Este documento presenta propuestas metodológicas para el análisis de información en agricultura específica por sitio para frutales. Propone recolectar datos sobre características ambientales y experiencias de agricultores, analizar esta información, y formar grupos de agricultores para compartir conocimientos. También describe métodos como regresiones lineales y no lineales, redes neuronales artificiales, y clustering para modelar la respuesta de los cultivos a factores ambientales y de manejo.

1. Propuestas metodológicas para el análisis de la información en la agricultura específica por sitio en frutales Secretarias técnicas de las cadenas productivas (mango,aguacate, cítricos, plátano) Con la participación de :

3. Mide la variacióndentro del lote

4. Analiza el efecto de un factor o factor por factor sobre la productividad.

5. Modelosrequierenconocimientodetallado de procesosinvolucrados en el crecmiento de lasplantas.

6. Manejo de lotessegúnsuscaractérísticasparticulares

7. Mide la variación entre lotes

8. Analiza la combinación de factoressobresuefecto en la productividad

9. Modelosconstruidos con limitadoconocimientoacerca de la interacción de los factoresquedeterminan el crecimiento de unaplanta (caña, café)Referencias: Plant, 2001. Computers and electronics in agriculture. Jiménez et al., 2009. Computers and electronics in agriculture Jiménez et al., 2010. Agricultural Systems

11. Agua  Riegos

13. AP – AESCE …. Queimplementar? FrutalesTropicales Banano Sensoresremoto Automatización Investigación AP AEPS Algunosforestales Maiz Trigo Soya Caña Café Es cuestión de investigar y avanzar en la medida del compromiso de los actores

14. Antecedentes AEPS en Colombia Caña de azúcar: CENICAÑA ( mas de 20 años) Camarones: Ceniacua Café : CIAT– Federación nacional de cafeteros Frutales sin gremios organizados: BIOTEC – CIAT – HEIG-VD Alrededor de 8 años de experiencia en el tema– 6 años detrás de la idea en frutales tropicales

15. Definición Agricultura Específica por Sitio Según CENICAÑA: El arte de realizar las prácticas agronómicas requeridas por un cultivo de acuerdo con las condiciones espaciales y temporales del sitio donde se cultiva, para obtener de ella su rendimiento potencial. (Isaacs et al., 2004)

16. 1.6 1.6 1.4 1.4 1.2 1.2 1.0 1.0 TAHM TAHM 0.8 0.8 0.6 0.6 0.4 0.4 0.2 0.2 1960 1965 1970 1975 1980 1985 1990 1995 2000 2005 2010 1960 1965 1970 1975 1980 1985 1990 1995 2000 2005 2010 Año Año Caña de azúcar y AEPS: Tons of sugar per ha per month AEPS Technology development for local conditions based on SSA Tecnología Autóctona TecnologiaImportada Broad Adaptation development Nota: un taller realizado en oct 2010, CENICAÑA ilustro que en sus investigaciones recientes se esta integrando información de las practicas que hacen cañicultores poco y muy exitosos para aprender de lo que realizan Imported technology Cenicaña SSA= Site Specific Agriculture

17. 3er año 1er año 1 Recopilación “eventos” (sistema centralizado) Sistema de monitoreo (sistema descentralizado) 2 Protocolos de análisis automatizados Análisis de datos Coordinación Capacitación Sistemas de información 3 x 3 Formación de grupos Contacto con actores Entrega del conocimientoadquirido

19. Analizar e interpretar la información recopilada.

22. Condicionesambientalesideales

23. Prácticasmasadecuadas

25. Topografia SRTM GTOPO30

26. Paisaje Aspect Landscape Class Elevation Slope Moisture Solar Radiation Exposure Curvature

27. Suelos RASTA Caracteriza los suelos y terreno en forma rápida, confiable y sencilla en el sitio

28. Suelos: RASTA:

30. Dispositivos parametrizados

32. Regresiones (lineales y no lineales) Formato de información

34. Regresiones robustas: (permiten contrarrestar la influencia de outliers)

36. Clima Parámetro Mat. Suelos Bases de datos Parámetro Mat. Kilos/lote Manejo Parámetro Mat. Info adicional Proyecto AESCE :Metodologías empleadas en la modelación de respuestas de los árboles frutales Regresiones no lineales (redes neuronales artificiales)

