Professional Documents
Culture Documents
NO SE PUEDE CONTROLAR
LO QUE NO SE PUEDE MEDIR
La Lima, Cortes, Honduras
Enero 21 22, 2009
AGENDA
Jueves, 22 Enero
Sesión I:
Hora Min Temas 1-9
8:00 20 Presentación de Participantes 10
8:20 25 Qué es GPAS? 11-24
8:45 25 Perspectiva del Taller 25-27
9:10 40 Importancia de colectar datos en forma precisa y 28-52
exacta para la implementación de BMP: Enfoque de
Investigación y Desarrollo.
9:50 20 Perspectiva de un Sistema Integrado de Estadísticas 53-60
10:10 20 Café
AGENDA
Sesion II: Collecting The Best Data
10:30 40 Colección de datos de Experimentos Controlados 61-89
11:10 30 Colección de datos de sensores automáticos vía telemetría 90-139
11:40 35 Demostración de Campo de sensores automáticos de clima
12:15 75 Lunch
1:30 45 Colección de datos en Censos, Encuestas y Paneles de Expertos 140-155
2:15 45 Desarrollo de Cuestionarios, Su análisis e Imputación 156-167
3:00 30 Café
AGENDA
Miércoles, 25Febrero
DATOS A COLECTAR
1:00 60 Review y presentar Inquietudes GRUPO
2:00 Terminacion de Taller
Si hubiese tiempo e interes
RELACIONES
DOLE FRESH FRUIT SUMMIT FOUNDATION USDA/Honduras
GRUPO GUTIERREZ COCACOLA COMPANY USAID/CCAW
ADCON TELEMETRY BID USDA/NASS/FAS
CARE USAID/CRSP
SNV SAG, MAG, MAGA,
IICA IHCAFE
CE RDS
FHIA
EXPERTICIA DEL STAFF DE GPAS
SOFTWARE
TELEMETRIA,
SISTEMAS ESTADISTICAS
LENGUAJES AGROMETEROLOGIA,
OPERATIVOS AGRICOLAS
AGRI. DE PRECISION
Window server 2003 SQL, MySQL, ARCGIS 9.3 SAS
ORACLE 10g
Window Server 2008 Perl, PHP Addvantage 5.4 JMP/SAS
Unix C, ThinkGeo AGROBASE
Linux C# ASP.NET SNAP
Javascript, CSS,
HTML Ajax
Java JSF
GPAS AND WWF
• Enfocado en:
• Desarrollar partnerships con agro-
empresas nacionales y multinacionales
• Identificación, desarrollo e
implementación de BMPs
• Promover la certificación internacional:
RSPO, BSI
NUESTRA PARTICIPACION
GOALS GPAS - ELA
1. Entrenamiento inicial al equipo de campo
para desarrollar los instrumentos de
captura de datos, coordinar metodología
de diagnóstico y análisis de resultados;
así como una introducción general
acerca del uso de los datos agro-
climátológicos, el desarrollo de modelos
de manejo de plagas y su relación con
las BMPs
GOALS GPAS - ELA
2. Establecer dos localidades pilotos para el
monitoreo del microclima, tendiente a
generar un sistema de toma de
decisiones de alerta temprana para
apoyar a los operadores en el mejor uso
del agua de riego, mediante la
instalación y capacitación en el uso de
datos micro-climatológicos de sus fincas
utilizando las herramientas del Green
Panda.
