La Gestión de Conocimiento en la Agricultura por Ambientes
“De la Precisión a la Decisión”
Grupo “La Reja”
Santiago Gonzalez Venzano
Esquema de la presentación
2 metáforas (ruptura de paradigmas)• La Tierra se “impregna” de Conocimiento. • Gestión de información. Del “stock” a los “flujos”.
Marco Conceptual• Procesos.• Organización.• Tecnología.
Ejemplos que ilustren el
planteo
Síntesis Final
11
2233
44
La Gestión de Conocimiento en
la Agricultura por Ambientes
“de la Precisión a la Decisión”
1° Metáfora: La Tierra
se “impregna” de Conocimiento
dede
““La tierra + Mejoras”La tierra + Mejoras”
aa
““La tierra + Conocimiento”La tierra + Conocimiento”
Análisis de campaña ex-post Autopsia
Reportes on-line La gestión de la información es funcional a la gestión operativa en tiempo real. Cibercultura
La Lógica del StockPrimero acumulo, después trabajo analizando datos
La Lógica del Flujo Primero trabajo construyendo procesos.
INFORMACIÓNDATOS CONOCIMIENTO
Esquema de la presentación
2 metáforas (ruptura de paradigmas)• La Tierra se “impregna” de Conocimiento. • Gestión de información. Del “stock” a los “flujos”.
Marco Conceptual• Procesos.• Organización.• Tecnología.
Ejemplos que ilustren el
planteo
Síntesis Final
11
2233
44
La Gestión de Conocimiento en
la Agricultura por Ambientes
“de la Precisión a la Decisión”
•Cultivo•Genotipo•Fecha de Siembra
VRT •Dosis de Fertilizante•Densidad de siembra
Manchoneo Georef•Insecticidas•Herbicidas
1° Etapa 2° Etapa
Un marco Conceptual
Qué está pasando con las organizaciones?
Los Paradigmas Organizacionales de Peter Senge (La Quinta disciplina)
1. Dios quiera que…
2. Planificación Presupuestaria.
3. Planificación Estratégica
4. Gestión Estratégica
5. La inteligencia Colectiva
El fatalismo
El poder del dinero en el Corto Plazo
El poder central
El poder de las personas
Las Organizaciones que aprenden
La oportunidad: combinar•Las Redes•Los Procesos•La Web 2.0
Gestión Colaborativa del Conocimiento
La organización Inteligente, que aprende
de su experiencia
• Contribución de usuarios• Texto, imágenes, audio, video,
noticias, etc.• Base de datos de intenciones
• Búsquedas, clicks, etiquetas, recomendaciones, etc.
• Información compartida• Priorización de usos similares,
experiencia acumulativa
“Inteligencia colectiva”
ViralFeedback
Loops
e-mails
invitaciones
audiencia
compartir
consumir
crecimiento
efecto exponencial
de redes
contenido
Arquitectura de participación:Movimiento del centro de diseño de software
Fuente: http://web2.wsj2.com
CLAVE DEL MODELO“Innovación en la Frontera de la Red” è Se refiere a la capacidad de que la arquitectura del sitio favorezca la creatividad y la participación de sus
usuarios al crear el contenido
INTELIGENCIA COLECTIVATécnicas de aprovechamiento
explícito de REDESCircuitos de
retroalimentación en serieCambios en la forma de uso
de la Web: perspectivas y usos
Un marco Conceptual
La integración de conceptos : innovación
Las Reglas de Decisión por Ambiente
Protocolo
Que no es… Que si es… Verdades definitivas…una “biblia”. Hipótesis sujetas a una mejora continua
La expresión de “un experto” La expresión de la “inteligencia colectiva”
Instrumento de “obediencia de las personas” Instrumento de “autonomía de las personas”
Conocimiento “teórico” Manual de “Buenas Prácticas”
Instrumento para el “control de las personas” Instrumento para el “control de los procesos”
Comunicación “unidireccional” Comunicación “bidireccional”
Hay “consumidores” de conocimiento Hay “prosumidores” de conocimiento
Estancamiento en el desarrollo de las personas Expansión del desarrollo de las personas
Rigidez en la toma de decisiones Agilidad y Flexibilidad
La Gestión de Conocimiento es una
construcción que nunca termina:
2.Convivimos con hipótesis y no con
verdades definitivas
3.Hay que institucionalizar un proceso de
mejora continua de las hipótesis.
