ACE Revista de Enología - CIENCIA
Patrocinadores:
AEB
ACE Revista de Enología
Asociación Catalana de Enólogos
  Portada revista Biblioteca Buscar en ACE Archivo Web anterior Navegador Enológico Suscribirse a ACE Enviar E-mail
|Portada|Biblioteca|Búsqueda|Archivo|Navegador|Suscripción|Correo|
Ciencia y Tecnología Otros artículos científicos  

Viticultura de precisión en Raimat (Lleida): experiencias durante el período 2002-2004

Jaume Arnó, José A. Martínez-Casasnovas,* Ricardo Blanco,** Xavier Bordes*** y Joan Esteve***

    Departamento de Ingeniería Agroforestal, Universitat de Lleida (JArno@eagrof.udl.es)
* Departamento de Medio Ambiente y Ciencias del Suelo, Universitat de Lleida (j.martinez@macs.udl.es)
** Departamento de Producción Vegetal y Ciencia Forestal. Universitat de Lleida
***Codorníu, S.A. División Agrícola

A raíz de la aparición y uso comercial de sensores y monitores de cosecha en vendimiadores, se ha hecho patente una variabilidad espacial significativa de la producción de uva que se obtiene dentro una misma parcela. Esta variabilidad de la cosecha es un indicador importante de la posible variabilidad de otros factores (suelo, parcela y/o del propio manejo), que influyen en el desarrollo del cultivo y en la producción final obtenida. Por otra parte, también ha sido referenciada en viticultura la idoneidad de la información aportada por las imágenes de satélite (sensores remotos) cuando, por ejemplo y con la información aportada por otras variables, se desea establecer modelos de predicción de la cosecha o se quiere hacer factible la toma de decisiones a nivel de parcela (zonificación o manejo diferencial del cultivo).

A partir de este planeamiento inicial, y fruto de una colaboración entre la Universitat de Lleida y la empresa Codorníu, S.A., se puso en marcha un primer proyecto con el objetivo de analizar la variabilidad espacial y temporal de la cosecha de uva y la posible influencia de determinados parámetros del suelo y del propio cultivo. En un segundo proyecto complementario con este primero, se han empezado a aplicar imágenes de satélite con dos finalidades básicas: predecir la cosecha a nivel de parcela y poder establecer zonas de diferente calidad.

La idea final es poder llegar a desarrollar un procedimiento que permita la adopción de una viticultura de precisión basada en mapas de actuación. Pero la definición de este procedimiento no es nada fácil, y se precisa una cierta experimentación previa para llegar a averiguar si la delimitación de zonas –más o menos homogéneas dentro de una parcela– ha de basarse únicamente en el análisis de mapas de cosecha sobre una serie temporal de diferentes años,1,2 si hay que tener en cuenta ciertos parámetros del suelo y/o del cultivo, que se ha comprobado que están relacionados con la producción (análisis multivariante),3 o si en la decisión final ha de primar la calidad de la uva por encima de la productividad.

PROYECTO 1

Análisis de la influencia de factores de suelo y de cultivo en la variabilidad espacial de la cosecha en vid

Este primer estudio se llevó a cabo en dos parcelas situadas en Raimat (Lleida, Denominación de Origen Costers de Segre). Concretamente, la toma de datos se realizó en la parcela P5 (merlot), de 8,3 ha y plantada en el año 1990, y en la parcela P30 (pinot noir), de 5,0 ha y plantada en 1985. Ambas parcelas disponían de un sistema de riego por aspersión y el marco de plantación era de 3,2 m x 2,1 m.
Para la obtención de los mapas de cosecha se utilizó una vendimiadora Gregoire G-140 SW, equipada con receptor GPS/dGPS, células de carga y monitor de cosecha Canlink 3000 de la empresa australiana Farmscan (fig. 1). Los mapas que se muestran en la figura 2B se han obtenido a partir de los datos de las vendimia del año 2002 (parcelas P5 y P30) y las de la vendimia de los años 2003 y 2004 (parcela P30).

