22/3/2023

El asesoramiento en materia de riego, de la investigación al producto agronómico: el caso de Agriveneto

Riccardo De Nadai
Director de Comunicación

xFarm Lab es la división de investigación y desarrollo agronómico y tecnológico de xFarm Technologies. Se trata de un equipo multidisciplinar de ingenieros, agrónomos y matemáticos que colaboran en productos y servicios, incluidos modelos de previsión agronómica y tecnologías innovadoras aplicadas a la agricultura. En este artículo, presentamos una visión de sus investigaciones sobre la eficiencia del riego, tomando como ejemplo el proyecto realizado en colaboración con Agriveneto sobre la patata.

Riego eficiente: ¿por qué?

El último informe de la FAO (SOFA, 2020) estima que más del 70% del uso del agua corresponde a la agricultura. Estas estimaciones tenderán a crecer, teniendo en cuenta el aumento de la población mundial y de la demanda de alimentos.

En los últimos 20 años, las reservas de agua dulce en todo el mundo han disminuido más de un 20%; una tendencia que probablemente no cambie, dado el cambio climático y sus efectos. La mala distribución de las precipitaciones, las sequías y las altas temperaturas están poniendo a prueba los cultivos.

Las zonas más expuestas a los efectos del cambio climático son las del sur de Europa (Italia, España, Portugal, sur de Francia, Grecia), donde las condiciones semiáridas o áridas exigen el uso del regadío para obtener una producción agrícola cualitativa y cuantitativamente aceptable.  

Sistemas de apoyo a la toma de decisiones (DSS)

En los últimos años, debido a la normativa sobre el aumento de la eficiencia de los insumos, ha aumentado el interés por los sistemas de apoyo a la toma de decisiones(DSS - Decision Support Systems). Los modelos de previsión de xFarm Technologies se conciben, diseñan, calibran y validan para proporcionar a los agricultores y a las cadenas de suministro una herramienta técnica adicional de apoyo a sus actividades.  

Entre las actividades de xFarm Technologies, se encuentra el apoyo a los clientes en trayectorias plurianuales para la creación-personalización de:

  • modelos predictivos para mejorar las estrategias de riego en combinación con la automatización de los sistemas de riego a través de xIdro;
  • modelos de previsión agronómica para la defensa contra las enfermedades de las plantas y para el comportamiento de los plaguicidas en términos de residuos y eficacia;
  • modelos predictivos y hardware IoT dedicado para el seguimiento de la población de fitófagos (lepidópteros, dípteros, coleópteros, etc.).

Riego eficiente: el caso de Agriveneto

La experimentación se llevó a cabo en colaboración con Agriveneto Spaempresa líder en la producción y comercialización de patatas situada en la zona de Padovano. Se aplicaron tres estrategias de riego, que se compararon y evaluaron en términos de cantidad y calidad de la producción final. Todo ello con el fin de personalizar y calibrar el DSS de riego en base los requisitos del cultivo, el medio ambiente, el suelo y la explotación. El cultivo de interés es la patata de mesa (Solanum tuberosum L.), variedad Melrose. Los tubérculos se sembraron en febrero de 2022 en un suelo franco-arcilloso con un marco de plantación de 0,22 m x 0,9 m, y la cosecha comenzó en julio. El riego se realizó mediante miniaspersores.  

Tesis de riego y recogida de datos de sensores

Se aplicaron tres estrategias de riego diferentes en tres parcelas experimentales:

  • TradicionalNorma de la empresa; 30 mm cada 10 días;
  • Tesis 1Estrategia de riego basada en una reposición media de aproximadamente el 60% de la ETc, es decir, de la evapotranspiración del cultivo, así como de la cantidad de agua que se pierde en la atmósfera a través de los procesos de evaporación del suelo y transpiración de las plantas;
  • Tesis 2Estrategia de riego basada en una reposición media de aproximadamente el 80% de la ETc.

El porcentaje de restitución de la ETc (evapotranspiración del cultivo) se eligió de forma que se impusieran dos niveles de estrés diferentes a lo largo de la temporada; además, en las tesis 1 y 2, el DSS Irrigation de xFarm Technologies devolvía los"Consejos de riego" y la información sobre cuándo y cuánto regar. Estas indicaciones representan las salidas de los modelos que tuvieron en cuenta las variables climáticas de la explotación y las características del suelo, el cultivo y la variedad.  

Los sensores instalados en el campo incluyen la estación meteorológica xSense Pro (esencial para recoger variables meteorológicas contextualizadas como temperatura, precipitaciones, humedad relativa, radiación solar, dirección y velocidad del viento); un sensor Teros 10 de doble profundidad (20 cm - 40 cm) por parcela (medición puntual de lahumedad del suelo) y un sensor Teros 21 de doble profundidad (20 cm - 40 cm) por parcela (medición puntual del potencial hídrico).

