúcar. MSc. Carlos Lago González, MSc. Juan Carlos Sepúlveda Peña, Ing. Farnia Fernández Sarría, Ing. Alejandro Camacho González Resumen. La creciente preocupación medioambiental y la necesidad de producir alimentos de calidad de una manera sostenible y respetuosa con el entorno ubican al sector agroalimentario en el punto de mira de la sociedad. El empleo de la tecnología del Sistema de Posicionamiento Global (GPS, siglas en inglés) en el ámbito civil, ha fomentado el surgimiento de nuevas fuentes de desarrollo, entre las que se puede mencionar la Agricultura, y muy particularmente la Agricultura de Precisión, considerada entre las 10 ciencias más importantes para el siglo XXI. Muy brevemente se puede definir como la habilidad de aplicar tratamientos distintos a escala local de un cultivo y obtener una mayor producción y mayor calidad de los productos, logrando un menor costo de todo el proceso productivo. Para ello, es necesario realizar un mapa de rendimiento del cultivo y una vez obtenido el rendimiento de cada punto (entiéndase un área muy pequeña dentro de un campo, por ejemplo una celda de un metro cuadrado) se le puede aplicar una dosis variable de pesticidas, abonos, fertilizantes, etc., contribuyendo a minimizar el costo de la producción y lograr un mejor equilibro ambiental. Las tecnologías informáticas existentes permiten la creación de estos mapas, pero a un alto costo en términos de complejidad algorítmica, por lo que no es factible a todos los tipos de usuarios. Surge entonces la necesidad del desarrollo de una aplicación para la implementación de estos algoritmos y obtener los mapas de rendimiento y mapas de aplicaciones de manera automática, rápida y sencilla, alcanzable para cualquier usuario. Se propone el desarrollo de un sistema que cumpla con los requisitos comentados anteriormente. Palabras Claves. Agricultura de Precisión, Mapa de Rendimiento, Mapa de Aplicación, GPS, Reporte de Productividad, Reporte de Rentabilidad.

I. INTRODUCCIÓN En el campo del desarrollo de las actividades agrícolas, la Agricultura de Precisión tiene un gran impacto científico, económico y social en el presente milenio. Constituye el

resultado de la confluencia e integración de diversas tecnologías de avanzada, entre las que se pueden citar los Sistemas de Diagnósticos Automatizados, los Sistemas de Información Geográfica, la Percepción Remota (aérea y satelital), los Sistemas de Posicionamiento Global, así como la hidraulización y automatización de equipos e implementos agrícolas, entre otras [1]. La Agricultura de Precisión ha tomado importancia tanto en los países desarrollados como en los subdesarrollados. La aplicación del conjunto de tecnologías que relaciona permite aumentar la producción agrícola disminuyendo los insumos a emplear en los cultivos, influyendo en un menor impacto ambiental e incrementando la eficiencia y rentabilidad de la producción. Las primeras tecnologías asociadas a la Agricultura de Precisión aparecieron en los cultivos de los granos, principalmente en América, Europa y Australia. Las maquinarias e implementos usados para las cosechas de estos productos han sido desarrollados con nuevas herramientas de automatización, permitiendo establecer un mejor control sobre ellos. Entre los principales avances tecnológicos que se han introducido en las maquinarias, se encuentra el monitoreo del rendimiento, no es más que la medición de la porción cosechada de un cultivo en el espacio y tiempo, donde la síntesis de esas medidas son mostradas en forma de un mapa gráfico. Los componentes necesarios para realizar el monitoreo del rendimiento son: los sensores de flujo de masa que registran el comportamiento del rendimiento en el campo, los computadores de a bordo que filtran y almacenan los datos registrados, los Sistemas de Posicionamiento Global que georreferencian estos datos en una cartografía de la zona muestreada y los Sistemas de Información Geográfica que permiten analizar geoestadísticamente los datos muestreados para representarlos mediante mapas cartográficos digitales. El monitoreo abarca la adquisición, análisis y síntesis de los datos del rendimiento de los cultivos y su ubicación dentro de

CCIA’2008 los campos, y ha sido posible gracias al advenimiento de los sensores apropiados, sistemas de posicionamiento precisos, y avances en las tecnologías informáticas. El producto final es usualmente un mapa con distintos colores o tonos que muestra rangos de rendimiento dentro de un campo [2]. Estos mapas de colores son comúnmente llamados: Mapas de Rendimiento. Investigadores de distintos países dedicados a la Agricultura de Precisión han establecido protocolos específicos de los cultivos para generar los mapas de rendimiento. Sin embargo, estos protocolos se han ido estandarizando y actualmente son adaptables desde un cultivo hacia otro, teniendo en cuenta las tecnologías de automatización que deben ser instaladas en las maquinarias e implementos y las características específicas para cada cultivo. Para generar los mapas de rendimiento de los cultivos es necesario tener en cuenta las particularidades de cada uno de estos, pues estas influyen en el análisis y diseño de los algoritmos implicados en el cálculo del rendimiento de los puntos registrados. Estos puntos son muestreados cada cierto tiempo por el sensor de flujo de masa, por lo que van a existir zonas donde no se registra rendimiento. El empleo de los métodos geoestadísticos de interpolación, permite estimar el rendimiento en estas zonas oscuras. Varios métodos han sido utilizados en los distintos cultivos, pero todos se basan en el mismo principio: influencia de los puntos vecinos registrados sobre las áreas no muestreadas. Con los resultados obtenidos en los mapas de rendimiento, se pueden generar reportes de productividad para mostrar las zonas de rentabilidad de los campos, los que con ayuda de los sistemas para la toma de decisiones, permitan planificar las cosechas posteriores. Los mapas de rendimiento constituyen el punto de partida para la utilización de otras tecnologías que surgen de la Agricultura de Precisión, entre ellas la Aplicación de Dosis Variable, que permite aplicar los insumos a los cultivos de forma diferenciada en las zonas que presentan distintos valores de rendimiento estimado, y a esto se le conoce como mapas de aplicaciones o también mapas prescriptivos o de prescripción. La Aplicación de Dosis Variable, es una de las aplicaciones que mayor importancia tiene dentro de la Agricultura de Precisión, pues la importación de insumos a los cultivos es controlada de forma muy exacta, permitiendo disminuir el impacto ambiental que provoca su uso y el costo asociado a la compra de estos, incrementando la rentabilidad de la producción. Actualmente, se han desarrollado distintos sistemas informáticos específicos para obtener los mapas de rendimiento en los cultivos de los granos y la uva. En el caso de la caña de azúcar también se han generado mapas de rendimiento y mapas prescriptivos, pero de forma manual, mediante el uso de un Sistema de Información Geográfica de propósito general. Estos mapas han sido obtenidos de manera experimental por los especialistas dedicados al cultivo de la caña. El proceso de generación de los mapas de rendimiento en la caña de azúcar es un proceso complejo que requiere de conocimientos geoestadísticos y de automatización para obtener los resultados esperados. El objetivo general de la investigación consistió en automatizar la generación de los mapas de rendimiento y los