GOALS GPAS - ELA
NO SE PUEDE CONTROLAR
LO QUE NO SE PUEDE MEDIR
Enero 22-23, 2010
8:00 AM a 5:30 PM
OFICINA WWF
LA LIMA, CORTES, HONDURAS
Perspectiva del Taller
• 3 técnicos han recordado lo fundamental
de colectar datos y están listos para
obtener datos precisos y exactos y
favorecer la adopción de BMP
• 3 técnicos conocen que existe software
especializado para análisis de datos
• 3 técnicos y gerentes conocen los
conceptos de Agricultura de Precisión
• 3 técnicos saben dónde buscar ayuda
Agradecimientos: Este Taller es Patrocinado por:
USAID Environmental and Labor Excellence for
CAFTA-DR Program
USAID PRIME CONTRACT NO. EPP-I-00-05-03-
00014-00
WWF Programa de Agricultura y El Ambiente
Coordinadores J. Vasquez, WWF-CA, Offical de Efluentes
del Taller jvasquez@wwfca.org
F. Gomez, GPAS, fgomez@gpas.us
Importancia de Colectar Datos en
Forma Precisa y Exacta para la
Implementación de BMPs ̶
Enfoque de Investigación y Desarrollo
Reduciendo el Impacto Ambiental de la
Agricultura Mediante la Implementación
de Mejores Prácticas de Manejo
NO SE PUEDE CONTROLAR
LO QUE NO SE PUEDE MEDIR
SESSION I
On ne peut pas conduire qui
ne peut pas être mesuré
DATOS La sociedad se
Datos Información
colectados apropia del
analizados contextualizada
manual o conocimiento y
generan produce
automáti- genera
INFORMACION CONOCIMIENTO
camente SABIDURIA
90
SHAPSUEY
12
Producción de 0
melones en la finca
Castaños .
4 colectores de datos
1. Sin capacitación
2. Con algo de PRECISO Y
sentido común 70 70 EXACTO
3. Capacitado en ??? v
4. Después de este v 90 90
Taller
12 12
0 0
PRECISO
PERSPECTIVA DE UN SISTEMA
INTEGRADO DE ESTADISTICAS
AGRICOLAS
CENSOS ENCUESTAS
E Crop Progress
AGRICOLAS PROBABILISTICAS F &
1952 Cultivos, Ganadería M
Status Report
…
………. Trabajo MONITOREO
S
1982 Insumos /PANEL
O
1983 Por estado, épocas Cultivos
N
1984 (mensuales, trimestral) Ganadería
D
1985 Por estado
Marcos Multiples
1986 Area Semanal
1987 Lista METODOS DE COLECCION
1992 Cuestionarios Personal, Correo,
1997 Teléfono, En Línea
2002
2007
BEST ESTIMATOR
MEJOR ESTIMADOR
EN RESUMEN
• This may sound complex but not all states are
making the same crop and livestock estimates every
month.
• All states will conduct the area frame survey and
multiple frame integrated survey in June for livestock
and planted crop acreage.
• In July USDA/ERS will “forecast” crop production
based on historic data modeling.
• August all states will conduct a crop report survey
for crop production estimation.
• Subsequent months (September through November)
the crop report will update only “speculative” state
crop production estimates as a cost saving measure.
• Sampled farmer “subjective” data is collected from
the list frame using primarily centralized telephone
enumeration from each USDA/NASS state
statistical office.
• Non-response is attempted to be field enumerated
along with extremely large producers.
• Speculative crop states also collect “objective”
data (plant counts and measurements) that are
modeled for an independent “forecast” estimate of
crop yields from August through harvest/post-
harvest.
TALLER
Colección y Análisis de Datos en
BMPs
Colección de Datos en Experimentos
Controlados
F. Gomez
On ne peut pas conduire qui
ne peut pas être mesuré
Control de
Selección del Selección UE Consideración efectos entre
Material y No. reps sobre los datos unidades
Experimental a tomar adyacentes
Esbozo de Análisis de
análisis Conducción datos e
estadístico y del Reporte
interpretación
presentación experimento de resultados
de resultados
EXPERIMENTO
• El acto de conducir una prueba o investigación
controlada
• Una prueba bajo condiciones controladas
realizada para demostrar un verdad, examinar la
validez de una hipótesis o determinar la eficacia
de algo no evaluado previamente.
• Una actividad donde se puede observar y registrar
resultados
• Un método de investigación que permite la
inferencia entre causa y efecto.
• Son actividades que producen datos o prueban
conceptos.
EXPERIMENTO
= + +
QUE CONTROLAR/MANEJAR?
• Unidades experimentales: genética
(stocks), tamaño, peso, edad
• Tratamiento: Diseño de tratamientos
• Error: Diseño experimentales, multi-
localidades (ambientes), entrenamiento
• Inferencia: Modelos aleatorios, fijos, mixtos
• Observaciones perdidas: Ouliers
• Medición: escalas, herramientas,
instrumentos (sondas-probes)
CONTROL DE UNIDADES
EXPERIMENTALES
• Diseño de tratamientos:
• Factoriales: Interacciones
ERROR
• Diseño experimentales: DCA, BCA,
CL, Lat etc.