37. V1 V2 V3 V4 V5 … V60 L 4 L 5 … Kg/lote L 2 L 3 Obs 1 0.1 18 3 312 0.3 … 89 0 1 0 1 0 … 2.39 Obs 2 0.2 15 4 526 0.1 … 52 1 0 0 0 1 … 30.35 Obs 3 0.6 14 1 489 0.2 … 64 0 1 1 1 1 … 42.25 Obs 4 0.05 19 2 523 0.5 … 13 0 0 0 0 1 … 52.50 Obs 5 0.4 13 3 214 0.6 … 57 1 1 1 1 1 … Obs6 0.8 12 4 265 0.4 … 24 1 1 0 1 0 … 82.25 Obs7 0.2 15 1 236 0.8 … 26 0 0 1 0 0 … 89.28 Obs 8 0.1 17 3 541 0.1 … 35 0 1 1 1 0 … 125.0 Obs9 0.6 16 2 845 0.3 … 51 0 0 1 1 0 … 142.8 Obs10 0.1 18 1 126 0.1 … 43 1 1 0 0 1 … 150.0 … … … … … … … … … … … … … … … Obs3000 0.04 15 3 235 0.6 … 85 1 1 1 1 0 … 180 … Obs3000 Obs 1 Obs 2 Obs 3 Obs 4 Obs 5 Obs 6 Obs 7 Obs 8 Obs 9 Obs 10 0.1 0.2 0.6 0.05 0.4 0.8 0.2 0.1 0.6 0.1 … 0.04 18 15 14 19 13 12 15 17 16 18 … 15 … Obs3000 Obs 1 Obs 2 Obs 3 Obs 4 Obs 5 Obs 6 Obs 7 Obs 8 Obs 9 Obs 10 3 4 1 2 3 4 1 3 2 1 … 3 312 526 489 523 214 265 236 541 845 126 … 235 3.07 29.8 54 60 … 90 100 150 170 149 … 192 0.3 0.1 0.2 0.5 0.6 0.4 0.8 0.1 0.3 0.1 … 0.6 E … … … … … … … … … … … … 89 52 64 13 57 24 26 35 51 43 … 85 Regresiones no lineales (redes neuronales artificiales – perceptronmulti -capa) Predicciónes L 1 Predicho … Obs3000 Obs 1 Obs 2 Obs 3 Obs 4 Obs 5 Obs 6 Obs 7 Obs 8 Obs9 Obs 10 2.07 29.0 53.5 50.5 89.5 99.2 120 172 170 … 188 E Real … Obs3000 Obs 1 Obs 2 Obs 3 Obs 4 Obs 5 Obs 6 Obs 7 Obs 8 Obs9 Obs 10 … 52.5 2.3 30.3 42.5 82.2 180 142 89.2 125 150

38. Puntaje= # de classificacionescorrectas # total de objetos a classificar Puntaje=8/10=80% Validación: test Kappa Regresiones no lineales (redes neuronales artificiales – perceptronmulti -capa) Datoscuantitativos Datoscualitativos observado observado predicho predicho

40. 39 indicadores fueron tomados describiendo varios factores de calidad de vida tales como salud, nutrición, calida de los servicios públicos, acceso a la educación etc.

41. Países que tenían indicadores similares se ubicaron cerca el uno del otro en el mapa.

43. Métodos de Clustering (redes neuronales artificiales – Mapas de Kohonen) Distribución de Iris Dependencia de variables Iris versicolor Iris virgínica Iris setosa

44. Métodos de Clustering (redes neuronales artificiales – Mapas de Kohonen) Dependencia de variables Base de datosplantas de Iris Kohonen map Iris setosa Iris versicolor Iris virgínica

45. Métodos de Clustering (redes neuronales artificiales – Mapas de Kohonen) Dependencia de variables Base de datosplantas de Iris Iris setosa Iris versicolor Iris virgínica

46. Ejemplos reales en frutales en Colombia (Redes neuronales artificiales en regresión y visualización de dependencia de variables) Caso de estudio: Mora (Rubusglaucus) – Modelo correcto: (Jiménez, D., Cock, J., Satizábal, F., Barreto, M., Pérez-Uribe, A., Jarvis, A. and Van Damme, P., 2009. Computers and Electronics in Agriculture. 69 (2): 198–208

47. Ejemplos reales en frutales en Colombia (Redes neuronales artificiales en regresión y visualización de dependencia de variables) Caso de estudio: Mora (Rubusglaucus) - Análisis de relevancia: (Jiménez, D., Cock, J., Satizábal, F., Barreto, M., Pérez-Uribe, A., Jarvis, A. and Van Damme, P., 2009. Computers and Electronics in Agriculture. 69 (2): 198–208