2

reportes de productividad en el cultivo de la caña de azúcar teniendo en cuenta los resultados experimentales obtenidos por los especialistas de esta industria. II. AGRICULTURA DE PRECISIÓN La idea del Manejo Sitio Específico (MSE, área de mayor desarrollo dentro de la AP) es hacer lo correcto en el lugar adecuado y en el momento oportuno. Esta idea es tan vieja como la agricultura, pero durante la mecanización de la agricultura en el siglo XX hubo una gran motivación económica para tratar grandes extensiones de tierra con prácticas agronómicas uniformes. La AP proporciona una forma de automatizar el manejo sitio-específico usando la informática, por lo tanto haciendo que el manejo sitioespecífico pudiera tener una aplicación práctica en la agricultura. La AP incluye todas las prácticas de producción agrícola que usan la informática para ajustar el uso de insumos de modo tal que permita obtener el producto deseado, o para monitorear dicho resultado, por ejemplo, la aplicación con Dosis Variable (DV), los monitores de rendimiento, los sensores, etc.[3]. A. ¿Qué es Agricultura de Precisión? Esta filosofía propone atender en forma diferenciada los factores de producción de acuerdo a las características específicas de cada sitio, con el fin de maximizar la eficiencia en el uso de los recursos, y minimizar los efectos de contaminación, usando como unidad de manejo, el área más pequeña para la cual se cuenta con información de respaldo. Metodológicamente implica la incorporación de las herramientas tecnológicas disponibles en la actualidad, especialmente aquellas que contemplan la referenciación geográfica de sitios vía satélite, unidos a bases de datos de información de esos sitios concretos, como sustento sobre la cual se apoyan las decisiones para el manejo. El proceso necesita la recolección de información en cada sitio, su ordenamiento y análisis y, finalmente, la diagramación de las estrategias para atender las limitantes a nivel de sitio. El manejo de los cultivos por lotes o secciones, es una tendencia que viene fortaleciéndose gradualmente en la mayoría de las actividades agrícolas. A ella se suma esta nueva corriente que carga al concepto con un fuerte componente tecnológico en la recolección y manejo de la información[4]. Lowenberg-DeBoer y Swinton (1997) definen el MSE como el "control y monitoreo electrónico aplicado a la recolección de datos, procesamiento de la información y apoyo para la toma de decisiones, para la ubicación temporal y espacial de insumos en la producción de cultivos". La AP tiene el potencial de proporcionar a los productores modernas herramientas para manejar esos insumos que tienen que ser importados al campo. En lugar de aplicar fertilizantes o pesticidas indiscriminadamente en dosis uniformes sobre grandes áreas, la AP permite a los productores “afinar la puntería” con las aplicaciones de estas sustancias químicas. En cierto sentido, la AP sustituye algunos insumos físicos externos por la información y el conocimiento, acercando

CCIA’2008 potencialmente el campo al ideal del balance biológico. Por supuesto, la tecnología informática y el conocimiento que hacen que la AP funcione, también son insumos externos. La esperanza que se pone en la AP es que sea menos desequilibradora de los sistemas naturales que los insumos físicos aplicados indiscriminadamente[3]. Por otro lado, el empleo del GPS permite que los agricultores puedan recopilar datos sobre sus terrenos de cultivo, ya sea durante la cosecha o previamente a ella, de tal manera que hoy por hoy los cultivos ya no han de ser necesariamente tratados como una superficie de terreno de características homogéneas, sino que pueden ser tratados acorde con sus características espaciales. Es decir, se ha pasado de trabajar en kilómetros cuadrados a trabajar en metros cuadrados. Esto se ve traducido en una mejor aplicación de pesticidas, semillas, riego, etc., todo lo cual conlleva un sustancial ahorro en costes variables de producción que, en su totalidad, compensan el gasto derivado del empleo de estas nuevas tecnologías[5]. B. Mapas de Rendimiento El monitoreo y mapeo de rendimiento es el primer paso en el ciclo de aplicación de la AP. Solo cuando se encuentra la variabilidad en el cultivo, es que puede ser tratada. El rendimiento debe ser considerado como un resultado integrado de todas las condiciones por la que ha sido influenciado durante el período de crecimiento de la planta, aunque también debe ser considerado la historia de siembras anteriores por la que ha pasado ese campo donde se encuentra el cultivo. El Monitor de Rendimiento fue uno de los primeros avances tecnológicos de la AP, desarrollados principalmente por la Unión Europea y los Estados Unidos de América. Harris y Cox en el año 1997 realizaron una interesante discusión acerca de los prerrequisitos del mapa de rendimiento en el cultivo de la caña de azúcar. Comparando muy tempranamente con la industria del grano, el componente crítico en la caña de azúcar fue el desarrollo de un sensor de flujo de caña para las cosechadoras cañeras[7]. Los Mapas de Rendimiento (MR) son imágenes georreferenciadas con una escala de colores que indican el rendimiento de un punto en específico. Por lo general, son desarrollados por científicos y especialistas de la Agricultura, donde los interesados (agricultores, cosechadores y productores) deben pagar un precio alto para obtenerlos. Los MR son entradas para el proceso de aplicación de Dosis Variable (DV) de los distintos químicos que necesita un cultivo (fertilizantes, herbicidas, riegos, etc.). Las cosechadoras, fertilizadoras y otras maquinarias, necesitan de la instalación de un Computador de Abordo para el control y monitoreo, también es válido el uso de sensores de flujos para medir y registrar el rendimiento puntual. La propuesta que se presenta en este trabajo, es un sistema automatizado para la generación de MR de forma sencilla y asequible para cualquier usuario y que no quede en manos solamente de los científicos y especialista. La salida de este sistema será una imagen georreferenciada con varios ficheros asociados con ciertas particularidades como lo son: • Fichero para la exportación a un Sistema de Información