• Multi-localidades (ambientes)
INFERENCIA
Modelos:
• Aleatorios
• Fijos
• Mixtos
OBSERVACIONES PERDIDAS
Y FUERA DE TIPO
• Que cantidad?
• Software estadístico (SAS)
Problema
• Se hace mas difícil detectar diferencias
QUE CONTROLAR/MANEJAR?
• Medición:
• escalas: entrenamiento
• instrumentos
• Precision
• Calibracion
• Cuido
SI ESTO FUNCIONA!
A. Lara
TELEMETRÍA
Agricultura
Modelos de
enfermedades
Irrigación con precisión
ESTACIONES METEOROLÓGICAS
Irrigación
Monitoreo de Humedad
de suelos
Evapotraspiración
Control de válvulas
ESTACIONES METEOROLÓGICAS
Manejo de Agua
Monitoreo de Calidad
de Agua
Detección de escape de
agua
Monitoreo de nivel
Monitoreo de equipos
Advertencia de
inundaciones
ESTACIONES METEOROLÓGICAS
Polvo
TECNOLOGÍAS DE COMUNICACIÓN
Micro-ondas 2.4Ghz
GSM/GPRS
Satélite
ESTACIONES METEOROLÓGICAS
Transmisión por Radio Transmisión por GSM/GPRS
RED DE ESTACIONES METEOROLÓGICAS
RTU
Panel solar
A723 SERIES 4
A753 A733
- Resolución: 16-Bit @ 0-2.5V 10-Bit
14-Bit @ 0-1V ----
- Exactitud: 16-Bit 10-Bit
- Contador de pulso: max. 50/sec. max. 30/sec
- Almacenamiento: aprox. 1 mes max. 10 días
- Memoria: 256KB 32KB
- Conectores: 4 x 7-pin, 1 x 5-pin 4 x 7-pin, 1 x 5-pin
COMPONENTES DE UN RTU
Data Logger
Radio/Modem (10mW, 500mW, GSM, GPRS)
Baterías
Radio/modem
Antena
Logger
Batería
A753 ADDWAVE SERIES 4
I/O A:
• Dual wireless
Conexión GPRS al A850
Conexión UHF a los RTUs
• Poder solar
• Contenedor simple IP-67
• Baterías recargables NiMH
• Compatible solo con los gateways A850
RA440 – ESPECIFICACIONES GENERALES
• Suficiente exactitud
• Robusto
• Opera en un rango amplio de temperaturas
• Bajo consumo de energía
PARÁMETROS QUE SE PUEDEN MEDIR
• Temperatura del aire
• Humedad Relativa
• Precipitación
• Radiación Solar (var. Longitudes de Ondas)
• Velocidad y dirección del viento
• Humedad de hoja
• Temperatura del suelo
• Humedad del Suelo
• Conductividad del Suelo
• Punto de condensación
• Calidad de agua (OD, pH, Turbidez,
nitritos, nitratos, CE, amonio...)
SENSORES DE CALIDAD DE AGUA
WIRELESS SENSOR INTERFACE (WSI)
• Reemplazo de cables
• Actua como sensor SDI-12
inalámbrico conectado a un RTU
estandar
• Rango de hasta 200m
WSI - ESPECIFICACIONES BÁSICAS
•Versión SDI-12
- 10 valores SDI-12 por WSI SDI-12
- La vida de cada batería depende del
sensor conectado
Analog
•Versión análogo
- 3 analogos / pulso / 1 entrada digital
- es similar a un puerto I/O estandar de RTU
CONFIGURACIÓN DE UNA ESTACIÓN METEOROLÓGICA
CONECTADAS ENTRE ELLAS VÍA RADIO Y ENVÍO DE
TODOS LOS DATOS RECOLECTADOS AL GATEWAY VÍA
GSM/GPRS
SOFTWARE
• Almacenamiento de datos
• Visualización de datos
• Procesamiento de datos
• Modelos de Enfermedades
• Modelos de Irrigación
• Estadísticas
• Alarmas
• Controles
ACCESO A LOS DATOS
Computadora con Internet
Red 2
Alarmas SMS/E-Mail
addVANTAGE Pro
Red 3
Server Replicación de datos de
Server-a-server
Conectividad a otras
aplicaciones con addUPI XML
Desplega cualquier
periodo de tiempo
que desee
Incluir sensores
arrastrandolo
desde Cualquier
estación
Puede asignar el
color que se desee.
