USO DE HERRAMIENTAS DE VITICULTURA DE PRECISIÓN PARA OPTIMIZAR LA COSECHA DE UVAS DE MEJOR CALIDAD.

12  Descargar (0)

Texto completo

(1)

USO DE HERRAMIENTAS DE VITICULTURA DE PRECISIÓN PARA OPTIMIZAR LA COSECHA DE UVAS DE MEJOR CALIDAD.

Stanley Best Lorenzo León G.

INIA-Centro Regional de Investigación, Quilamapu, Casilla 426, Chillán, Chile.

RESUMEN

Bajo las condiciones de competencia internacional en la industria vitivinícola, se a hecho necesario el abordar diversas metodologías en orden a aumentar la calidad de las uvas. Uno de los procedimientos implementados corresponde a la Viticultura de precisión (VP), la cual emplea tanto (1) variables determinadas in situ en terreno como también (2) herramientas de teledetección. Bajo las condiciones de Chile no se han realizado estudios tendientes a la incorporación de la tecnología de VP. Por esto, el objetivo de la presente investigación fue el evaluar y comparar distintas las herramientas de VP para la visualización de zonas asociadas tanto a rendimiento como a calidad Para ello, se evaluaron los efectos sobre el rendimiento y calidad de uva vinífera de las propiedades físico-químicas del suelo, análisis de tejido, sistema de riego usando una grilla de muestreo de 10 puntos/ha (asociado a 1) y del Índice de Vigor Diferencial Normalizado o NDVI, obtenido por teledetección multiespectral (asociado a 2). Se observó una baja correlación entre las variables medidas en terreno (1) con el rendimiento-calidad de las uvas a vinificar (r2<0.35). De esta manera, Se postula como variable integradora al NDVI, el cual produjo un ajuste de la representación del rendimiento (r2=0,7) y calidad (r2>0,76) de las uvas a vinificar. Dicha variable permitirá direccional en mejor forma los monitoreos de terreno, reduciendo costos y a la vez, generando una representación más clara de la variabilidad existente de los viñedos. Bajo las condiciones de estudio, una relación de equilibrio de 1.0 m2hojas/Kg-fruta mostró los mejores resultados en cuanto a la calidad de las uvas cosechadas.

Palabras clave: Viticultura de Precisión, teledetección, NDVI, IAF, calidad frutal, rendimiento, relaciones de equilibrio.

(2)

INTRODUCCIÓN

Uno de los principales errores en que ha incurrido esta industria vitivinícola Chilena, fue el atraso en comenzar la producción de vino de calidad, por lo que, existe un alto interés en asegurar la calidad de la uva a vinificar, especialmente considerando la competitividad en el mercado del vino.

Es bien conocido el hecho que para manejar los viñedos productores de uva de calidad, se ha de manejar el vigor de las plantas y relaciones de equilibrio, RE, entre la cantidad de hojas por kg de fruta. Estas relaciones de equilibrio se ven afectadas por diversos factores (clima, fertilidad y humedad del suelo, etc).

Si observamos el caso de la Industria vitivinícola francesa, en ella los viñedos se segmentan según su vigor, con lo cual se puede optimizar las RE, factor alcanzado tras decenios de experiencia en la producción vitivinícola. Lo anterior demuestra la complejidad de la delimitación del área a la cual se puede asociar a un determinado vigor o RE óptimas. Esto ha representa una desventaja para países, tales como Chile, en donde la importancia de este tipo de información se ha manifestado solo durante los últimos años.