3

Geográfica (GIS, siglas en inglés), particularmente MapInfo. • Reporte de las zonas de rendimiento, obteniendo las zonas rentables y no rentables, importante para la toma de decisiones en la próxima cosechas. • Fichero con la estructura del campo dividido en celdas y con la información pertinente a cada una: localización (latitud, longitud), rendimiento. El campo estará dividido en celdas pequeñas (en unidades de metros cuadrado). Con la Aplicación de Dosis Variable se puede obtener un mayor rendimiento de la producción y aumento viable de la calidad de los productos. La reducción de insumos externos al cultivo, ayuda a disminuir el impacto ambiental del uso de estos. Se persigue la rentabilidad de la agricultura, y todas estas tecnologías pudieran usarse en beneficio de todos para lograr un equilibro con el Medio Ambiente. III. SISTEMAS PARA LA GENERACIÓN DE LOS MAPAS DE RENDIMIENTO Después de haber realizado una revisión de las tecnologías relacionadas con la AP, se puede concluir que esta permite el diagnóstico y medición de la variedad de los cultivos y suelos. Primero se debe estudiar la variedad de los cultivos y suelos para entender sus relaciones y luego gestionar esta variabilidad para obtener mejores resultados productivos. Existen diferentes métodos para obtener estas mediciones y diagnósticos, puede ser mediante métodos directo o indirectos [7]. A. Descripción del sistema desarrollado El proyecto surge a partir del vínculo de investigación y desarrollo que existe entre las entidades de CENPALAB, TechAgro Brasil, TechAgro Australia y el Instituto Superior Politécnico “José Antonio Echeverría” (CUJAE) para trabajar en conjunto y desarrollar una herramienta para la gestión de las maquinarias agrícolas. De esta manera, se crea el Sistema de Gestión de Maquinarias Agrícolas (SGMA), el cual fue instalado en Brasil en el año 2006, teniendo gran aceptación. A partir de ese año, surgieron grandes proyectos con clientes importantes de la producción de azúcar del Brasil, entre los que se encuentran Cosan, Itamarati, Clealcool, entre otros. El SGMA es una herramienta que incluye la instalación de un OBC, nombrado AGM 200-A (última versión desarrollada), en las cosechadoras cañeras, también el montaje de un sensor para registrar la presión de las cuchillas de corte. El OBC almacena en una memoria flash todos los datos registrados cada un segundo, incluyendo la latitud y longitud, pues tiene agregado un GPS para la georreferenciación de la información. Teniendo en cuenta que ya se contaba con una computadora instalada en las cosechadoras, capaz de almacenar los datos para su posterior procesamiento, se agrega un sensor más para registrar la apertura del tambor (lugar por donde fluye la caña cuando es cortada por la cuchillas de la cosechadora). Con este dato y un GPS se puede referenciar, cada un segundo, el flujo de caña que corta la cosechadora. Se creó un nuevo proyecto que consistió en el desarrollo de un módulo para la generación de imágenes georreferenciadas

CCIA’2008 que muestren la variabilidad espacial existente en un campo de caña de azúcar, es decir, un mapa de rendimiento. Este sistema se denominó “Yield Mapping Software” o Sistema para el Monitoreo de Rendimiento. El software necesita, como entrada, un fichero con las tramas registradas por la cosechadora. B. Algoritmo para el cálculo del rendimiento Los investigadores del CENPALAB, después de varios años de experiencia acumulada en el tratamiento y cosecha de la caña, desarrollaron un algoritmo para obtener el rendimiento del cultivo en la caña de azúcar. Este algoritmo no puede ser descrito en este documento por cuestiones de secreto comercial, sin embargo, se explicará lo referente a los parámetros de entrada y las salidas correspondientes, así como el método de interpolación utilizado y la descripción de otro existente implementado con el mismo fin. Estos investigadores desarrollaron un OBC que registra el flujo de caña que pasa por los rolos de la cosechadora cada un segundo, usando el sistema que se describe en este trabajo, se puede obtener un MR del campo de caña y un reporte de productividad según el rendimiento medido de forma puntual con los datos registrados. Las empresas que se dedican al desarrollo de algoritmos de este tipo, no publican sus descubrimientos, solo venden un producto y el algoritmo queda como una caja negra donde entran datos georreferenciados y se obtiene el rendimiento de esos datos. Para probar que el algoritmo funciona correctamente, se realizan pruebas experimentales donde se georreferencian varios puntos de un campo y se pesa lo cortado por una cosechadora en tramos muy pequeños (aproximadamente 10 metros) de cada surco y el resultado del pesaje debe corresponder con el rendimiento obtenido por el algoritmo en los puntos correspondientes a cada tramo. C. Parámetros de entrada La ejecución del algoritmo necesita de los siguientes parámetros: 1. Peso del campo (en Toneladas) cosechado. Este parámetro es el resultado de pesar la caña que llega al basculador del central, para realizar una calibración de la distribución del rendimiento en los puntos muestreados. El peso es obtenido de la fuente de datos del central, por lo que es necesario el acceso a parte de la información del central para ajustar el valor del rendimiento. 2. Velocidad de la cosechadora en metros por segundos (m/s) de todos los puntos registrados, esta información la brinda el GPS. 3. Valor de la apertura del tambor de la cosechadora en cada punto registrado que correspondan al estado de Tiempo Efectivo de Corte [8] (TEC). Este parámetro es registrado por los sensores instalados en la cosechadora. El segundo y tercer parámetro son almacenados por el OBC, pasados por un proceso primario de filtraje para eliminar datos basuras. El OBC almacena esta información en una tarjeta compact flash después de varios días de trabajo, la que es descargada por el SGMA para su posterior consulta cuando se calcula el rendimiento y se generan los MR. El eficiente filtraje de los parámetros de entrada, influye