Durante la campaña, además del registro constante de datos (a intervalos de 30 minutos) medidos por los sensores instalados, se realizó un seguimiento cadencial de las parcelas y se realizaron muestreos para el mapeo fenológico de la variedad respecto a los GDDs (Growing Degree Days) y para evaluar el aspecto y comportamiento de las plantas (en es. en cuanto a vigor, presencia de síntomas abióticos y/o bióticos) con diferentes aportes de riego.

Cerca de la cosecha, se realizaron encuestas para evaluar la producción y el porcentaje de desechos/parcelas (patatas de calibre no aceptado comercialmente).  

Resultados preliminares del experimento

El gráfico 1 muestra lastendencias climáticas para 2022 registradas por la estación meteorológica situada cerca de las parcelas experimentales. También se muestran las precipitaciones ocurridas y la evapotranspiración estimada del cultivo (ETc) acumulada en cada fase fenológica.

Gráfico 1. Tendencia climática 2022 en Cigüeña (PD) con desglose del año por fase fenológica. Para cada fase fenológica se muestran las sumas de la precipitación total (mm) y la suma de la Etc (mm).

En 2022, las precipitaciones acumuladas durante el periodo vegetativo (de abril a julio) fueron de 97 mm, en comparación con la media histórica de 400 mm de los últimos 10 años en el mismo lugar y durante el mismo periodo de referencia. En las fases fenológicas más críticas desde el punto de vista de las necesidades hídricas, como el desarrollo vegetativo y el hinchamiento de los tubérculos, el cultivo registró elevadas demandas de agua.

Gráfica 2. Datos de humedad del suelo medidos por el sensor durante la temporada en las parcelas experimentales en las que se aplicaron las diferentes estrategias de riego. Para cada tesis y para cada fase fenológica, el agua total percolada y el agua en términos de riegos y consejos de riego devueltos por el DSS se reportan en mm

Unas reservas naturales muy por debajo de la media y unas temperaturas medias muy elevadas han obligado a aumentar el número de intervenciones de regadío.

El gráfico 2. muestra la tendencia de las mediciones realizadas por los sensores de humedad del suelo en las distintas tesis. También se muestran los datos de percolación (suma de agua percolada por fase fenológica) y los consejos de riego específicos para cada tesis (total de agua en mm simulada y luego realizada).

Al final de la temporada, cerca de la cosecha, se realizaron una serie de mediciones en las plantas y las parcelas, incluida la producción total de cada tesis. Algunos de los datos de final de temporada recogidos en el campo y resultantes de los análisis preliminares se muestran en la tabla siguiente.

De un primer análisis de final de temporada, se desprende que la Tesis 2 realizada con la ayuda del riego DSS de xFarm Technologies y caracterizada por un rendimiento medio del 81% de Etc, condujo a un aumento de la producción de unos 80 Qli/ha casi para la misma cantidad de agua utilizada para el riego en comparación con la parcela Tradicional.

Esta diferencia, que se evaluará y validará durante la temporada experimental de 2023, puede atribuirse al aumento de la eficiencia del riego que ha hecho posible la integración de la información procedente del DSS de riego y la experiencia de los técnicos. Los consejos de riego devueltos por el DSS permitieron identificar y cuantificar cuándo regar y cuánta agua dar con respecto a las necesidades reales de la planta en las distintas fases fenológicas.

En cambio, en la Tesis 1 la producción fue inferior a la de las otras dos tesis porque se optó por un rendimiento medio Etc del 60%, frente al 81% y el 78% respectivamente. Esto llevó al cultivo a un estrés hídrico que afectó a la producción.

DSS como aliado del agricultor: calibración e investigación para una producción mejor y sostenible

Como demostró el ensayo, los DSS son un aliado importante para el uso eficiente del agua. A pesar de los alentadores resultados del ensayo de campo, aún es necesario perfeccionar los modelos para aumentar su eficacia.

Por tanto, en la campaña de 2023 se evaluará de nuevo el comportamiento del cultivo sometiéndolo a "estrés hídrico controlado" mediante sensores y modelos matemáticos. Esto será crucial para apoyar la actividad de calibración y validación del DSS Irrigation, ya que permite identificar los umbrales mínimos y máximos óptimos de humedad del suelo para la variedad específica, la etapa fenológica, la textura del suelo y las características agroambientales.

El objetivo es, para la misma producción, aumentar la eficiencia del uso del agua.

Esto será posible no sólo mediante la puesta en marcha de experimentos de campo gracias a los cuales se recogerán datos contextualizados sobre el cultivo, la zona y las características edafoclimáticas que permitirán "personalizar" el producto a las necesidades de la explotación y del cultivo, sino sobre todo gracias a Sistemas de Ayuda a la Decisión como los DSS y al uso de tecnologías innovadoras que apoyarán y mejorarán la toma de decisiones por parte del técnico-agrónomo. Todo ello disponible a través de la plataforma xFarm con el apoyo constante del equipo de investigación y desarrollo que acompañará este y otros muchos proyectos agronómicos.

Artículos relacionados