Panel con gráfica
puede ser
combinado con
páneles de
eventos
Ver el valor a la par
del cursor
Calcula sumas,
min, max,
promedios, etc.
RED BÁSICA DE ESTACIONES METEOROLÓGICAS
Y DE CALIDAD DE AGUA
addVANTAGE Pro Server
Usuarios
A733 addWAVE
A850 Estación Base
RTUS A733 CON ADDITS A723
A723 addIT
A733 addWAVE
A850 Estación Base
RED DE A753 CON A733 GSM/GPRS
A753 GSM/GPRS
A723 addIT
A733 addWAVE
A850 Estación Base
A753 addWAVE GSM/GPRS
NUEVA TOPOLOGÍA PARA ESTACIONES METEOROLÓGICAS
A723
addIT
A753
addWAVE
A850 A723
Telemetry Gateway addIT
A733
addWAVE
RA440
A723
addIT
- RA440 GPRS puede ser instalado en cualquier ubicación donde exista covertura GPRS
CALIDAD DE LOS DATOS
Confiabilidad de los datos
• Seleccionar los sensores correctos
• La precisión depende del propósito del
uso!
• Rango de medición
• Requisitos para recalibrar
• Selección del lugar idóneo
• Realizar una instalación apropiada!
• Realizar el mantenimiento apropiado y
profesional!
ESTACIONES NECESARIAS EN UN ÁREA
Primer versión:
- Con visagra
- Dual band
- Lambda / Lambda 2
- Tamaño: 240 mm
ANTENAS GSM
Segunda versión:
- Sin visagra
- dual-band
- IP-65
- Lambda 2
- Tamaño: 115 mm
ANTENAS GSM
Tercer versión:
- Sin visagra
- quad-band
- IP-65
- Lambda 2
- Tamaño: 65 cm
TALLER
Colección y Análisis de Datos en
BMPs
Collectcion de Datos Utilizando Censos,
encuestas,
aynd Paneles de Experto
S. Kellogg, F. Gomez
Métodos of Colección de Datos
• Varios métodos para colectar datos
• Enumeración en el campo
1. Cara-a-Cara (Entrevista Personal)
2. Observaciones e campo y conteos/medidas
(Encuestas y Monitoreo)
3. Maquinas/aparatos colección de datos
automáticos/grabaciones/transmisión
• Electrónicos
1. Teléfono
2. Internet/computadora
• Correo
TIPOS DE COLECCION DE DATOS
S. Kellogg, F. Gomez
149
DESARROLLO DE UN CUESTIONARIO
• El término cuestionario generalmente implica el medio
con el cual se colectan datos en forma tradicional.
• Tradicionalmente es un cuestionario en papel.
• Actualmente se incluyen los cuestionarios en-línea.
• Las encuestas muestrales y los panels de
respondientes usados para colectar datos requieren
cuestionarios hechos a la medida
• Para el Muestreo por Puntos y Monitoreo,
generalmente se requieren de formatos de colección
de datos, solamente
• Son las mismas preguntas en el tiempo.
150
PRINCIPIOS DE DISENO DE
CUESTIONARIOS
• Al principio, los cuestionarios parecían
hojas de calculo y se requería entrenar a
los enumeradores en las instrucciones de
como preguntar y completar las
preguntas.
• La estrategia actual es dividir la
preguntas con un enfoque intuitivo para
que el enumerador se guie a través de
todo el proceso de la entrevista.
151
• Se utilizan celdas con “SI” y “NO” para
mejorar el flujo correcto de la
entrevista y asegurarse que las
preguntas sean contestadas en el
orden correcto y que no se quede
ninguna sin contestar
• Se deben incluir preguntas
“pertinentes” y que serán sumariadas
y monitoreadas en el tiempo.