Figura 1 Vendimiadora equipada con sensores y monitor de cosecha

Por otro lado, se definió en cada parcela una malla regular con puntos de muestreo cada 11 filas y 20 cepas (fig. 2A). De cada uno de estos puntos, además de la cosecha correspondiente, se obtuvieron datos sobre diferentes propiedades físicas y químicas del suelo (textura, pH 1/2,5 h2O, conductividad eléctrica 20 ºC 1/5 h2O, %CaCO3, materia orgánica y profundidad radicular), propiedades relacionadas con la topografía de la parcela (elevación y pendiente) y contenidos minerales en pecíolo (N, P, K, Ca, Mg, Fe, S, Zn, Cu, Mn, B y Na), es decir, propiedades relacionadas con el estado nutritivo del cultivo. En ambas parcelas, las muestras de cultivo se tomaron en junio de 2002 (floración) y los datos del suelo en enero de 2003.

Figura 2 A) Distribución de los puntos de muestreo. Parcela P5 con 54 puntos (izquierda) y parcela P30 con 32 puntos (derecha). B) Mapas de rendimiento obtenidos con el monitor de cosecha y posterior tratamiento con el programa VESPER4

Resultados y discusión

Comprobada la normalidad de los datos, se obtuvieron los seis mapas de todas las variables muestreadas mediante el programa de análisis geoestadístico VESPER.4 Este programa informático nos permitió, a partir de los valores medidos en los puntos de la malla, la obtención y ajuste de los variogramas experimentales y la interpolación global (kriging) con una resolución final de 3 m x 3 m (medida de píxel en todos los mapas).
El análisis geoestadístico de cada variable finalizará con el cálculo de la proporción:5

y del parámetro Mean Correlation Distance (MCD),6

donde C0 es el llamado nugget efect, C0+C representa el sill y a es el range del variograma ajustado.

Con estos primeros análisis estadísticos se pudo constatar una alta variabilidad intraparcela de la cosecha de uva. Expresada como coeficiente de variación (CV), se lograron valores del 48,9 % (2002), 43,9 % (2003) y 41,3 % (2004) en la parcela P30 (pinot noir). En la parcela P5 (merlot), la variación espacial de la cosecha ha sido menor, con un valor del 20,3 % (CV). De hecho, sólo hay que observar la figura 2 para darse cuenta de la variabilidad que aparece en ambas parcelas, mucho más acentuada, eso sí, en la parcela P30, donde se distinguen dos zonas de baja producción (noroeste y sureste de la parcela). Hay que decir que la parcela P30 mostró también una mayor variabilidad que la parcela P5, por lo que se refiere a los parámetros analizados de suelo y cultivo.
La existencia de un patrón de distribución espacial de la variabilidad de la cosecha se ha podido justificar con los valores obtenidos del nugget ratio en ambas parcelas (entre el 25 % y el 75 %), lo que denota una dependencia espacial moderada. Los valores del Mean Correlation Distance (entre 5 y 18 m), superiores a la distancia de muestreo durante la vendimia, explicarían también esta correlación espacial.
Pero la correlación existente entre las variables muestreadas aconsejó la selección previa de aquellas variables con mejor índice de adecuación muestral (Measure of Sampling Adequacy, MSA, mayor que 0,5) y la realización posterior de un análisis muestral factorial3 (SAS System). Con esta metodología de análisis estadístico multivariante se pudieron establecer las propiedades del suelo, topográficas y/o del cultivo con mayor contribución en la variabilidad observada a nivel de parcela e identificar los grupos de variables (factores) que mostraban una correlación significativa con la cosecha diferencial obtenida.
Aplicando esta metodología en la parcela P30 (con mayor variación espacial de la cosecha que la P5), las variables finalmente seleccionadas se redujeron a contenidos minerales de pecíolo (N, Ca, Mg, Fe, S, Zn, Cu, Mn y B) y elevación (cota). La tabla 1 muestra la matriz rotada resultante del análisis factorial para la parcela P30.

Tabla 1 Matriz factorial rotada de la parcela P30 (pinot noir)*

Parcela P30
  Factor 1 Factor 2 Factor 3
N 0,02676 0,71873 -0,58595
Ca 0,48722 0,75148 0,02741
Mg 0,82073 0,48008 -0,22792
Fe 0,89526 0,38074 -0,1694
S 0,71753 0,37129 -0,38977
Zn 0,38094 0,64235 -0,55609
Cu 0,81671 0,08228 -0,41863
Mn 0,45447 0,78421 -0,05927
B 0,86074 0,28799 -0,03092
Cota -0,22841 -0,04794 0,87193
Varianza (%) 40,40 27,14 18,26

* En negrita se destacan las cargas mayores dentro de cada factor

Con una varianza total explicada del 85,8 % (tabla 1), los factores 1 y 2 incluyen variables relacionadas con el estado nutritivo del cultivo. En cambio, en el factor 3, el principal componente es la cota. La realización de un análisis de regresión con los factores obtenidos (tabla 2) ha resultado significativa, y nos ha permitido concluir que las zonas de mayor producción han coincidido con los puntos de menor cota y donde se han detectado mayores contenidos en hoja de nitrógeno, cinc y manganeso.