4

considerablemente en la optimización del algoritmo. La versión actual del OBC cuando registra los valores de velocidad y flujo de caña (mediante el GPS y los sensores de flujo), no puede identificar el lugar físico donde se encuentra la cosechadora (área, zona y campo), esto constituye un filtraje perdido que implica tiempo de procesamiento en el SGMA. La cartografía que poseen los centrales de sus respectivos campos, debe estar acorde con los datos reales. Generalmente sucede que los campos descritos en la cartografía difieren con los respectivos tamaños reales, implicando que cuando se realice el filtraje de los puntos por campos, se pierdan datos por encontrarse fuera del polígono del mapa digital. También puede suceder que los polígonos se encuentren desplazados, producto al tipo de GPS utilizado en la creación de la cartografía, ocasionando que puntos pertenecientes a un campo, aparezcan desplazados en otro campo influyendo en el cálculo del rendimiento. D. Formato de Salida El formato de la salida de los algoritmos del cálculo de rendimiento consiste en una secuencia de valores de la siguiente forma: Latitud, Longitud, Rendimiento. Generalmente, la salida es un fichero texto, donde cada línea representa un punto del campo cosechado. Este fichero contiene el valor de los rendimientos puntuales calculados mediante el algoritmo y georreferenciados por el GPS. Para la ejecución del algoritmo es necesario calibrar, con el peso del campo brindado por el central, los valores de flujo registrados por los sensores en la cosechadora, teniendo en cuenta que el valor del peso puede estar influenciado por malas prácticas de pesaje de la caña cuando llega al central. Por ejemplo, junto con la caña se puede estar pesando piedras, tierra y pajas de la propia caña, aunque la mayoría de los basculadores tienen implementado un mecanismo de filtraje antes de pesar la caña. También pueden influir otras variables como el agua, provocando que aumente el peso, si llueve, mientras la caña espera para ser procesada por el central. El tiempo de muestreo que realiza el OBC asistido por el GPS, influye en gran medida en la efectividad del algoritmo. Mientras más puntos muestreados se tenga, menor será el por ciento de error introducido, pero al mismo tiempo, mayor es el tiempo de ejecución del algoritmo. La estructura Latitud, Longitud, Rendimiento, no ha sido estandarizada aún, pero es el formato más conocido hasta el momento. La mayoría de los GIS profesionales de uso general, permiten importar esta estructura de fichero para generar los MR. Usando métodos de interpolación que brindan las extensiones de análisis espacial de los GIS, con los valores de rendimiento es posible crear una imagen georreferenciada de celdas de colores que muestre cómo se comportó la productividad del campo en áreas que no fueron registradas por los sensores. Los desarrolladores de los GIS han creado extensiones que permiten interpretar esta estructura, convirtiéndose en un formato de intercambio que posibilita realizar comparaciones entre las distintas extensiones de análisis espacial, en cuanto a los algoritmos de interpolación, intervalos de colores, etc.

CCIA’2008 E. Salidas del Sistema Las salidas generadas por el sistema consisten en una imagen georreferenciada y un reporte asociado a las áreas cosechadas y su productividad. Las salidas deben cumplir con el requisito adicional de ser lo más simple posible para que los productores (usuarios con bajo nivel de conocimiento en la informática) puedan entender el rendimiento de sus campos de caña. Ellos deben tomar decisiones para aumentar o disminuir la inversión en un campo determinado, incluso pueden dejar de cosechar un campo si el rendimiento está por debajo del mínimo necesario para obtener alguna ganancia de la cosecha. El procedimiento para obtener los MR y los reportes no debe exceder de dos pasos, es decir, un clic para escoger el área que fue cosechada y otro clic para ejecutar la acción deseada (calcular rendimiento, generar MR, generar los mapas de velocidad o visualizar los reportes), por lo tanto, el usuario sólo se centrará en analizar los resultados obtenidos y no en cómo obtener esos resultados. F. Imagen georreferenciada. Método de Interpolación para el suavizado de imagen La salida de mayor importancia en el sistema lo constituye la imagen georreferenciada. Después de obtener el fichero con el formato Latitud, Longitud, Rendimiento, es necesario interpolar esos valores para asignar rendimiento a las zonas que no han sido muestreadas. Para esto, el campo se divide en celdas de alrededor de un metro cuadrado (m2), donde cada celda tendrá un color que identifica el rendimiento. Las imágenes georreferenciadas tienen formatos conocidos como los BMP o JPG, la diferencia radica en que a estos ficheros se les asocia un nuevo fichero con extensión .BMW o JPW respectivamente, la letra “W” significa World (mundo en inglés). La información que brinda cada uno de los campos de los ficheros JPW o BMW se describe a continuación: • Tamaño de los pixel en la dirección “X” de las unidades del mapa. • Factor de rotación para “X”. • Factor de rotación para “Y”. • Tamaño de los pixel en la dirección “Y” de las unidades del mapa. • Coordenada “X” de la esquina superior izquierda de las unidades del mapa. • Coordenada “Y” de la esquina superior izquierda de las unidades del mapa. La extensión BMW o JPW, es una extensión de formato muy sencillo y la imagen puede visualizarse en cualquier visor de imágenes, inclusive, con la ausencia de este. Esta extensión solo es necesaria para visualizar la imagen en un GIS, donde es importante ubicar la imagen en el lugar correcto dentro del mapa. La escala de colores asociada a la imagen ayuda al productor a entender el comportamiento del rendimiento del cultivo con solo visualizarla. Es lógico que para la toma de decisiones, es necesario profundizar en el estudio del rendimiento, pero a simple vista se puede tener la idea de su comportamiento. La posibilidad de generar una imagen georreferenciada con un formato estándar, permite que los usuarios puedan importar los MR a los distintos GIS profesionales de carácter general. En

5

los GIS pueden estudiar la relación que existe entre las diferentes variables que influyen en la producción. Por ejemplo, pueden sobre poner dos mapas de diferentes temáticas (uno de rendimiento y el otro del tipo del suelo del cultivo), estableciendo las correlaciones entre el rendimiento y el tipo de suelo, pudiendo concluir que una de las causa del bajo rendimiento se debe a las lagunas del agua en el terreno. Con este resultado, el productor puede trazar una estrategia para aumentar el rendimiento, disminuyendo el riego de agua en la zona donde no lo necesita o drenando las lagunas hacia otra parte del terreno que tienen bajo rendimiento pero por el bajo nivel de humedad en el suelo. Estas y otras variables pueden estudiarse usando las herramientas GIS necesarias para aumentar el rendimiento del cultivo, de aquí la importancia de generar una imagen entendible para la mayoría de los GIS profesionales. La interpretación del mapa es muy importante, pues una mala elección de la representación del mapa puede ser desorientadora, en lugar de ayudar a tomar decisiones correctas. Dado que los mapas de rendimiento son utilizados con fines administrativos, las consideraciones espaciales son de gran peso. Un mapa con un exceso de variaciones no sería aconsejable a la hora de tomar decisiones. Para que el mapa sea significativo, requiere algún tipo de allanamiento de los datos, de modo que sólo los altibajos más importantes en la cantidad de cosecha se vean reflejados [9]. Por tal motivo, es importante establecer adecuadamente los intervalos de valores para mostrar los colores que visualicen correctamente el comportamiento del rendimiento en el campo. Método de interpolación IDW El método de interpolación usado como parte del proceso para la generación de la imagen georreferenciada, fue el de la Distancia Inversa del Peso o IDW (Inverse Distance Weighting, nombre en inglés). A continuación se muestra una representación gráfica que lo define.