• Pertinente también implica que la
pregunta debe de preguntarse en
forma exacta.
152
PRINCIPIOS BASICOS DEL DISEÑO DE
CUESTIONARIOS/FORMATOS
• Identificación exacta para tomar en cuenta todos y
cada uno de los datos de cada
cuestionario/formato para medir el grado de
completación y hacer una sumarización exacta.
• Identificar completamente la información del
respondiente y la del enumerador de campo.
• Un diseño efectivo del cuestionario/formato
investigará con los usuarios de datos quienes
detallaran y justificaran todas las preguntas
pertinentes en una forma lógica para su inclusión..
• Los códigos de completación son necesarios para
una expansión y sumarización exacta.
153
• Los cuestionarios/formatos con datos
faltantes pueden ser codificados ya sea
como incompletos o parcialmente
incompletos.
• Incompletidad parcial requiere edición,
limpieza y sumarización mas complejas, .
• Pruebas pilotos y sumarizaciones son
una necesidad para diseñar
cuestionarios/formatos.
154
LIMPIEZA DE DATOS PARA ANALISIS
• Los datos deben de estar completos y limpios
(libre de errores)
• Hay varias formas de edición de datos, pro se
comienza con el proceso de entrevistas utilizando
un proceso intuitivo seguido de edición en
computadora.
• Limpieza de datos consiste en chequeo de
rangos, consistencia, y contingencia.
• Primer paso – para celdas con datos individuales
utilizar rangos, diagramas de dispersión, para
probar por razonabilidad y distribución de los
datos.
• Segundo Paso – realizar chequeos por
relaciones. 155
METODOLOGIA DE LIMPIEZA DE DATOS
• Los chequeos por consistencia determina lo
correcto de dos respuestas y su relación.
• Los chequeos por contingencia lógica son como
“si”, esto es “esto” (igual, mayor, menor etc.”
entonces es correcto.
• Esto puede ser un proceso complejo y tomar
mucho tiempo. Es mejor reducir la complexidad
de los datos en el cuestionario.
• Al hace las correcciones–
1. Chequear con el enumerador de campo
2. Re-contactar al respondiente
3. Cambiar basado en el juicio del editor
4. Imputación
156
ANÁLISIS
• Sumarizar lo datos con la expectativa que se puedan
estimar los errores muestrales para los estimados.
• Revisar la distribución de los datos y compararla con
estimaciones previas.
• Revisar las graficas de dispersión de las
observaciones para las muestras. Esto es una forma
fácil y efectiva de analizar datos, y cuando se
combinan con distribuciones de frecuencia, permiten
detectar outliers.
• Revisión critica de estimados por razonabilidad,
comparándolos con datos administrativos, censales
etc.
• Comparar resultados comenzando con los niveles
mas altos y siguiendo hacia los niveles mas bajos de
estimación. i.e. nacional, regional, departamental,
157
municipalidad
IMPUTATION
• Definición de imputación – la metodología de
estimar datos faltante
• La forma clásica de estimar la imputación es utilizar
la “media” como valor de imputación de un dato
faltante. Esto es porque por definición la “media” es
el mejor estimado.
• Actualmente con muestreo probabilístico, el
estimado de un total no es mas que la expansión
de mejor estimado multiplicado por el inverso de la
probabilidad de la muestra seleccionada.
• Existen varias alternativas al usar la media, pero
son una variante del promedio basado en algunos
criterios de selección.
158
ESTIMACION
• El uso de datos de encuestas como un “Arte”, se
refiere a su valor como indicadores” para obtener el
“mejor” estimado del verdadero valor de una
población.
• Tradicionalmente, el “mejor “ estimado basado en
encuestas probabilísticas muestréales es un estimado
de punto, ej. la media, el total etc.
• Tradicionalmente, de una encuesta probabilística
muestral, se genera un solo estimador de punto para
cada variable.
• El problema es que lo marcos muestrales son siempre
incompletas, no están actualizados, y el mismo
proceso de colectar datos produce un error no-
muestral, que contribuyen al sesgo del estimador.