Dentro de estas soluciones, se ha llegado al estudio de la fertilidad de plantas y suelo, riego, etc, siguiendo los patrones de variabilidad espacial y temporal, metodología propuesta en el contexto de la en Vitivinicultura de Precisión (VP). Todas estas determinaciones se deben realizar a nivel de terreno (in situ), mediante técnicas de muestreo dirigidos a puntos específicos según una grilla muestreal o más bien en función de patrones de variabilidad intrínsicos del terreno, en virtud de la cual se realizan mapas mediante técnicas de interpolación. Por otra parte, también en el ámbito de VP, se han incorporado elementos de Teledetección (Lillesand and Kiefer, 1997) aérea mediante el uso de imágenes multiespectrales para la definición de áreas asociadas a un determinado vigor. De esta forma, se llegado a la utilización de Índices Vegetacionales (IV), tales como el índice de vegetación diferencial normalizado, NDVI, (Gitelson and Merzliak, 1997; Lamb et al., 2001) que permite mapear diferencias relativas del viñedo (Johnson, et al., 1996; 2001; Hall et al., 2002). Por otra parte, en diferentes investigaciones se ha determinado una estrecha relación entre el NDVI y el IAF (Johnson et al., 2001; 2003a,b; Lamb et al., 2001; Dobrowski et al., 2002). Además, el uso de planos de NDVI, han servido para el desarrollo de determinaciones espaciales de productividad, y también mapas de balances de viñedos (razón hoja/fruta) en diferentes estudios, que han sido utilizados la cosecha diferencial de uvas en la producción de vinos premium (Johnson et al., 2001; 2003a; Hall, et al., 2002, Best et al., 2005). Otros métodos aplicados es la determinación de las propiedades del suelo mediante el uso de sensores de conductividad eléctrica (CE), los cuales dan información de variabilidad de condiciones que alteran su lectura tales como textura, compactación, etc., que permiten sectorizar zonas de diferente condición de suelo. Sin embargo, los óptimos

(3)

de equilibrio, los estándares nutricionales, estándares de CE y las relaciones NDVI & IAF no son extrapolables entre zonas con distinto manejo y condición agro climática, dado que la interacción entre la radiación electromagnética y la vegetación terrestre es compleja, con numerosas variables que afectan la forma e intensidad de la reflectividad y/o absorción (Tucker et al., 1981; Gitelson and Merzliak, 1997), los cuales dependen de diversos factores (Huete and Jackson, 1988; Yoder and Pettigrew-Crosby, 1995; Gitelson and Merzliak, 1997).

En Chile no existen precedentes en el uso de tecnologías asociadas a VP en viñedos. Esto significa que para las condiciones chilenas, no se han hecho comparaciones sobre cual es la metodología específica a usar dentro del esquema de VP, es decir, al comparar el uso de teledetección o de información derivada de un esquema de grilla regular. Por otra parte, una de las mayores necesidades de la industria es conectar las tendencias de rendimiento en relación a estándares que permitan obtener un rango óptimo de la razón hoja/fruta en vías de mejorar la calidad de fruta producida. Dados estos antecedentes, la presente investigación tiene como objetivo el evaluar distintas metodologías vinculadas al área de la VP, para la definición del rango óptimo de la razón hoja/fruta que permitan zonificar la producción de uvas para vinos de alta calidad y determinar su aplicabilidad bajo las condiciones productivas de Chile

MATERIALES Y MÉTODOS

Para este estudio, realizado durante la temporada 2002/03, se utilizó un área de 2,2 ha. en un viñedo del la variedad Cabernet Sauvignon, de 9 años de edad, establecido en espaldera simple, plantado en un marco de 0,5m x 2,8 m. El viñedo se ubica en la propiedad de la Viña Martínez de Salinas (735.401 E; 6.013.154 N, H18 WGS84), Cauquenes, Chile. El clima corresponde al tipo Mediterráneo Calido. El sistema de riego correspondió a goteo. El manejo de poda consideró una densidad de 20 yemas/m lineal. Las plantas se encontraban en óptimas condiciones de manejo sanitario, mientras que el manejo agronómico (fertilización, poda, manejo fitosaniatario, riego, etc.) correspondió al estándar del resto de la plantación.

Para la determinación espacial de las propiedades de suelo y cultivo, medidas en terreno, se diseñó una grilla dentro del área de trabajo, con una densidad de 10 muestras por hectárea, distribuidas en forma sistemática no alineada, con lo cual se consideró un total de 22 puntos de muestreo (PM) (Fig.1). Cada PM de la grilla fue georeferenciado mediante el uso de un sistema de posicionamiento global con corrección diferencial (DGPS) obteniéndose las coordenadas en unidades UTM (Norte y Este) con una precisión de 0,3 m. En los PM, se recopilaron muestras de suelo a 3 profundidades (0-30, 30-60 y 60-90 cm) sobre la línea de plantación, determinándose sus propiedades físico hídricas (porcentaje de arena, limo y arcilla, capacidad de campo (CC) y en el punto de marchites permanente (PMP) y profundidad de suelo), y químicas (pH, % Materia Orgánica, N, P, K, Ca, Mg, Na, Al,

(4)

