Profit maps for precision agriculture
Abstract
During the last few years, yield maps have become economically feasible for farmers due to technological advances in precision agriculture. However, evidence of yield profitability is still uncertain, and variability in yield has seldom been correlated to variability in profits. Differently from yield maps, profit maps can supply additional information about the economic return for each particular area of a field. The objective of the present work was to study how management decisions can be facilitated by transforming yield-map datasets into profit maps and the importance of the selection of interpolator type. Yield and profit maps were generated for each data set (three soybean fields and one corn field) using the inverse of the distance (ID), the inverse of the square of the distance (IDS) and kriging (KRG) as interpolation methods. It can be concluded that profit maps are an important tool for the diagnosis of the spatial variability of economic return because they can assist farmers with management decision-making. The impact of the interpolator type was less than 200 kg ha-1 for the yield and US$ 30 ha-1 for the profit, indicating that the choice of interpolator type is of secondary importance. In addition, the profit maps showed large variability that would not be easily found if only yield maps were analyzed.
Durante los últimos años, los mapas de rendimiento se han convertido económicamente viables para los agricultores, debido a los avances tecnológicos en la agricultura de precisión. Sin embargo, la evidencia de la rentabilidad del rendimiento, aún es desconocida, y la variabilidad del rendimiento rara vez ha sido correlacionada con la variabilidad de la rentabilidad. A diferencia de los mapas de rendimiento, los mapas de rentabilidad pueden suministrar información adicional relacionada con el retorno económico para cada área particular del campo. El objetivo del presente trabajo ha sido estudiar como las decisiones de gestión pueden ser facilitadas por la transformación de los conjuntos de datos de los mapas del rendimiento en mapas de beneficio, bien como la importancia de la selección de los mapas de interpolación. Para cada conjunto de datos (tres zonas de soya e un de maíz), mapas de rendimiento e de beneficio, fueron generados utilizando los métodos de interpolación de distancia inversa (DI), de distancia cuadrada inversa (DCI) y de Krigagem (KRG). Se puede concluir que los mapas de beneficio y rentabilidad son herramientas importantes para el diagnóstico de la variabilidad espacial del rendimiento económico, ya que ayudan a los agricultores en la gestión de la toma de decisiones. El impacto del tipo de interpolación fue de menos de 200 kg por hectárea en el rendimiento, US$ 30 en el beneficio, significando que la elección puede ser colocada en el segundo plano. En adicción, los mapas de beneficio mostraron una gran variabilidad que no haría fácil encontrar, solamente por el análisis de los mapas de productividad.