4.La Inteligencia Colectiva es la mejor
garantía de este proceso.
La Definición de Ambientes es el cimiento del edificio:
Hace falta crear lenguaje = estándares:
3.Proceso colaborativo de crear intersubjetividad. Web 2.0
4.Permite gestionar bases de datos de manera univoca.
1. Automatizar procesos de gestión de conocimiento.
2. Benchmarking.
Macroambientes:• Rotación• Genotipo• Fecha de Siembra
Microambientes:• VRT Densidad• VRT Fertilización
Fuente – RiDZO AACREA ZO
¿Cómo validar esta hipótesis de rendimiento por ambiente?:
La gestión de los Mapas de Rendimiento
Definición por ambientes
Condición para Protocolizar
•Definición de procesos.
¿Como realizar el
muestreo de suelos?:
Muestreos dirigidos por
ambiente.
Puntos “difusos”
georeferenciados
Protocolos de Cultivo
Esquema de la presentación
2 metáforas (ruptura de paradigmas)• La Tierra se “impregna” de Conocimiento. • Gestión de información. Del “stock” a los “flujos”.
Marco Conceptual• Procesos.• Organización.• Tecnología.
Ejemplos que ilustren el
planteo
Síntesis Final
11
2233
44
La Gestión de Conocimiento en
la Agricultura por Ambientes
“de la Precisión a la Decisión”
1 Hagenera 5.000 datos por año
(VRT y Mapas de rendimiento)
DATOS
Capas de Información
INFORMACIÓN
Protocolos Productivos
CONOCIMIENTO
Del DATO Del DATO a la generación de valor económicoa la generación de valor económico
Mapa de Rendimiento
Mapa de Micro AmbientesMapa de Macro Ambientes
Mapa de Puntos de muestreo de suelo
Mapa de Prescripción
Mapa de Aplicación
Grilla de Puntos de Monitoreo de Insectos
DATOS
Mapa de Rendimiento
Mapa de Macro Ambientes
Mapa de Prescripción
Mapa de Aplicación
Mapa de Genotipo
Mapa de Costo Directo
Mapa de Margen Bruto
Mapa de Grilla de Puntos
Mapa de Aplicación Manchoneo Insecticidas
Mapa de Micro Ambientes
Mapa de Puntos de Muestreo de Suelos
INFORMACIÓNDATOS
Reporte•Parametros de suelo x Amb
Reporte•Aplic vs Prescr•Veloc.de Aplic•Altimetria
Reporte•Rend x Amb•Rend x Altura•Veloc de Cosecha•Costo x Amb•Rend x Genot x Amb•Rend x Dosis x Amb
CONOCIMIENTO
ProtocoloReglas de decisión
Operación
La Base de Datos de Puntos de La PazTotal son 105 puntos. Esto es una muestra:
FEC_CREA LATITUD LONGITUD CAMPANIAMUESTRA LOTE AMBIENTECULTIVO ARENA MO PH P11/04/2008 -36,41757 -61,93361 2007-08 LRA-5a2-lo-01 5a2 alto TRIGO 63 1,72 6,20 11,2011/04/2008 -36,49162 -61,86767 2007-08 LRA-1b1-me-01 1b1 bajo TRIGO 57 1,78 7,90 13,3011/04/2008 -36,50015 -61,87233 2007-08 LRA-1m1-me-01 1m1 medio TRIGO 61 1,54 8,00 3,6011/04/2008 -36,49937 -61,87915 2007-08 LRA-1m1-bh-01 1m1 medio TRIGO 36 1,42 9,70 11,6011/04/2008 -36,49937 -61,87915 2008-09 LRA-1m1-bh-01 1m1 medio SOJA 36 1,42 9,70 11,6011/04/2008 -36,50416 -61,86758 2007-08 LRA-1m1-me-02 1m1 medio TRIGO 63 1,48 6,30 5,7011/04/2008 -36,50416 -61,86758 2008-09 LRA-1m1-me-02 1m1 medio SOJA 63 1,48 6,30 5,7011/04/2008 -36,48627 -61,86859 2007-08 LRA-1m1-me-03 1m1 medio TRIGO 62 1,60 6,8011/04/2008 -36,48627 -61,86859 2008-09 LRA-1m1-me-03 1m1 medio SOJA 62 1,60 6,8011/04/2008 -36,49499 -61,87768 2007-08 LRA-1m1-me-04 1m1 medio TRIGO 55 1,80 8,70 3,1011/04/2008 -36,48982 -61,85725 2007-08 LRA-1m1-me-05 1m1 medio TRIGO 54 1,84 7,50 3,4011/04/2008 -36,48982 -61,85725 2008-09 LRA-1m1-me-05 1m1 medio SOJA 54 1,84 7,50 3,4011/04/2008 -36,49360 -61,87929 2007-08 LRA-1m1-ba-01 1m1 medio TRIGO 46 1,90 7,50 14,2011/04/2008 -36,49360 -61,87929 2008-09 LRA-1m1-ba-01 1m1 medio SOJA 46 1,90 7,50 14,2011/04/2008 -36,51153 -61,85782 2007-08 LRA-2a1-la-01 2a1 alto TRIGO 79 1,10 5,90 17,4011/04/2008 -36,51153 -61,85782 2008-09 LRA-2a1-la-01 2a1 alto SOJA 79 1,10 5,90 17,4011/04/2008 -36,49822 -61,85420 2007-08 LRA-2a1-me-01 2a1 alto TRIGO 68 1,84 6,20 14,3011/04/2008 -36,42130 -61,92600 2007-08 LRA-5a2-me-01 5a2 alto TRIGO 62 1,50 6,60 3,6011/04/2008 -36,50115 -61,85130 2007-08 LRA-2a1-me-02 2a1 alto TRIGO 52 2,00 6,90 3,60
DATOS
Parámetros de suelo x Amb
Loma Arenosa
Loma Medio Bajo Bajo Hidrico
%ARENA 81 73 65 56 50
%MO 1,0 1,7 1,8 2,0 1,5
ph 6,1 4,7 6,4 6,5 8,1
P 15 10 6 10 12
0,0
2,0
4,0
6,0
8,0
10,0
12,0
14,0
16,0
0
10
20
30
40
50
60
70
80
90
%MO-Ph
-Pasim
% de Arena
6,4
INFORMACIÓNDATOS
Promedio de REND_SECO Micro ambiente
VariedadLoma
Arenosa Loma Medio BajoBajo
HidricoBajo
Salino Mediadm3700 2,513 3,321 3,217 1,876 1,069 3,207dm4670 2,143 2,608 3,975 4,134 2,686 3,922dm4970 1,212 1,408 2,920 3,055 2,511 2,706dm4970-dm5.1i 1,433 1,652 3,065 3,010 1,500 2,808dm5.1i 1,305 1,864 2,803 2,638 2,714Media 1,316 2,290 3,484 3,566 2,028 1,069 3,366
1,000
1,500
2,000
2,500
3,000
3,500
4,000
4,500
Loma Arenosa
Loma Medio Bajo Bajo Hidrico
Bajo Salino
dm3700
dm4670
dm4970
dm4970-dm5.1i
dm5.1i
Media
Rendimiento X Genotipo XMicroambiente
INFORMACIÓNDATOS CONOCIMIENTO
Análisis de CampañaCual es la variedad mas apropiada para cada ambiente?
Los puntos de muestreo (1ha) y Mapas de RendimientoSe correlacionan el rendimiento con los parámetros edáficos
R² = 0,6378 y = -0,1349x + 12,179R² = 0,4291
y = -0,0402x + 5,1361R² = 0,412
1
2
3
4
40 50 60 70 80
Tn -
Ha
% de Arena
Soja 08-09
Media
dm 3700
dm4670
dm5.1i
Rendimiento X GenotipoParámetros edáficos
INFORMACIÓNDATOS CONOCIMIENTO
Análisis de CampañaCual es la variedad mas apropiada para cada ambiente?
+ de 78% de Arena
si
no
Dm5.1i
Dm4670
al Protocolo!!!
8,524
5,484
3,280
1,900
0,000
1,000
2,000
3,000
4,000
5,000
6,000
7,000
8,000
9,000
10,000
Loma Arenosa
Loma Medio Bajo Bajo Hidrico
Bajo Salino
Media
Rendimiento Tn/ha
Maíz
Trigo
Soja
Soja 2º
Rendimiento X CultivoMicroambiente
INFORMACIÓNDATOS
4 años de monitores de rinde cruzado con el último mapa de microambientes!
y = -0,0099x2 + 1,193x - 25,653
y = -0,0062x2 + 0,9457x - 29,592
y = -0,0015x2 + 0,1684x - 1,5467
1,000
1,500
2,000
2,500
3,000
3,500
4,000
5,000
6,000
7,000
8,000
9,000
10,000
11,000
40 50 60 70 80 90Tn
-Ha Soja
Tn-Ha Maiz y Trigo
% de Arena
Maiz
Trigo
Soja
Soja 2da
Rendimiento X CultivoParámetros edáficos
INFORMACIÓNDATOS
4 años de monitores de rinde cruzado con análisis de sueloCuál es la rotación apropiada para cada ambiente?