Zn, Fe, Cu, Mn, B y S). Por otra parte, en los 22 PM, se eligieron 5 plantas, de las cuales se extrajo una muestra representativa de las mismas plantas seleccionadas en el punto anterior, fueron utilizadas para determinar el estado nutricional de las plantas en cada sector (N, P, K, Ca, Mg, Na, Zn, Fe, Cu, Mn y B). El muestreo consistió en extraer hojas opuestas a los racimos al inicio de la formación de granos. En las mismas plantas fue evaluada la producción del viñedo, para lo cual se extrajo la totalidad de los racimos por planta para la evaluación durante la cosecha comercial, determinándose el peso total de fruta por planta (gr/planta). Además, a partir de distintas sub muestras, para cada PM, se determinó los sólidos solubles (° Brix), la acidez total (g H2SO4 l-1), pH, y el contenido de Antocianinas y fenoles para caracterizar la calidad química de las uvas producidas bajo las diferentes condiciones del viñedo. Por último, se determinó la uniformidad de riego mediante la obtención del coeficiente de variabilidad y los valores de cota del terreno en cada PM.

Para identificar posibles outlayers en la información mencionada anteriormente, se realizó una prueba estadística espacial o cartogramas espaciales sobre la base de algoritmos no lineales de celulares autómatas implementados en el software Beoda ver 0.9.5i5 (Anselin, 2005), reduciendo tan sólo 3 PM de la información total obtenida.

Para la obtención de las imágenes multiespectrales, se utilizó una cámara multiespectral de tres bandas, (DucanTech, MS3100), la cual fue montada en un avión. Se capturó dichas imágenes en formato digital, correspondiendo la banda nº 1 de la imagen al color verde, (540 nm en el centro de la banda, con un ancho de banda (AB) de 40 nm), la nº 2 al rojo (660 nm, 40 nm AB) y la nº 3 al Infrarrojo Cercano (800 nm, 65 nm AB). La altitud de vuelo fue de 2850 m, con lo cual, se obtuvieron imágenes con una cobertura horizontal de 1000 m y una resolución de imagen de 2 m/píxel. A partir de las imágenes capturadas, se determinó el NDVI del viñedo, para lo que se utilizó utiliza la ecuación (1) para el cálculo del índice por píxel de la imagen.

NDVI = (banda 3 - banda 2) / (banda 3 + banda 2) (1) Donde, las bandas 3, 2 y 1, corresponden a los valores radiométricos del verde, rojo e infrarrojo de cada píxel de la imagen, con lo cual se determinó una imagen de este parámetro, para lo cual se utilizó El software ERDAS® v.8.5. El NDVI fue subdividido en 3 clases de vigor, (Fig. 1), usando Cluster análisis para una correcta representación gráfica de las zonas. Estos planos de NDVI fueron usados para definir puntos de muestreo de área foliar por planta e índices de áreas foliares (IAF), eligiéndose 3 puntos representativos de clase de vigor, en los cuales se recogieron todas las hojas de las plantas en un metro de hilera para medir su área total mediante un instrumento de medición de área foliar portátil (AM200 Portable Area Meter). La determinación de planos de CE fue desarrollada mediante el uso del Veris 3100 Soil EC Mapping system, con una distribución de muestreo de 6 x 5 m y lecturas de 0-30 y 0-90 cm. De profundidad.

(5)

Para obtener los mapas de rendimiento y las ecuaciones de rendimiento, una estimación se realizó utilizando un modelo de regresión espacial (spatial lag model), soportado por el método de máximo likelihood (anselin y Bera, 1998), el cual se baso en el conteo y peso de racimos obtenidos de la información de los PM, asociado con las vecindades espaciales obtenidas de los planos de NDVI. Además, se determinó los equilibrios de área foliar con respecto a los rendimientos por planta, para lo cual se desarrollaron los planos de interpolación de la información de rendimiento, utilizando el procedimiento antes mencionado. Por otra parte, mediante el uso de regresiones espaciales fueron asociados los valores de NDVI a los rendimientos y calidades de las uvas, considerando la vecindad y especialidad de las variables basadas en los planos de NDVI. Un análisis de factores fue conducido para determinar la variable o grupo de variables que mejor explicaran la variabilidad del rendimiento y calidad química del as uvas. Se utilizó el índice geoestadístico de Moran’s i (Moran, 1950) para determinar el grado de correlación espacial que presentan en el sitio de estudio los valores de cada variable medidas que permita un correcto modelaje de la dependencia espacial. Para el análisis espacial antes mencionado, el software Beoda ver 0.9.5i5 fue utilizado (Anselin, 2005).