48. Ejemplos reales en frutales en Colombia (Redes neuronales artificiales en regresión y visualización de dependencia de variables) Caso de estudio: Mora (Rubusglaucus) - visualización de dependencia de variables) (a) Plano indicando la productividad de mora. La escala a la derecha indica el valor de productividad kg/planta/semana. La parte superior indica valores altos de producciónmientras la parte inferior muestrabajosvalores. (b)mapa de red neuronal mostrando 6 grupos de productividad y susetiquetas de acuerdo a los valores de productividad

49. Ejemplos reales en frutales en Colombia (Redes neuronales artificiales en regresión y visualización de dependencia de variables) Caso de estudio: Mora (Rubusglaucus) - visualización de dependencia de variables) Planos de profundidad efectiva: La escala de la dercha indica el rango de valor en centimetros de profundidad efectiva, la parte superior de la escala indica valores altos mientras la baja indica valores bajos de profundidad efectiva

50. Caso de estudio: Mora (Rubusglaucus) - visualización de dependencia de variables) Planos de temperatura: (a)temperatura del mes de cosecha, (b)temperaturapromedio del 1er mes anterior a la cosecha, (c)temperaturapromedio del 2do mes anterior a la cosecha, and (d)temperaturapromedio del 3er mes anterior a la cosechaEn todaslasfiguras, la escala (derecha) indica el rango de temperatura en ◦C . La parte superior indica valores altos de temperatuamientras la baja indica valoresbajos

51. Ejemplos reales en frutales en Colombia (Redes neuronales artificiales en regresión y visualización de dependencia de variables) Caso de estudio: Mora (Rubusglaucus) - visualización de dependencia de variables) Planos de laslocalidades Nariño–la union–chical alto (izquierda) y Nariño–la union–cusillobajoderecha). . La parte superior de la escala a la derecha indica presenciamientras la baja indica vausenciadebido a que son variables categóricas

52. Ejemplos reales en frutales en Colombia (Redes neuronales artificiales en combinación con metodologías tradicionales) Caso de estudio: Lulo (Solanum quitoense) – Modelocorrecto Jiménez, D., Cock, J., Jarvis, A., Garcia, J., Satizábal, H.F., Van Damme, P., Pérez-Uribe, A. and Barreto-Sanz, M., 2010. Interpretation of Commercial Production Information: A case study of lulo (Solanum quitoense), an under-researched Andean fruit. Agricultural Systems. In press. published online at: http://dx.doi.org/10.1016/j.agsy.2010.10.004

53. Ejemplos reales en frutales en Colombia (Redes neuronales artificiales en combinación con metodologías tradicionales) Caso de estudio: Lulo (Solanum quitoense) – Modelo correcto

54. Ejemplos reales en frutales en Colombia (Redes neuronales artificiales en combinación con metodologías tradicionales) Caso de estudio: Lulo (Solanum quitoense) – Análisis de relevancia Tres variables: 1. Profundidadefectiva, 2. Temperatura y 3. Pendientefueronrelevantesparaambasregresiones lineal y no lineal

55. Ejemplos reales en frutales en Colombia (Redes neuronales artificiales en combinación con metodologías tradicionales) Caso de estudio: Lulo (Solanum quitoense) – clustering Las tres variables relevantes fueron utilizadas para definir grupos con condiciones ambientales homogéneas = 3

56. Ejemplos reales en frutales en Colombia (Redes neuronales artificiales en combinación con metodologías tradicionales) Caso de estudio: Lulo (Solanum quitoense) – Modelomixtoparaconocer los efectossobre la productividad de grupos con condiciones ambientales homogéneas Condiciones ambiental homogénea 3 fue la mas productiva – 41 gr de lulo /planta más que el promedio

59. Analizar e interpretar la información recopilada Naranja Antioquia produce más naranja con la mitad de las hectáreas cultivadas en Tolima  Oportunidad Fuente MADR (promedio 2002- 2008)

61. Si clima y suelos influyen en la adaptabilidad del cultivo, en sitios con climas y suelos similares tendrían adaptabilidad similar

63. Hacia un nuevo Homologue: Modelación de grandes bases de datos - Cuantización vectorial – Visualización - Lógica difusa para “suavizar” la asignación de categorías Crisp Fuzzy

64. Aplicaciones utilizadas: FENNIX SomToolbox - MATLABscript BIS

65. Estrategias de colecta de información primaria Niveles de Intervención a. Investigadores CIAT v Cadenas Asohofrucol MADR b. Facilitadores de lasCadenas Organizaciones Nivel de intervención c. Facilitadores de lasSecretarías de agricultura Federaciones d. Individualesacceso virtual Grupos

66. Promoción al consumo - Biblioteca con ruedas – Unidad multimedia móvil

67. www.frutisitio.org