Fig. 1: Representación gráfica del IDW. El método de la distancia inversa, es el más simple y fácil de implementar, por lo que es el más usado en las aplicaciones informáticas. Es un método de estimación determinístico o basado en la suposición donde los valores de los puntos que no han sido registrados, son determinados o aproximados como un promedio de pesos de la combinación lineal de los valores de los puntos conocidos [10-12].

CCIA’2008 Es importante destacar una de las limitaciones de este algoritmo, y es que los valores estimados, nunca van a ser mayores o menores que los valores conocidos. Esta limitación, es reconocida por varios autores en diferentes aplicaciones donde se utiliza, pero en el caso del cultivo de la caña de azúcar, pierde completamente el sentido esta limitación [1113]. A continuación se muestra una representación del método ajustado a las necesidades de la implementación para el cultivo de la caña de azúcar. El campo está representado por celdas en color gris, el sentido y dirección de la cosechadora lo indican las flechas negras, las líneas discontinuas indican el recorrido de la cosechadora, los puntos azules representan los valores muestreados. La celda atenuada es a la que se le está aplicando el IDW para obtener su valor, el círculo de circunferencia y radio de color rojo, muestran el parámetro R, necesario para implementación el método. Los puntos verdes representan las muestras consideradas para calcular el valor del rendimiento de la celda.

Fig. 2: IDW ajustado a las necesidades del cultivo de la caña de azúcar. Para obtener un valor ideal del radio de la circunferencia y del área de la celda, se tiene en cuenta, principalmente, el ancho del surco. La correcta selección de los parámetros, influye en la rapidez y eficiencia de la ejecución del algoritmo, por ejemplo, si se toman valores de radio muy grandes, implica que se tendrán en cuenta muchos puntos para obtener el valor de la celda. Ahora, cada campo en estudio tiene su particularidad (por ejemplo, ancho del surco, distancia de siembra entre cada planta, etc.) de aquí la importancia que se deba reajustar el método en dependencia de las necesidades del campo. El sistema cuenta con un módulo de configuración para establecer los parámetros del método. Estos parámetros pueden ser cambiados cada vez que el usuario lo requiera. Es cierto que los productores no conocen de los parámetros ideales para sus campos, pero solamente entrando al sistema el ancho del surco y la distancia de siembra entre cada planta, este se ajusta y establece los parámetros correctos para cada campo. Después de aplicar el IDW, a cada celda se le asigna un color (configurado previamente en el sistema) que está en correspondencia con un rendimiento estimado, así se obtiene una imagen dividida por celda. Existen otros métodos de interpolación usados para obtener

6

MR en los diferentes cultivos. Cada método se ajusta según las necesidades de cada cultivo. G. Reporte de Productividad El MR constituye una información visual para el productor, mediante el cual se puede conocer cómo se comportaron los campos según el rendimiento del cultivo. Relacionado al MR, en la construcción del sistema se desarrolló un generador de reportes para mostrar la productividad de los campos en las áreas cosechadas. La generación del reporte depende totalmente de la imagen georreferenciada, pues el rendimiento que va ser reportado es el calculado para cada celda de la imagen. Por lo tanto, las celdas tienen su valor de rendimiento interpolado mediante el IDW, pero al tener forma de cuadrado, tienen un área y mediante cálculos matemáticos sencillos se puede obtener el área total de un campo que presenta un rendimiento “X”. Se pueden establecer entonces, intervalos de valores de rendimiento del campo. Basado en el reporte de productividad, el productor puede trazar estrategias económicas que le permitan aumentar las ganancias. Una de las estrategias más significativas puede ser dejar de cosechar un campo que está por debajo del mínimo de cosecha que aporta ganancia a la producción. El reporte de productividad es una herramienta importante para la toma de decisiones, es cierto que se debe profundizar en la causa del bajo nivel de productividad que tenga un campo, pero ya se tiene una idea del comportamiento de la productividad del campo, y por supuesto, se pueden establecer, muy tempranamente, los campos con problemas para enfocar el esfuerzo destinado a promover mayores producciones. El estudio de las causas que afectan a la productividad, a partir de que se cuenta con un listado de los campos con bajo nivel de producción previamente generado por el reporte, consiste en sobre poner los MR de esos campos con los mapas de suelo y establecer la relación tipo de suelo – productividad. También pueden influir otras causas que no dependen del tipo de suelo, sino de la forma en que se operó la cosechadora cuando se cortaba el campo. Para entender esto, el sistema genera un mapa de velocidad que se puede sobre poner al MR y verificar si la alta velocidad de la cosechadora implicó que el campo no fuera bien cortado y se perdiera parte de la caña. H. Fichero asociado a la Aplicación de Dosis Variable Como se explicó anteriormente, los MR forman parte de la información necesaria para la aplicación de esta tecnología. El sistema genera, como extensión al MR, un fichero texto que contiene la información necesaria para que junto con los algoritmos de predicción, se pueda realizar la Aplicación de Dosis Variable en el cultivo de la caña. El fichero texto tiene una estructura sencilla y su extensión es .cel, que se refiere a la información a las celdas del campo. La estructura es la que se explica a continuación: 1. Cantidad de celdas en que está dividido el campo. 2. Lista de celdas, donde cada elemento de la lista representa la información pertinente a cada celda y contiene:

CCIA’2008 3. Punto superior izquierdo de la celda (Latitud Longitud) referente al sistema de coordenadas utilizado. 4. Punto inferior derecho de la celda (Latitud - Longitud) referente al sistema de coordenadas utilizado. 5. Valor de rendimiento de la celda obtenido mediante el método de interpolación IDW. De esta forma queda estructurado el fichero .cel, el que es generado por el sistema y sirve para el desarrollo de un futuro sistema de ADV. Este formato no se refiere a ningún estándar, pues todavía no se ha llegado a un entendimiento por las diferentes empresas que desarrollan estas tecnologías. Cuando los algoritmos de predicción son ejecutados, al fichero se le agrega otra información que es: cantidad de insumo para aplicar a un valor de rendimiento dado. Según la estructura mostrada anteriormente, se cuenta con 3 campos por cada celda, entonces la estructura cambiaría y quedaría de la siguiente forma: 1. Cantidad de celdas en que está dividido el campo. 2. Lista de celdas, donde cada elemento de la lista representa la información pertinente a cada celda y contiene: 3. Punto superior izquierdo de la celda (Latitud Longitud) referente al sistema de coordenadas utilizado. 4. Punto inferior derecho de la celda (Latitud - Longitud) referente al sistema de coordenadas utilizado. 5. Valor de rendimiento de la celda obtenido mediante el método de interpolación IDW. 6. Cantidad de insumo para aplicar según el valor del rendimiento. Esta nueva información es almacenada en una compact flash e insertada en un OBC instalado en una fertilizadora, realizándose la aplicación variable del fertilizante necesario para el cultivo. Mediante las antenas GPS se señalan la posición de la fertilizadora cada un segundo y al estar georreferenciadas cada una de las celdas del fichero son aplicadas con la cantidad necesaria de insumo. Los OBC que actualmente existen con este fin, se encuentran en fases experimentales, pero con este fichero de celdas, se pueden ir instrumentando y realizando pruebas para la construcción de una solución de este tipo. IV. APORTES Y RESULTADOS La mayoría de las empresas y productores que se dedican a la investigación y producción de la caña de azúcar, usan GIS profesionales para el trabajo con los mapas digitales. Existen diferentes GIS comerciales y libres en el mercado, y todos presentan diferentes formatos de imágenes y mapas digitales. Sin embargo, existen formatos estándares que pueden ser importados entre ellos. Entre los GIS comerciales más utilizados se encuentran el MapInfo y el ArcView. Para lograr la compatibilidad del sistema que se plantea, fue necesario crear, asociado a la imagen georreferenciada, un fichero que permita la exportación de los MR a otros GIS profesionales. El sistema permite exportar los MR a los GIS mencionados anteriormente, dos de los más usados internacionalmente. El fichero para exportar a otros GIS tiene una extensión .tab; esta

7

extensión fue publicada por los desarrolladores del MapInfo para que otros GIS desarrollen módulos que permitan el intercambio entre ellos. La exportación e importación desde y hacia otros GIS se basa en un requisito funcional prioritario, pues brinda la posibilidad de exportar los MR hacia los GIS, donde se pueden realizar comparaciones con otros algoritmos usados para el cálculo del rendimiento y aplicar diferentes métodos de interpolación para obtener la imagen georreferenciada. También se pueden realizar estudios de otras temáticas, como los suelos, que influyen en el rendimiento del cultivo. A. Valor práctico de la implementación del algoritmo Existen numerosas herramientas para generar MR en distintos cultivos; sin embargo, ninguna de ellas ha sido desarrollada específicamente para la caña de azúcar. Esto no quiere decir que no se han desarrollado MR en este cultivo, sino que no se contaba con una herramienta específica para este fin. A pesar de haberse realizado el primer MR en la caña de azúcar en 1997, diez años después el investigador australiano Rob Bramley consideraba [19]: “El logro de obtener un protocolo robusto para la generación de un MR, radica en el acceso a calibrar y configurar, de forma muy fácil, los sistemas de monitoreo de rendimiento y las tecnologías asociadas” [8]. Los investigadores Miguel Esquivel y Farnia Fernández del CENPALAB, en sus recientes publicaciones, analizaron los resultados de los experimentos desarrollados para el Sistema de Monitoreo de Rendimiento de TechAgro en la caña de azúcar realizados en Cuba, Brasil y Australia [20, 21]. El monitor de rendimiento fue rápidamente desarrollado para integrarlo al SGMA [8]. Este monitor de rendimiento considera el flujo de caña que entra a la cosechadora antes de llegar al elevador que tira la caña para el remolque, por lo que el sensor se ubica en el tambor de la entrada de caña. La posición escogida para ubicar el sensor de flujo, fue claramente descrita por los Cox cuando realizaron el primer MR de la caña de azúcar. Después de haber realizado varias pruebas en diferentes países, se reafirmó la fiabilidad del algoritmo desarrollado por los investigadores del CENPALAB y TechAgro, lo que llevó a escalar un nuevo nivel, la implementación del algoritmo desarrollando una nueva herramienta específica para la caña de azúcar. El sistema descrito en este trabajo constituye la primera herramienta que existe en el mundo para generar MR en el cultivo de la caña de azúcar, donde los principales pasos descritos en el protocolo para generar MR son realizados de manera automática, como el filtraje de datos, calibración del peso, cálculo de rendimiento y generación de la imagen georreferenciada [8]. El MR y los reportes de productividad que son generados por el sistema, sirven para realizar un estudio del impacto económico de la cosecha. Los análisis económicos se puede obtener a través del MR y el reporte de productividad asociado a este. Se pueden trazar estrategias que traten de manera diferenciada esas zonas georreferenciadas por el MR para aumentar el rendimiento.

CCIA’2008 B. Implantación del proyecto en otros países El Yield Mapping Software fue desarrollado en Cuba, pero su primera instalación comercial se realizó en Australia, en agosto de 2007. A continuación se describen las instalaciones realizadas en el año 2007 por la empresa cubana TechAgro Australia. Tully El primer lugar de Australia en obtener un MR con este sistema fue el distrito de Tully, donde radica una de las empresas más importante en la producción de azúcar, llamada Mill Reserve Tully. Allí se instalaron ocho (8) cosechadoras con sensores de rendimiento. Todas fueron monitoreadas durante los restantes cuatro meses del período de zafra que faltaban para concluir en el año 2007. Los productores, usuarios, patrocinadores e investigadores que estuvieron involucrados en el proyecto mostraron gran satisfacción por el desempeño del sistema [22]. En esta área se generaron alrededor de 80 mapas de rendimiento, convirtiéndose en la región de mayor cantidad del cultivo de caña monitoreado en el mundo. El proyecto fue financiado en parte por el Gobierno de Tully, el que se interesó por proyectos futuros al conocer los resultados obtenidos por el sistema [22]. Algunos de los MR mostrados en este documento, son parte de los campos monitoreados en esta región. En varias ocasiones el proyecto fue inspeccionado por representantes del Gobierno del distrito de Tully, los que quedaron sorprendidos con el logro alcanzado en esa empresa, en comparación con las restantes del país, dedicadas a la producción de azúcar. Estos resultados fueron publicados en revistas locales del distrito, reconociendo el valor económico y tecnológico que implicaba la adopción de esta tecnología para la producción azucarera [22]. Burdekin La segunda región que contó con la instalación del sistema fue el distrito de Burdekin, donde se instaló un solo monitor de rendimiento. El productor que adaptó esta tecnología fue Ian Haigh, propietario de más de 240 ha de área cultivada por la caña. Ian, es un de los productores más interesados por la tecnología de la AP en este distrito y fue el primer productor que realizó un mapa de rendimiento con los especialistas de TechAgro en el año 2006. La importancia de haber obtenido este MR, radicó en que meses más tarde se generó un mapa de aplicación variable de yeso en el cultivo del mismo campo que fue monitoreado por los especialistas de Techagro. El yeso es usado cuando la tierra contiene un alto nivel de concentración de sal, la que provoca que el agua deje de ser absorbida por la caña. Este tiene la propiedad de permitir que la caña absorba esta agua en las zonas de alto contenido de sal. Los especialistas australianos generaron el mapa de aplicaciones correspondiente para variar la dosis de yeso que se iba aplicar en el campo. Herbert La última instalación realizada en el año 2007, fue en la región de Herbert. Esta región produce alrededor del 40 por ciento del azúcar de Australia. En esta zona se instalaron cuatro monitores generando alrededor de 60 mapas de rendimiento. Los resultados obtenidos generaron satisfacción en los productores, reflejados en artículos publicados en revistas locales y en Internet. La empresa que apoyó la