RESULTADOS Y DISCUSIÓN

Como resultado del test de uniformidad de riego, un buen performance fue encontrado, con un 85% de coeficiente de uniformidad, considerando así, que el sistema de riego no aportaba ruido al análisis de variabilidad espacial de viñedo. Las variables medidas en terreno, basado en la grilla muestreal, no mostraron una alta correlación (r2<0.4) con respecto a el rendimiento y calidad de las uvas. Lo antes expuesto puede deberse a que la densidad de muestreo definida no fue suficiente para caracterizar el viñedo aún cuando se tomaron 10 PM/ha, entonces, el uso de este tipo de sistemas no es muy práctico para definir un sistema de monitoreo debido a la dificultad de definir la cantidad real necesaria de puntos de monitoreo que permitan obtener la variabilidad espacial de un viñedo. Así, es necesario tener alguna otra herramienta que permita definirla variabilidad y continuidad espacial de los viñedos. Información tal como los planos de NDVI o de CE tal como fueron utilizados en esta investigación prometen ser herramientas altamente útiles para definir la variabilidad antes mencionada.

Los valores de NDVI (Fig. 1) asociados a la información monitoreada de rendimiento y calidad de uvas, presentaron altos niveles de correlación (°Brix , (r2=0,76) y Acidez Total (r2=0,6)). Estas correlaciones se incrementan al incluir la información de CE en los modelos de regresión espacial multifactoriales generados. Con esta información, los mapas de rendimiento del viñedo fueron generados (Fig. 2). Por otra parte, una alta correlación fue encontrada entre el área foliar m2 hojas/m hilera) y valores de NDVI, (r2de 0.75). Estos altos niveles de correlación, permitieron el modelamiento

(6)

del área foliar para toda el área de estudio. La figura 3 muestra el mapa de balance entre el área foliar y el rendimiento derivado de los mapas antes descritos.

De la Fig. 3, se puede deducir que en el área de estudio en las zonas con alta relación m2hojas/Kg-fruta. (> 1,3) las plantas poseen bajos valores de grados Brix (< 24º Brix), por otra parte, las zonas con baja relación m2hojas/Kg-fruta (< 0,7), poseen altos valores de grados Brix (>25º Brix). Finalmente, se puede encontrar zonas con equilibrios intermedios, en donde se alcanza un óptimo en la concentración de SS (24-25º Brix), asociados a un rango de esta razón (0,7-1,3 m2hojas/Kg-fruta). Por otra parte, se observó una estrecha correlación entre variables de calidad de la uva, nivel de vigor, y la RE (razón hoja/fruta), en donde factores de color (antocianinas) y los factores aromáticos (fenoles) son inversamente proporcionales a la RE (Fig. 4). Estos resultados indican que existe una relación entre el RE y las características químicas de las uvas, con una clara tendencia en ua reducción de estos con una mayor nivel de RE ( o incremento en vigor).

Finalmente, el NDVI derivado de imágenes multiespectrales se presenta como una variable con un carácter mas integrador y robusta para la sectorización de áreas de rendimientos y calidad, debido a la importancia del IAF en las viñas, en la expresión del vigor local, el cual esta relacionado con la variabilidad espacial del viñedo, factor que no debe ser olvidado para un correcto análisis. Este resultado esta también relacionado a la densidad del NDVI y de la CE obtenidas. Lo antes mencionado permite el desarrollo de muestras dirigidas con un resultado de reducción de los costos de muestreo y a la vez una mayor representatividad de la información obtenida. Con un monitoreo directo, balances óptimos (razón hoja/fruta) pueden ser obtenidos de los viñedos con mayor precisión, los cual permitirá un mejor manejo de la calidad por mencionar al modificar esta razón mediante manejos agronómicos adecuados y oportunos (poda, raleo, riego, etc.). También, esta información es de gran utilidad para una cosecha diferencial de uvas para la producción de vinos finos, con la posibilidad de demarcar en un mapa las áreas de mayor o menor potencial de calidad de uvas para el enólogo pueda utilizar para generar vinos acorde a la disponibilidad de materia prima. Esta metodología presenta ventajas de constituir una herramienta de aplicación rápida con un costo relativamente bajo para la vitivinicultura Chilena. Sin embargo estos estudios deberán se validados en el tiempo de tal forma que permita consolidadse su estabilidad espacio temporal. Así, mas investigación es requerida en orden de estudiar la variación de estos factores entre diferentes estaciones para verificar la incidencia del factor climático sobre las relaciones encontradas.

