A partir de esta experiencia, el grupo Melo-Serrano comenzó a implementar la metodología, adaptada a las particularidades de sus campos.
Un grupo comprometido
El CREA Melo-Serrano está compuesto por 11 establecimientos agropecuarios ubicados en el sureste de la provincia de Córdoba y parte del noroeste de Buenos Aires. “La mayoría de las empresas son agrícolas, pero también hay actividades ganaderas y de integración con cadenas productivas. Por ejemplo, una de las empresas destina el 100% de su agricultura al tambo, y además, industrializa alimentos balanceados. Otra es ganadera en casi un 50%. Esta diversidad enriquece las discusiones dentro del grupo”, detalló Azcurra.
Además, este CREA incluye empresas grandes, que combinan actividades agrícolas y servicios de maquinaria, pero también productores de menor escala, con campos de aproximadamente 250 hectáreas. “Es una mezcla interesante: hay productores chicos que tienen que ingeniárselas para acceder a tecnologías de punta, y empresas más grandes que están integradas verticalmente en sus cadenas productivas. Esto nos obliga a buscar herramientas que apliquen a diferentes escalas y necesidades”, explicó Iguerabide.
En cuanto al uso de la agricultura por ambientes, todas las empresas del grupo adoptaron esta metodología hace varios años en, al menos, algún cultivo o insumo. Según Azcurra, “el 100% de los miembros del CREA Melo-Serrano hace agricultura de precisión”. La mayoría trabaja por ambientes, al menos en decisiones clave, como la densidad de siembra o la fertilización”.
Un cambio transcendental
Antes de adoptar la metodología de agricultura por ambientes comparables, el CREA Melo-Serrano trabajaba con un enfoque basado en lotes, donde cada uno se consideraba una unidad homogénea de manejo. “El análisis por lotes asumía que todos los suelos eran iguales, lo que nos llevaba a manejar los cultivos de una manera generalizada y menos eficiente”, explicó el asesor.
El cambio de enfoque representó una oportunidad para subdividir el ambiente en función de variables específicas, como la topografía, el contenido de arena y la presencia de thapto (capas arcillosas subsuperficiales). “Pasar del lote al ambiente significa que ahora podemos identificar diferencias clave dentro de un mismo espacio y manejar cada área según su potencial productivo. Esto incluye ajustar la densidad de siembra, la fertilización y otras decisiones agronómicas para optimizar los recursos”, detalló.
Como parte de este proceso, el grupo comenzó a utilizar nuevas planillas para registrar y analizar los datos y facilitar la comparación entre los distintos ambientes. “Al principio necesitábamos un sistema que nos ayudara a traducir el concepto de ambientes en datos útiles. Empezamos probando distintas formas de cargar la información, hasta que llegamos a un formato que nos permitió analizar los ambientes de manera simple y efectiva”, señaló entusiasmado.
“Durante el primer año de implementación, las empresas comenzaron a cargar los rendimientos por ambientes comparables asignados de manera teórica, encontrando muy buena coherencia de la metodología y asumiendo el error de tomarla del mismo modo en que lo hacía la Región Oeste, lo que permitió a los miembros del CREA Melo-Serrano engancharse con la posibilidad de verla reflejada en sus propios campos”, dijo Azcurra. Además, este ejercicio inicial ayudó a estandarizar los criterios de registro y sentó las bases para un análisis más detallado.
Ajustes en tiempo real
La incorporación de datos en tiempo real marcó un antes y un después en el trabajo del CREA. “Nos permitió detectar problemas y actuar inmediatamente, en lugar de esperar hasta el análisis de campaña”, dijo Iguerabide.
Uno de los casos más significativos en el último ciclo productivo fue el análisis de los niveles de nitratos en suelos similares entre diferentes ambientes y empresas del grupo. “Identificamos diferencias importantes, lo que nos llevó a revisar y ajustar los criterios de fertilización en tiempo real. Esto condujo a varios productores a realizar nuevas mediciones y corregir sus estrategias de refertilización de nitrógeno antes de que fuera tarde para el maíz temprano 2024/25”, explicó Azcurra.
Pero el impacto de estas decisiones no se limitó a la eficiencia en el uso de insumos, sino que tuvo un efecto directo en los costos y en el resultado de los cultivos. “Hubo casos en los que, al corroborar los datos, algunos productores decidieron ajustar las dosis de fertilización y lograron evitar aplicaciones innecesarias, lo que significó un ahorro significativo. En otros, se recurrió a la fertilización donde era realmente necesaria, maximizando el rendimiento del cultivo”, añadió.
Además, la metodología de trabajo permitió evaluar las densidades de siembra en tiempo real, ajustándolas según las condiciones de los diferentes ambientes. “Se compararon datos de campos con características similares y se discutieron prácticas como la reducción de la densidad en lomas o su incremento en bajos, lo que optimizó el uso de semillas y permitió adaptar las estrategias a las condiciones específicas de cada área. Esto fue potenciado por el hecho de entender que contar con una metodología seria de clasificación ayuda a discutir con mayor agudeza los criterios y profundizar en el modelo de producción”, señaló.