CONOCIMIENTO
Dosis Prescripta vs Dosis Aplicada
INFORMACIÓNDATOS
Como controlarla la calidad de una aplicación?Aplicación de Urea al voleo
CONOCIMIENTO
Prescripta Realizado AnchoLabor Velocidad Hora240,000 146,000 24,000 10,000 17:30:11240,000 175,000 24,000 12,000 17:30:14240,000 235,000 24,000 12,000 17:30:17240,000 237,000 24,000 12,000 17:30:20240,000 237,000 24,000 12,000 17:30:23240,000 236,000 24,000 12,000 17:30:26240,000 265,000 24,000 10,000 17:30:29240,000 165,000 24,000 17,000 17:30:32240,000 172,000 24,000 21,000 17:30:34240,000 179,000 24,000 22,000 17:30:35240,000 194,000 24,000 23,000 17:30:37240,000 210,000 24,000 23,000 17:30:38240,000 227,000 24,000 23,000 17:30:40240,000 227,000 24,000 23,000 17:30:41240,000 235,000 24,000 23,000 17:30:43240,000 236,000 24,000 23,000 17:30:44240,000 239,000 24,000 23,000 17:30:46240,000 239,000 24,000 23,000 17:30:48240,000 238,000 24,000 23,000 17:30:49240,000 237,000 24,000 23,000 17:30:51240,000 238,000 24,000 23,000 17:30:52240,000 239,000 24,000 23,000 17:30:54240,000 239,000 24,000 23,000 17:30:55
INFORMACIÓNDATOS
Como controlarla la calidad de una aplicación?Aplicación de Urea al voleo
CONOCIMIENTO
ValoresRótulos de fila Promedio de RealizadoDesvest de Realizado
40 55 43120 121 33140 160 32160 173 22220 215 20240 226 33260 248 23
Total general 189 64
100
150
200
250
300
350
400
450
500
la lo me ba bh bs media
u$s/ha
Maiz
Trigo
Soja
DensidadPN
PN
PN
PN
P P
2% 16% 61% 13% 6% 2%
Costo DirectoX Cultivo XMicroambiente
INFORMACIÓNDATOS
Cada ambiente tiene una tecnología apropiada que genera un CD por ambiente.
380343
217
0
100
200
300
400
500
600
Loma Arenosa
Loma Medio Bajo Bajo Hidrico
Bajo Salino
Media
MB u$s/ha
Soja
T/S2
Maiz
2% 16% 61% 13% 6% 2%
Ambientes donde el Trigo-Soja es competitivo!!!
Margen BrutoX Cultivo XMicroambiente
INFORMACIÓNDATOS CONOCIMIENTO
Finalmente, calculamos con el CD y el Rendimiento x Ambiente, calculamos el MB por ambiente.
Ejemplo: Ataque de arañuela en “ambientes de loma”
Monitoreo de Plagas.Como buscar eficiencia con escala?
Esquema de la presentación
2 metáforas (ruptura de paradigmas)• La Tierra se “impregna” de Conocimiento. • Gestión de información. Del “stock” a los “flujos”.
Marco Conceptual• Procesos.• Organización.• Tecnología.
Ejemplos que ilustren el
planteo
Síntesis Final
11
2233
44
La Gestión de Conocimiento en
la Agricultura por Ambientes
“de la Precisión a la Decisión”
Mapa de Aplicación Manchoneo Insecticidas
Mapa de Rendimiento
Mapa de Macro Ambientes
Mapa de Micro Ambientes
Mapa de Puntos de Muestreo de Suelos
Mapa de Prescripción
Mapa de Aplicación
Mapa de Grilla de Puntos
Mapa de Genotipo
Mapa de Costo Directo
Mapa de Margen Bruto
Mapa de Rendimiento
Mapa de Micro AmbientesMapa de Macro AmbientesMapa de Puntos de muestreo de
suelo
Mapa de PrescripciónMapa de Aplicación
Grilla de Puntos de Monitoreo de Insectos
INFORMACIÓNDATOS CONOCIMIENTO