8

instalación del sistema de TechAgro fue Herbert Cane Productivity Services Ltd (HCPSL, Servicios de Producciones de Azúcar de Herbert). Esta empresa realizó pruebas con el Yield Mapping Software, obteniendo resultados muy alentadores que serán descritos en el próximo epígrafe. La importancia de haber realizado estas instalaciones con resultados todos favorables en Australia, país con un alto nivel de desarrollo económico, líder en la aplicación de las tecnologías de la AP, reconoce el buen desempeño del sistema. Se monitorearon aproximadamente 1400 ha de tierras cultivadas de caña, convirtiendo a Australia en líder indiscutible de las tecnologías asociadas a AP en la caña de azúcar. Actualmente, el sistema Yield Mapping Software es único en el mundo, y no existe ningún sistema con funcionalidades similares para generar MR y reportes de productividad de manera automática en el cultivo de la caña de azúcar. Varios cursos de AP fueron impartidos en esta región, en los que se tomaron imágenes y ejemplos del Yield Mapping Software, los que referenciados en varias ocasiones en este trabajo [8, 24-28]. C. Descripción de la prueba realizada al sistema en Herbert, Australia En noviembre de 2007, se realizó una prueba completa del sistema Yield Mapping Software, iniciada por especialistas del HCPSL, AgGuide (empresa australiana líder en el desarrollo de tecnologías para la AP) y técnicos de TechAgro. La prueba consistía en generar un MR con el sistema de TechAgro y otro con el sistema de AgGuide y compararlos para ver cual de los dos se acercaba más a la distribución real del rendimiento en el cultivo. El campo seleccionado fue cortado de forma experimental, y fueron comparados los resultados generados por el sistema con los obtenidos de forma manual. El sistema de AgGuide contaba solo con un monitor de rendimiento (sensor de flujo de caña y OBC) cuya salida era un fichero Latitud, Longitud, Rendimiento, pero carecía de un sistema para generar los MR, como consecuencia necesitaban utilizar un GIS de propósito general, ArcView, para generar las imágenes georreferenciadas, implicando realizar de forma manual todos los pasos para generar un MR, lo que se convertía en un proceso lento y tedioso. El sistema de TechAgro contaba con un monitor de rendimiento, el OBC y el Yield Mappin Software, que generaba como salida una imagen georreferenciada correspondiente al mapa de rendimiento. El campo donde se desarrolló la prueba, fue dividido en tres secciones continuas verticalmente y en 10 horizontales quedando celdas de cuatros surcos o carriles, de un ancho de 1.4 metros (m) cada uno y 12 m de largo aproximadamente. Esto generaba 30 celdas de 5.6 m de ancho por 12 m de largo. En la prueba cada vez que la cosechadora cortaba y llegaba al final de la celda, (la cual estaba señalizada en el campo), esta se detenía y se pesaba la caña cortada. Para realizar el pesaje de la caña cortada se utilizó un tractor con una carreta que tenía adaptada una pesa hidráulica. Los datos obtenidos de forma manual eran registrados por los especialistas [18]. Al finalizar el corte del campo, se generaban los respectivos MR

CCIA’2008 de TechAgro y AgGuide, los que pasarían por un proceso de revisión y comprobación con los registros manuales. Resultados Después de terminar el corte del campo completo, el siguiente paso de la prueba era generar el mapa de rendimiento por ambos monitores. El sistema de AgGuide en esta prueba logró generar un fichero de Latitud, Longitud, Rendimiento, pero el cálculo de la variable rendimiento presentaba un problema: no tiene en cuenta el peso real de la caña cosechada en el campo, por lo que no es posible calibrar ese peso con los puntos registrados por el OBC. Además, fue incapaz de generar un MR, pues los rendimientos calculados a los puntos registrados presentaban un margen de error muy grande [18]. Al finalizar la prueba, los especialistas australianos consideraron al Yield Mapping Software como el único sistema capaz de generar un MR lo más cercano posible a la realidad en el campo. La empresa AgGuide aceptó la verdad de poseer un error tecnológico en su algoritmo y reconoció la calidad de los MR generados por el Yield Mapping Software [18]. A partir de conocerse los resultados de esa prueba, la empresa AgGuide dejó de comercializar los monitores de rendimiento desarrollados por ellos hasta ese momento, reconociendo el desempeño del Yield Mapping Sofware para generar los MR. Los resultados han sido documentados de manera oficial por los especialistas australianos Lawrence Dibella y Mike Sefton, del grupo HCPSL mencionado anteriormente, en el trabajo “A Comparison of Yield Mapping System in the Herbert Sugar Industry” que será publicado por primera vez en el Evento Internacional Geomática 2009, perteneciente a la Convención Internacional de Informática 2009. Varios artículos de la prensa local en el distrito de Herbert ha referenciado el avance de la AP en esa región, gracias a la adquisición de tecnologías cubanas como el Yield Mapping Software, el SGMA y el OBC de TechAgro (AGM-200A) para el cultivo de la caña de azúcar, donde argumentan la posibilidad de continuar las investigaciones en áreas dentro de la AP como la ADV y el seguimiento Online de las maquinarias agrícolas, así como de los medios de transportes de caña, entre ellos los trenes [22]. Esto permitiría, obtener en tiempo real, el rendimiento estimado de un campo mientras se está cosechando, además de poder gestionar la logística del movimiento de caña desde los campos hacia el central. Otras pruebas han sido realizadas en Brasil por la empresa TechAgro, pero sus resultados han estado enfocados en el desarrollo de un monitor de rendimiento más preciso y con un mejor diseño para incorporar a la cosechadora. Muchas de las empresas que fabrican cosechadora, están insertando a sus producciones, monitores de rendimiento que son adaptables a la mayoría de los OBC más usados en la producción de azúcar. En un futuro, esto implicaría el desarrollo de un OBC que sea adaptable a los sensores de rendimiento desarrollados por las fábricas, pero el sistema continuaría funcionando de la misma forma, sin ningún tipo de cambio. V. CONCLUSIONES Mediante el uso de las tecnologías del GPS, se desarrolló