Brechas de rendimiento
Uno de los avances más importantes logrados por el CREA Melo Serrano fue la posibilidad de identificar brechas de rendimiento entre ambientes. “En aquellos más restrictivos, como suelos con Thapto, encontramos diferencias que varían según el cultivo. En el caso de maíz y trigo, las brechas entre los rendimientos más bajos y los más altos dentro del mismo ambiente alcanzaron hasta un 30%. Pero en el caso de la soja, especialmente en suelos más limitados, llegamos a registrar brechas del 100%, lo que significa que en algunos ambientes restrictivos el rendimiento fue nulo mientras que en otros se alcanzaron valores promedio o superiores”, detalló.
“En cultivos como el trigo y el maíz, estas brechas se pueden reducir mediante ajustes en la densidad de siembra y fertilización. Sin embargo, en soja las estrategias deben ser aún más específicas, ya que es el cultivo más expuesto a las condiciones del clima y suelo y, por lo tanto, presenta las mayores oportunidades de mejora, sobre todo en la genética por ambientes”, agregó.
WhatsApp Image 2024-11-29 at 15.05.33.jpeg
Agricultura de precisión: del lote al ambiente y del ambiente al pixel
Contenidos CREA.
Este grupo CREA no utiliza ensayos convencionales para estudiar estas brechas, sino que basa su análisis en los datos reales de los campos de las 11 empresas que lo componen. Azcurra lo describe como Big data aplicada al campo.
“Lo que hacemos es tratar cada ambiente como un dato en sí mismo, y al multiplicar esos datos por el número de campos y empresas logramos un nivel de análisis que no sería posible con un ensayo tradicional".
“Lo que hacemos es tratar cada ambiente como un dato en sí mismo, y al multiplicar esos datos por el número de campos y empresas logramos un nivel de análisis que no sería posible con un ensayo tradicional".
"En lugar de tener 300 lotes como datos, ahora tenemos más de 1100 ambientes registrados, que se multiplican en función de los distintas prácticas de manejo, lo que nos da una base mucho más robusta para sacar conclusiones”, explicó.
Hacia una agricultura basada en píxeles
“Actualmente trabajamos por ambientes, pero nuestro objetivo es pasar a un nivel de análisis por píxeles, con resoluciones tan detalladas como 10x10 metros. Esto significa que en lugar de manejar información de cada ambiente dentro del lote, podríamos analizar cada píxel del campo de manera individual. Esto nos permitirá personalizar al máximo las decisiones de manejo, optimizando cada recurso según las necesidades específicas del suelo y las condiciones climáticas”, anticipó Azcurra.
Para lograrlo, el grupo planea integrar herramientas de inteligencia artificial y aprendizaje automático, tecnologías que ya están explorando en proyectos iniciales. “La idea es que, a medida que aumentamos el volumen de datos, podamos utilizar algoritmos para analizar patrones, validar modelos de producción y predecir resultados con mayor exactitud. Por ejemplo, podríamos identificar de manera temprana cuáles son las zonas del campo más vulnerables a la sequía o las que necesitan un ajuste específico en la fertilización”, agregó.
Según Azcurra, quien actualmente está realizando un Máster en Inteligencia Artificial Generativa en España, “la clave será combinar diferentes fuentes de datos, como mapas de suelo, scanners de suelos y datos climáticos históricos para construir una base de datos robusta. Al consolidar toda esta información, podremos no solo tomar decisiones más precisas, sino también anticiparnos a problemas antes de que afecten significativamente la producción”.
Un ejemplo concreto del potencial de esta tecnología es su aplicación en el manejo de cultivos como el maíz y la soja, que son altamente sensibles a las condiciones del suelo y el clima. “Antes hacíamos análisis de campaña por lotes y pretendíamos que ese análisis nos diga cuál es la mejor genética, pero no lo lográbamos. Es por eso que hoy a partir del análisis de campaña por ambientes -que en el futuro será por píxel- podemos entender mejor cómo se adapta la genética a cada sitio y tener discusiones serias acerca del modelo de producción actual, siendo más eficientes y amigables con el medio ambiente”, indicó.
Actualmente están adoptando la metodología junto al técnico del INTA, Cristian Álvarez. “Creo que gracias a Henderson-Daireaux subimos un escalón que nos permitió mejorar. Pero, como decía nuestro fundador, Pablo Hary: "Para CREA ninguna meta es definitiva". Queremos compartir nuestra experiencia con otros grupos, convencidos de que la mejorarán para que juntos podamos seguir creciendo”, concluyó Iguerabide.
CREA-Melo-Serrano-Agricultura-de-precisión-2.jpg