Tabla 2 Estadísticos del modelo de regresión múltiple para la cosecha del año 2002

Parcela Ordenada en el origen Factor 1 Factor 2 Factor 3 R2 p > F
P30 10,00 (0,59)* 0,06 (0,60) 2,27 (0,60) -1,56 (0,60) 0,4282 0,0012

* Los números entre paréntesis son los errores estándar de los estimadores

Probablemente, con este tipo de experimentación será más fácil encontrar respuesta a las preguntas siguientes:7

  • ¿Podemos identificar los factores que condicionan la variabilidad espacial de la cosecha y hacer con ellos un manejo diferencial?


  • ¿Se mantiene temporalmente estable el patrón de distribución de la cosecha?

PROYECTO 2

Predicción de la cosecha a partir de variables del cultivo e índices de vegetación

A las preguntas anteriores se les añade otra de especial relevancia para los técnicos y gestores involucrados en el proceso productivo vitícola, ¿es posible predecir la cosecha para una determinada variedad, en una determinada parcela y de forma localizada, es decir, atendiendo a la variabilidad espacial vista anteriormente? Sin duda, esta posibilidad sería muy útil a la hora de una mejor planificación de la vendimia y/o de la propia bodega receptora de uva.
Con el objetivo de poder establecer una predicción de la cosecha, se seleccionaron, en la misma finca de Raimat (Lleida), tres variedades distintas y diversas parcelas: cabernet sauvignon (3 parcelas de 4, 5 y 25 ha), merlot (6, 15 y 17 ha) y tempranillo (8, 13 y 15 ha). En cada una de esta parcelas se llevó a cabo un muestreo (cada 10 filas y 10 cepas) de diferentes parámetros que determinan el rendimiento del cultivo: nombre de yemas, nombre de brotes, nombre de uvas y peso de poda después de la cosecha.
Con estos datos fue posible, después, la obtención de diferentes mapas mediante interpolación espacial (kriging) de los valores medidos, fijando una medida de celda de 3 m para la cobertura continua de la variable considerada.
Por otra parte, se obtuvo un mapa del vigor vegetativo del cultivo a partir de una imagen multiespectral Quickbird 2, obtenida a finales de julio del 2004 (inicio de la maduración de la vid). La imagen proporcionaba valores de radiancia y reflectancia espectrales. Concretamente, y siguiendo las especificaciones del documento «Radiance Conversion of Quickbird Data», los valores de radiancia se obtenían mediante la ecuación siguiente:

donde LPixel,Band es la radiancia en la parte alta de la atmósfera (W.m-2.sr-1), absCalfactorBand es el factor de calibración radiométrica absoluto (W.m-2.sr-1.ND-1) y qPixel,Band es el valor digital de los píxeles de la imagen. La conversión de radiancia a reflectancia se obtenía entonces con la expresión,

siendo LPixel,Band la radiancia espectral antes calculada, d es la distancia entre la Tierra y el Sol en unidades astronómicas, E es la irradiancia solar espectral y Φ es 90 menos el ángulo de elevación solar en el momento de la adquisición de la imagen.
Con los valores de la reflectancia espectral se pudo calcular el índice NDVI (de Normalized Difference Vegetation Index), como índice indicativo del vigor vegetativo del cultivo de la vid.
Finalmente, se disponía de los mapas de cosecha de los años 2003 y 2004 para las variedades y parcelas mencionadas anteriormente.

Resultados y discusión

Mediante el programa IDRISI 14.02 (Kilimanjaro), se ha aplicado un procedimiento de regresión múltiple de mínimos cuadrados,8, 9 que ha permitido la obtención de diferentes modelos de predicción de cosecha, según la variedad de la vid considerada y las variables utilizadas en el análisis. En todos los casos, se ha tomado la cosecha del año 2004 como variable dependiente. Las variables explicativas consideradas has sido: NDVI 2004, Cosecha 2003, Yemas 2004, Brotes 2004, Uvas 2004 y Peso Poda 2003. Hay que decir que las mejores predicciones se han obtenido cuando se integran todas las variables anteriores como variables explicativas.
En el caso de la variedad cabernet sauvignon (fig. 3), el modelo ajustado ha sido:

Cosecha04 = -9,3381 + 5,4218·NDVI04 + 0,6385·Cosecha03 – 0,1856·Yemas04 - 0,6410·Brotes04 + 1,2583·Uvas04 – 1,7601·Peso Poda03
(R = 0,85; R2 = 0,72)

Para las variedades merlot y tempranillo no se habrá tenido en cuenta la cosecha del año 2003 como variable explicativa, obteniéndose, respectivamente, los siguientes modelos de ajuste:

Cosecha04 = -8,9135 + 1,8789·NDVI04 + 0,1870·Yemas04 – 1,9524·Brotes04 + 1,9188·Uvas04 + 2,5163·Peso Poda03
(R = 0,79; R2 = 0,63)

Cosecha04 = -6,6327 + 26,4166·NDVI04 - 0,4791·Yemas04 + 0,7945·Brotes04 + 0,4504·Uvas04 - 2,4090·Peso Poda03
(R = 0,73; R2 = 0,54)

Figura 3 Comparación del mapa de cosecha 2004 (cabernet sauvignon) con la predicción del modelo. El mapa de la derecha muestra las diferencias entre ambos mapas

De los resultados obtenidos se puede concluir que el índice de vigor NDVI es una parámetro relacionado positivamente con la cosecha obtenida y que presenta una elevada significación en los modelos de predicción de cosecha (sobre todo, en cabernet sauvignon y tempranillo). Por otra parte, la aportación explicativa de las otras variables es diferente, según la variedad de uva que se esté analizando. Por ejemplo, en cabernet sauvignon y tempranillo, el peso de poda se correlaciona negativamente con la cosecha, en cambio, el coeficiente de regresión que acompaña esta variable en merlot es positivo.
Pese a que los modelos pueden ser mejorables (se podrían incluir otras variables) no cabe duda que, como punto de partida, han resultado ser una herramienta suficientemente interesante para la predicción de la cosecha, ya sea de forma global o localizada. De todas formas, habría que plantearse, con vistas a futuras actuaciones en este campo, si una mayor densidad de muestreo de ciertas variables del cultivo ayudaría a mejorar la estimación de la variabilidad de la cosecha y/o de la calidad a nivel de parcela.

Bibliografía

1. J. CUPITT, B.M. WHELAN: Determining potential within-field crop management zones. Proceedings of the Third European Conference on Precision Agriculture, Montpellier, France, 2001: 7-12.

2. K. DIKER, D.F. HEERMANN, M.K. BRODAHL: «Frequency analysis of yield for delineating yield response zones», Precision Agriculture 2004; 5: 435-444.

3. A.P. MALLARINO, E.S. OYARZABAL, P.N. HINZ: «Interpreting within-field relationships between crop yields and soil and plant variables using factor analysis», Precision Agriculture 1999; 1: 15-25.

4. B. MINASNY, A.B. MCBRATNEY, B.M. WHELAN: VESPER version 1.62. Australian Centre for Precision Agriculture, McMillan Building A05, The University of Sydney, NSW 2006 (http://www.usyd.edu.au/su/agric/acpa), 2005.

5. C.A. CAMBARDELLA, D.L. KARLEN: «Spatial analysis of soil fertility parameters», Precision Agriculture 1999; 1: 5-14.

6. S. HAN, R.G. EVANS, S.M. SCHNEIDER, S.L. RAWLINS: Spatial variability of soil properties on two center-pivot irrigated fields. Proceedings of the Third International Conference on Precision Agriculture, pp. 97-106, Madison, WI, USA, 1996.

7. R.G.V. BRAMLEY, D.W. LAMB: Making sense of vineyard variability in Australia. Proceedings of the IX Congreso Latinoamericano de Viticultura y Enología, Santiago, Chile, 2003: 35-54.

8. D.G. KLEINBAUM, L.L. KUPPER, K.E. MULLER: Applied regression analysis and other multivariable methods. PWS-KENT Publishing Company, Boston, 1988.

9.W.A.V. CLARK, P.L. HOSKING: Statistical methods for geographers, John Wiley & Sons, Nueva York, 1986.

[29.12.05]
Arriba
|Portada|Biblioteca|Búsqueda|Archivo|Navegador|Suscripción|Correo|
(C) ACE Revista de Enología
(C) de la publicación: RUBES EDITORIAL