(7)

CONCLUSIONES

El NDVI, derivado de imágenes multiespectrales, se presenta como una variable altamente útil para la estimación del rendimiento y calidad en los viñedos bajo las condiciones de estudio. Por otra parte, un muy importante complemento a la información de los planos de NDVI es los valores de CE sobre la base de un monitoreo de alta densidad. En este camino, el NDVI presenta ventajas al ser una variable integradora y robusta de la fisiología de la planta, de fácil implementación y transferencia al medio vitivinícola Chileno. Por el contrario, las variables determinadas in situ mediante el uso de un sistema de monitoreo sobre la base de gris, presentaron bajas correlaciones con las variables de rendimiento, aun considerando 10 PM / ha, con lo cual su empleo se hace poco viable para su utilización bajo un esquema de manejo basado en VP. Finalmente, bajo las condiciones de estudio, fue altamente importante el incluir la información espacial y continuidad en el análisis, en orden de obtener una correcta interpretación de la información obtenida.

(8)

REFERENCIAS

Anselin, L. 2005. Exploring spatial data with GeoDa: a workbook. Spatial Analysis laboratory, Dept. of Geography. University of Illinois. 244 p.

Anselin, L. and Bera, A. (1998). Spatial dependence in linear regression models with an introduction to spatial econometrics. In Ullah, A. and Giles, D. E., editors, Handbook of Applied Economic Statistics, pages 237–289. Marcel Dekker, New York.

Best, S. León, L. and, Claret M. 2005. Use of Precision Viticulture Tools to Optimize the Harvest of High Quality Grapes. Proc. Information and Technologies for Sustainable Fruit and Vegetable production. September 12-16. Montepellier, France.

Dobrowsky, S. Z.,S. L. Ustin, and J. A. Wolpert. 2002. Remote estimation of vine canopy density in vertically shoot positioned vineyards: Determining optimal vegetation indices. Austr. J. Grape and Wine Res. 8: 117-125.

Gitelson, A., and M. Merzlyak. 1997. Remote estimation of chlorophyll content in higher plant leaves. Int. J. Remote Sensing. (18):2691-2697.

Hall, A., D. W. Lamb, B. Holzapfel, and J. Louis. 2002. Optical remote sensing applications in viticulture: a review. Austr. J. of Grape & Wine Res.. 8: 36-47

Huete, A. R. and Jackson, R. D. 1988. Soil and atmosphere influences on the spectra of partial canopies. Rem. Sens. of Env.: 25: 89 – 105.

Johnson, L., B. Lobitz, R. Armstrong, R. Baldy, E. Weber, J. DeBenedictis, and D. Bosch. 1996. Airborne Imaging for Vineyard Canopy Evaluation. California Agriculture, Special Issue on Phylloxera 50(4):14-18.

Johnson, L. F., D. F. Bosh, D. C. Williams and B. M. Lobitz. 2001. Remote sensing of vineyard management zones : implications for wine quality. App. Eng in Agr. 17: 557 – 560.

(9)

Figura 1. Sectorización de NDVI y puntos de monitoreo en el área de estudio. Figure 1. NDVI map and sampling point for the study area.

(10)

Figura 2. Mapas de rendimiento interpolado del área de estudio. Figure 2. Interpolated Study area yield map.

(11)

Figura 3. Mapa de equilibrio (razón hoja/fruta) para el área de estudio. Figure 3. Study area equilibrium map (leave/fruit ration).

(12)

Fen = -44.4x + 730.16 R2 = 0.9862 Ant = -1.5725x + 23.198 R2 = 0.8743 Med-Equi = 0.3x + 2.1412 R2 = 0.9465 580 600 620 640 660 680 700 1 2 Vigor Level F e nl oe s ( m g l -1 ) 0 5 10 15 20 25 An to ci an s ( m g l -1) an d e qui li br iu m i nde x 3

Fen medqui Ant

Lineal (Fen) Lineal (Ant) Lineal (medqui)

** 1=Low Vigour, 2=Medium Vigour and 3=High Vigour.

Figure 4. Promedio de factores de calidad química de uvas por niveles de vigor en área de estudio.

Figure

Actualización...

Referencias