Primeiros resultados de Millopreciso: O proxecto de novas tecnoloxías para mellorar o rendemento do millo forraxeiro en Galicia

Millopreciso presentou os primeiros avances obtidos na campaña de ensilaxe de millo que se fixo coa maquinaria de Marcos Otero SL na Granxa Ladrela. A finalidade deste proxecto é crear mapas nos que se poida ver cales son as zonas máis produtivas das parcelas e así optimizar a sementeira do vindeiro ano, mudando o sistema tradicional de aplicar unha única dose en toda a parcela a empregar unha dose variable, en función do rendemento de cada área.

O proxecto comezou no mes de outubro de 2022, polo que só teñen datos da campaña do ano 2023. “Estamos ante o primeiro ano de proba dos diferentes dispositivos que instalamos nas colleitadoras”, explica Javier Bueno Lema, pforesor do Departamento de Enxeñaría Agroforestal da Escola Politécnica Superior de Enxeñaría da Universidade de Santiago de Compostela e membro do grupo BioMODEM. En concreto, este profesional forma parte da área de mecanización que se centra na agricultura, gandería de precisión, automatización e robótica.

Colocación de sensores na maquinaria
Nunha primeira etapa, o Grupo Operativo dedicouse a instalar nos equipos das colleitadoras os diferentes sensores: de humidade e materia seca por medida da condutividade eléctrica da forraxe e de rendemento, no potenciómetro nos rolos de alimentación. Unha vez instalados “era preciso facer unha calibración”, xa que necesitaban comprobar que as medidas que se estaban tomando se correspondían coas reais. “Se non era así, había que modificar os sistemas informáticos para que a precisión fose a máxima posible”.

Sensores empregados nas colleitadoras para a toma de datos

Para levar a cabo a calibración tiveron que trasladar ata as fincas unha báscula portátil na que se mediron todos os remolques de millo forraxeiro. “Con isto, podíamos comparar os datos reais cos que saían das medidas tomadas polos sensores da máquina. Tamén tomamos mostraxes de millo forraxeiro para facer as análises do contido de materia seca”, expón o profesor.

Primeiro problema, a interoperabilidade dos datos

No parque de maquinaria co que traballaron posúen dúas marcas: Claas para as colleitadoras e John Deere para os tractores e demais máquinas. Isto levou a que xurdise o primeiro problema no proxecto, a interoperabilidade dos datos que se obtiñan dunha máquina para ser empregados na outra. Segundo Javier os frabricantes deron pasos para a normalización da información, “pero a realidade é que non podíamos empregar os datos obtidos na colleitadora directamente nos tractores resto de aparellos”. Así mesmo, algunhas das máquinas non dispoñían de algúns dos sensores, coma o receptor GPS para xeoreferenciar os datos de produción, “polo que tivemos que instalarllos, xa que son necesarios”.

Diferenzas entre os datos en bruto e os datos xa limpos

Para solucionar o problema da interoperabilidade, equiparon a maquinaria cun dobre sistema. “A colleitadora dispuña do seu sistema Claas de documentación, pero para poder subir o arquivo ao Centro de Operacións de John Deere que utiliza Marcos Otero, montamos unha ponte que traduce a información do formato Claas ao formato John Deere. Estes arquivos rexístranse nun monitor John Deere adicional instalado na cabina e dende alí son enviados telemáticamente por medio dun modem á aplicación na nube Centro de Operacións”, explica o profesor.

Para manexar toda a información traballan con un software chamado SMS que “nos permite analizar en detalle todos os datos que contén cada arquivo de rendemento”. Así mesmo, empregan unha aplicación na nube (AgFiniti) que está sincronizada co centro de operacións. “Neste caso era o de Marcos Otero SL, ao que nos permitiron acceder e traballar sobre unha copia da información, para así non modificar os datos que tiñan almacenados, nin interromper a súa labor diaria”, aclara Javier.