159
• Además, un estimado de punto, puede variar
considerablemente, dependiendo de la variabilidad de
cada articulo y el tamaño de muestra, debido a la
muestra misma.
• Un diseño muestreal moderno que provea indicadores
“múltiples” es necesario para tener estimados mas
robustos del verdadero valor de la población.
• Los indicadores múltiples requieren conceptos
estadísticos conocidos como “estimadores de pequeñas
aéreas” para “modelar’ indicadores que generen el
mejor estimado.
• Se pueden graficar los estimados de las encuestas con
los datos históricos para observar diferencias en
relaciones y poder remover el sesgo potencial que
existe desde el mejor estimado.
160
TALLER
Colección y Análisis de Datos en
BMPs
REVISION DE CONCEPTOS PARA
COLECTAR DATOS EN CENTROAMERICA
WWF Recommendation
F. Gomez
Propósito la Presentación
Mcfield and Kramer 2007
“RECOMENDAMOS QUE TODOS LOS GRUPOS
ENCARGADOS DEL MONITOREO SE
COMPROMENTAN A RECABAR
INFORMATION CONSTANTEMENTE, A LARGO
PLAZO, SOBRE UN CONJUNTO MEDULAR DE
INDICADORES ECOLOGICOS ALTAMENTE
PRIORITARIOS”
On ne peut pas conduire qui
ne peut pas être mesuré
NO SE PUEDE CONTROLAR
LO QUE NO SE PUEDE MEDIR
La Lima, Cortes, Honduras
Enero 21 22, 2009
AGRICULTURA DE
PRECISION EN CAÑA
DE AZUCAR
Azucarera del Norte S.A.
“AZUNOSA”, El Progreso,
Yoro, Honduras
Propósito la Presentación
Variabilidad Espacial
Variabilidad Temporal
Agricultura de Precisión
AP es la aplicación de un manejo
estratégico holístico que utiliza
tecnología de información para
almacenar datos de múltiples fuentes y
llevar a cabo decisiones asociadas con
la producción agrícola, mercadeo,
finanzas, y protección del ambiente
(Olson, 1998)
AP: Potenciales (I)
•Incremento de la eficiencia:
– Mayores rendimiento con la misma
inversión (redistribución)
– Mismos rendimientos con menor
inversión
– Mayores rendimientos con menor
inversión
• Financiamiento
Fincas
AZUNOSA
Lotes de
Fincas
AZUNOSA
Metodología
• Selección de Finca Piloto
Fincas
AZUNOSA
Lotes de
Fincas
AZUNOSA
METODOLOGÍA
Muestreo en cuadrícula
Aleatorio en cuadrículas
Muestreo dirigido
Muestreo geoestadístico
X X
•Campo entero
X X
•Cuadrícula de 1 acre
X X
X
•Sub-cuadrícula
X X
X X X
X
X X
ANÁLISIS GEOESTADÍSTICO
0.9
0.8
0.7
Sill (Co+C1) = 0.6
Semivariance
0.6
0.5
0.4
0.3
0.2
1 n ( h)
(h)
2
[z zih]
2n(h) i 1 i
250
78.1
100 60
200
DISTANCE (m)
90
150
30 58.3
100
50
50
0
0 50 100 150 200 250 300
DISTANCE (m)
KRIGING PUNTUAL
N
zo z Estimate
ii
i i
N
(zo) Variance
2
i io
i 1
1Weighting Factors
i
% Organic matter by LOI 0-6 inches
Fall Soil Samples 2001
4 6 8 10 12 3 5 7 9
Range 4.3 - 12.3 % Range 3.3 - 8.8 %
Avg. 6.9 Avg. 5.9
COKRIGING
Mapea la variable mas costosa (z1) basado en su
dependencia espacial con una variable menos costosa
(z2)
1080 ft 1080 ft
West to east West to east
COKRIGING
1 n(h)
12 (h) [z1i z1,i h ][z2i z2,i h ]
2n(h) i1
N N
1 2
z2o 1iz1i z
2j 2j
i1 j1
Phosphorus Sampling Results
Variabilidad de la Materia Orgánica del Suelo
Rendimientos TCM
Variabilidad del Nitrógeno Disponible
Rendimientos TCM
Variabilidad del Fosforo Disponible
Rendimientos TCM
Variabilidad del Potasio Disponible
Rendimientos TCM
FINCAS Y LOTES DE PRODUCCIÓN DE AZUNOSA
CONCLUSIONES
La variabilidad espacial encontrada en la Finca San Antonio
Bosque I de AZUNOSA fue altamente significativa en todos
los parámetros del suelo.