9

una aplicación para la generación de Mapas de Rendimiento de forma fácil y sencilla. Es alcanzable para cualquier usuario la obtención de un MR sin tener conocimientos previos de los algoritmos matemáticos a usar. Se obtuvo una herramienta de las primeras de su tipo, pues en el mercado todavía no existen desarrollos similares. Esta herramienta es un desarrollo integrado al SGMA y ayuda a la toma de decisiones para la próxima cosecha. Anexo a la imagen que es una de las salidas de esta aplicación, también se obtiene un fichero con una descripción del campo en cuanto a rejillas o celdas que apoyado en ciertas reglas basadas en la composición de los suelos, se puede usar para la aplicación de DV en la fertilización de los cultivos. Actualmente no existen estándares que establezcan los formatos de estos datos, por lo que queda abierto al ajuste del usuario obtener el formato del fichero de entrada para la aplicación de DV. El aumento de la rentabilidad y la calidad de los productos agrícolas permiten un desarrollo sostenible, disminuyendo el impacto ambiental del uso de agentes externos y abrasivos al Medio Ambiente. REFERENCIA 1. 2. 3. 4. 5. 6. 7.

8.

9. 10. 11. 12. 13.

Funcionamiento del GPS [On line]. , [23 de noviembre 2007] Gil, E., Situación actual y posibilidades de la Agricultura de Precisión, Escuela Superior de Agricultura de Barcelona, 18 de febrero 2002. Rodolfo Bongiovanni, J.L.-D.,Agricultura de Precisión y Sustentabilidad - 2001,VII Congreso Nacional del Maíz,Pergamino, Argentina, 2001. Federico Pérez Zamora, M.M., Luis Ernesto Vicini, Mónica Monasterio, Precisión en la Agricultura, AgroVisión, 38, 2002. Andrés Cadenas Martín, N.G.S.,GPS y Agricultura,Universidad del País Vasco, 2000. Mario Bragachini, A.v.M.y.A.M., “Tecnología Disponible para Aplicaciones de Insumos Sitio Específico” (2004). Carlos Lago González, M.E., Farnia Fernández, Santiago Marrero, Enrique Ponce, Angel Guerrero, Lawrence Di Bella y Mike Sefton,Precision Agriculture in Sugarcane,Diagnostic and Measurement Techniques: Discovering Crop Variability,Townsville, Australia, 2007. Lago, C., Esquivel, M., Fernández, F., Bella, L.D., Sefton, M.,Precision Agriculture in Sugarcane,Variable Rate Application: Managing Field Crop Variability,Townsville, Australia, 2007. Andrés Cadenas Martín, N.G.S., ¿Qué es un mapa de rendimiento?, paper presented at the Agricultura de Precisión, Bilbao, 2003. Godefa, A., Spatial Interpolation, Minnesota 2000. T.P. RobinsonCorresponding, G.M., Comparing the performance of techniques to improve the quality of yield maps, Science Direct, 8, 1, 19-41, 2005. T.P. Robinson, G.M., Testing the performance of spatial interpolation techniques for mapping soil properties, Science Direct, 50, 2, 97-108, 2005. Whigham, P.,Exploring Microclimate datra - some issues,13th Annual Colloquium of the Spatial Information

CCIA’2008 10

14. 15. 16.

17.

18. 19.

20. 21.

22. 23.

24. 25. 26. 27.

28.

Research Centre,University of Otago, Dunedin, New Zealand, 2001. George Y. Lu, D.W.W., Comparing the performance of techniques to improve the quality of yield maps, Science Direct, 2008. Jr, A.J.L.,Practical Geostatistics,Spatial Interpolation,EEUU, 1998. Varela, R.H.,Estimación Espacial de la Temperatura del Aire mediante Kriging con Derivada Externa,Tecnologías Geográficas para el Desarrollo Sostenible,Universidad de Alcalá. España, 2000. Bramley, R., Opportunity for improving of management of sugarcane production through the adoption of precision agriculture - An australian perspective [On line]] Fernández, F., Esquivel, M., Datos y resultados de la prueba del Yield Mapping System de TechAgro en el distrito de Herbert,2008, Rob Bramley, R.G.V., “Precision Agriculture: An avenue for profitable innovation in the Australian sugar industry, or expensive technology we can do without?” (SRDC/CSIRO, 2007). Fernández, F. et al.,Yield Mapping Sugar Cane in Australia,6th ECPA-3rd ECPLF,Skiathos, Grecia, 2007. Esquivel, M., B. Hernández, F. Fernández, S. Marrero, E. Ponce, L. Quintana, L. González, G. Marrero, A.Mayet, R. Muñoz and J. García,POP Platform: Integrating applications for precision agriculture,6th ECPA-3rd ECPLF,Skiathos, Grecia, 2007. Kerr, B., Cuban technology backs Herbert's harvest breakthrough, Good Farming Practices, 12, 13, 2008. Lago, C., Esquivel, M., Fernández F., Marrero, S., Ponce, E., Guerrero, A., Di Bella, L., Sefton, Wood, A., Precision Agriculture in Sugarcane,Variable Rate Application: Managing Field Crop Variability,Townsville, Australia, 2007. Esquivel, M., Bella, L.D., Sefton, M.,Precision Agriculture in Sugarcane,What is Precision Agriculture?,Townsville, Australia, 2007. Esquivel, M. et al.,Precision Agriculture in Sugarcane,Automation Technologies,Townsville, Australia, 2007. Esquivel, M. et al.,Precision Agriculture in Sugarcane,Controlled Traffic, Navigation and Autosteering,Townsville, Australia, 2007. Lago, C., Esquivel, M., Fernández, F., Bella, L.D., Sefton, M.,Precision Agriculture in Sugarcane,Diagnostic and Measurement Techniques: Discovering Crop Variability,Townsville, Australia, 2007. Marrero, S., Esquivel, M., Ponce, E., Bella, L.D., Sefton, M.,Precision Agriculture in Sugarcane,Spatial and Information Technologies,Townsville, Australia, 2007.