Máis de 1.000 datos por hectárea obtidos nunha hora de traballo

O sistema xera moita información, por iso son necesarios programas de limpeza para que os datos sexan o máis precisos posible. Unha colleitadora cun cabezal de 6 metros de ancho que traballa a unha velocidade de 6 km/h, en cada segundo rexistra o dato de produción correspondente a unha superficie de 10 m2, polo que obtén 1.000 datos de rendemento por ha.

“É moi importante ter toda a información ordenada, porque son demasiados datos”, puntualiza o profesor e engade que “de normal, trabállase con varios clientes”. Dende o proxecto, recomendan que as empresas creen unha base de datos organizada por clientes, explotacións, parcelas e dentro desta última se rexistre cada operación en función do ano, tipo de operación e de produto. “Neste último punto, introduciranse todos os arquivos xerados nos sensores”.

Variación nos mapas cando se fai a limpeza de datos

Limpeza dos datos en bruto
Outro dos problemas que se atoparon no estudo é que nos arquivos en bruto sempre aparecen erros, “dá igual a máquina e o procedemento de traballo. Sempre hai algún fallo, por iso é preciso limpar a información para lograr unha maior precisión”. Destaca que estes sistemas xeran máis erros que outros que traballan con cereais.

Neste caso, en Granxa Ladrela traballaron en 7 parcelas que suman un total de 24 ha. Obtiveron un peso total de 853 t que pesaron en 72 remolques. As producións medias en forraxe verde das distintas parcelas andiveron entre as 36 e as 43 t/ha, cun contido medio en materia seca do 34,5 %. “Porén, nalgún arquivo vimos algúns datos disparados que alcanzaban ata as 380 t de materia seca/ha, que iso é imposible. Por isto, tiñamos que depurar os datos, porque estes fallos aparecen sempre, pero se queremos tomar boas decisións hai que eliminalos”, comenta o profesor.

A limpeza dos datos fíxose en base a un protocolo: altura incorrecta do cabezal, paradas e rearrancadas, retrasos na medida ou ancho do corte incorrecto.

Aplicando isto, “os datos xa cambiaban”. Ao reducir a dispersión dos datos, as medias de produción, polo xeral, non variaban moito e o contido da materia seca reducíase un pouco. “Aínda que estas cifras medias non tiñan unha gran variación, o mapa resultante si que quedaba afectado. Vimos como había zonas que estaban marcadas en verde (produción alta) que pasaron a vermello (produción baixa) ou viceversa”, aclara Javier.

O profesor conclúe afirmando que este “é un primeiro estudo” e só centrado nunha campaña. Aínda así, afirma que “a obtención desta información ten un custo reducido, porque os sensores son accesibles. Só é preciso analizar toda a información e sacar boas conclusións para optimizar os rendementos das fincas”.

Aplicación das novas tecnoloxías nas empresas

Visualización que fan dos mapas obtidos en Marcos Otero SL

Dende o 2018, en Marcos Otero SL estiveron recollendo datos sobre o tipo de semente que empregaron, a colocación no terreo, a aplicación de fitosanitarios etc. En canto a recolección “o que facíamos ata agora era unha valoración visual sobre o terreo e se tiñamos báscula pesabamos os remolques que saían da finca para saber as cantidades”, explica Marcos Otero, xefe da firma. Así mesmo, apunta que cos resultados obtidos en Millopreciso poderán facer un estudo máis preciso xa que o mapa outorga moitos máis datos. “Deste xeito poderemos elaborar unha percepción da sementeira máis fiable, atinar máis na aplicación de fitosanitarios e abonos e polo tanto obter un maior aproveitamento do terreo e rendemento dos insumos”.

Maior rendemento das fincas e abaratamento dos custos, dous factores importantes que destacan en Granxa Ladrela

Pola súa banda, o gandeiro Francisco López, destaca que “é importante o proxecto Millopreciso para conseguir maior rendemento das súas fincas e abaratar os custos”. Con toda a información, segundo explica, pode ter un amplo coñecemento sobre a situación das súas parcelas e da colleita que obtén en cada campaña.