BC Rio: 422.1 Ha
BC Potencial: 75.6 Ha
BC Potencial DOLE: 35 Ha
Quemas de defoliacion y desbasure
OBJETIVOS
Under-conveyer optical
method:
Over-head optical system:
Advantages
Exactitud muy buena
Facil de instalar
Durable
No mantenimiento
UNDER-CONVEYER OPTICAL YIELD MONITOR:
Toma hasta tres lecturas
opticas en cada pedazo de
cana.
Auto-limpieza
Fac il de instalar
Indicador de rendimiento ±10%
SENSORES OPTICO DENTRO DE PISO DE
COSECHADORA:
Optical Sensors
CLOSE UP DE SENSORS
LECTURAS CRUDAS DE SENSORES BAJO LA
BANDA CONTRA EL PESO DE LOS VAGONES
1.8
y = 0.00005x
Weigh Wagon Weight (metric tons)
1.6
R2 = 0.97306
1.4
1.2
1
0.8
0.6
0.4
0.2
0
0 5000 10000 15000 20000 25000 30000 35000 40000
Raw Sensor Value (Duty Cycle)
OPTICAL YIELD MONITOR
DESARROLLO DE SENSORES
Campo 1 Campo 2
PORQUE?
PORQUE?
El sector publico y privado que invierte en MIP
están motivados por su deseo de:
PORQUE?
Los programas de etiquetado ecológico continúan
expandiéndose en numero y alcance y demandan:
Temperature
Relative Humidity
Precipitation Decision-support algorithmic model for the IPM control of
Leaf Wetness sigatoka in bananas developed by Tela Railroad Co
(CHIQUITA) and the WWF’s Agricultural and the
Environment Program, Summit, and USAID/CCAW-FHIA
Confidentiality statement. This information is strictly confidential and by no means can be shown, delivered,
recorded or transferred by any mean to a third party for the purpose other than reporting as a deliverable to CCAW by FHIA
through the CONTRACT NO. EPP-I-04-03-00014-00
El Origen de PEAS
1,000 Nacional 6%
800
600
400 WWF-WPVGA
National
1995 - 1997
200 Wisconsin
0
1995 Toxicity 1997 Toxicity
Units per acre Units per acre
Wisconsin 62%
Evolución de los Modelos de Ranqueo del
Riesgo de Pesticidas.
• EIQ – Joe Kovach, Cornell University, circa 1991
• IPM System Ratio, Weed Management –
Benbrook, WWF 1994
• IPM Measurement System, PMAC,
Benbrook/CU, 1996
• Wisconsin potato collaboration, multiatribute
tox method, 1996-ONGOING
Evolución de los Modelos de Ranqueo del
Riesgo de Pesticidas.
(Basados en PEAS)
• Glades Crop Care applications, tomato and pepper
tox units, 1998-2001
• Wisconsin apples, 2002
• PEAS, Gerber Products Co., multiple crops, 2002-
2005
Evolucion de los Modelos de Ranqueo del Riesgo de
Pesticidas.
- ONGOING
• Lodi-Woodbridge, grapes, application of PEAS, 2003
Foliar Suelo
Liquido Polvo Liquido Granular
Aplicaciones antes del ciclo de cultivo, incluyendo dormancia, dormancia tardía pre-emergencia y y barbecho
Foliar Suelo
Fumigado – emplasticado
Liquido Polvo Liquido Granular
o injectado
Aéreo Terrestre Aéreo Terrestre Aéreo Terrestre Irrigación Aéreo Terrestre Liquido Gas Otros
1.3 1.0 1.3 1.3 0.25 0.2 0.15 0.1 0.2 0.0005 0.0001 0.0005
Communications
•Diagnóstico de Practicas para Melón y Okra (DPs). Los DPs se desarrollarán
utilizando una forma especial basado en el siguiente outline y de acuerdo a la
experticia y base de conocimientos del Consultor
1. Características de las zonas y ciclos de producción de melón y okra en
cada una de las zonas donde estén localizadas las operaciones
seleccionadas.
2. Áreas de producción y valor de la producción
3. Requerimientos agroclimáticos
4. Suelos y su manejo
5. Irrigación
6. Fertilización
7. Cultivares y prácticas de siembra
8. Polinización
9. Manejo integrado de plagas
a. Manejo de malezas
b. Identificación y manejo de insectos plaga
c. Identificación y manejo de nematodos y enfermedades
10. Manejo poscosecha
11. Mercadeo
12. Servicios de investigación, extensión disponibles
13. Impacto ambiental enmarcados en las metas del WWF
Basic Instructions for the Collection of Pesticide
Application Data for Use in the WWF Projects
PURPOSE
• Accurate pesticide use data is needed in order to:
• project the relative levels of risk associated with pesticide
applications,
• to establish pesticide use and risk baselines,
• to set goals for reduction in use of high-risk use patterns, and
• for monitoring progress toward risk reduction and safety
goals.
• Pesticide use and risk levels will be estimated and tracked over
time in WWFs projects using the “Pesticide Environmental
Assessment System” (PEAS).
Basic Instructions for the Collection of Pesticide
Application Data for Use in the WWF Projects
PURPOSE
• Benbrook Consulting Services developed PEAS in
cooperation with Curtis Consulting and with financial
support from the Gerber Products Company.
• This system has its roots in the pesticide risk ranking
system developed as part of the potato Integrated Pest
Management (IPM) collaboration involving the
• World Wildlife Fund (WWF),
• Wisconsin Potato and Vegetable Growers Association
(WPVGA), and the
• University of Wisconsin (UW).
Basic Instructions for the Collection of Pesticide
Application Data for Use in the WWF Projects
BASIC APPROACH
Companies and grower groups working with WWF
projects are asked to provide data on each unique
pesticide “use pattern.” A “use pattern” is defined by
and encompasses the following information:
• Time of Application;
• Where the Application is Targeted;
• Formulation Type;
• Formulation Detail;
• Application Method; and
• Rate of Application.
Basic Instructions for the Collection of Pesticide
Application Data for Use in the WWF Projects
LEVEL of AGGREGATION
• In such a situation, pesticide risk reduction measures
may be warranted only in the rainy season. Collecting
and analyzing pesticide use data by season will allow for
different strategies for risk reduction in the dry and rainy
seasons.
• Columns four and five in the “Areas of Operation”
worksheet seek information on the location of the
production area relative to the coast and the nearest river
flowing to the coast.
• These distances should be reported in kilometers from
the approximate center of the production region.
Basic Instructions for the Collection of Pesticide
Application Data for Use in the WWF Projects
PESTICIDE USE DATA
The second worksheet provides a template for reporting data on pesticide use, as
well as details on each pesticide use pattern. The information sought in each
column is explained below:
Active Ingredient – name of the pesticide’s active ingredient. In the case of a pre-
mixed product containing two or more active ingredients, break out each active
ingredient into a separate line, reporting its rate of application based on the rate of
the pre-mixed product and the percent of the active ingredient in the pre-mix.
Trade Name – the common name of the product used for marketing purposes, or
the name on the label.
AI Type – type of active ingredient, defined by the class of organisms it is intended
to control. Choices are insecticide (including miticides, acaracides, and
nematicides); fungicide; herbicide; fumigant; and “other.”
Target Pest – the major pest organism that the application targets.
Use Pattern ID Code – unique identifier of the use pattern. Typically, just the
company name, but in some cases, there will also be a “restricted” use pattern
option.
Time of Application – crop stage and time that the application is made. Options
include “Year round,” “Dry season,” “Wet season,” “Dormant/Preplant,” and “Post-
Harvest.”
Basic Instructions for the Collection of Pesticide
Application Data for Use in the WWF Projects
..\..\..\..\..\PEAS\EIQ_values.xls