AESCE – Metodolgiás para el análisis de información<br />Secretarias técnicas de las cadenas productivas (mango,aguacate, ...
Agricultura de precisión (AP)<br />Agricultura específica por sitio (AEPS)<br /><ul><li>Manejo de lotes a escalamaspequeña...
Mide la variacióndentro del lote
Analiza el efecto de un factor o factor por factor sobre la productividad.
Modelosrequierenconocimientodetallado de procesosinvolucrados en el crecmiento de lasplantas.
Manejo de lotessegúnsuscaractérísticasparticulares
Mide la variación entre lotes
Analiza la combinación de factoressobresuefecto en la productividad
Modelosconstruidos con limitadoconocimientoacerca de la interacción de los factoresquedeterminan el crecimiento de unaplan...
Agricultura de Precisión (AP)<br />Variación dentro del lote<br /><ul><li>Elementos   Fertilización
Agua  Riegos
Plagas y enfermedades  Manejo fitosanitario</li></li></ul><li>AgriculturaEspecíficaporSitio (AEPS)<br />Es un área defini...
AP – AESCE …. Queimplementar?<br />FrutalesTropicales<br />Banano<br />Sensoresremoto<br />Automatización<br />Investigaci...
Antecedentes AEPS en Colombia<br />Caña de azúcar: CENICAÑA ( mas de 20 años)<br />Camarones:  Ceniacua<br />Café : CIAT– ...
Definición Agricultura Específica por Sitio <br />Según CENICAÑA: El arte de  realizar  las prácticas  agronómicas  requer...
1.6<br />1.6<br />1.4<br />1.4<br />1.2<br />1.2<br />1.0<br />1.0<br />TAHM<br />TAHM<br />0.8<br />0.8<br />0.6<br />0.6...
Proyecto AESCE - Hipótesis<br />Si fuese posible (a) compilar la información de lo que hizo el agricultor,  (b) caracteriz...
3er año<br />1er año<br />1<br />Recopilación “eventos”<br />(sistema centralizado)<br />Sistema de monitoreo<br />(sistem...
AESCE información de entrada y de salida<br />Relieve y Suelo<br />ClimaTopografía y paisaje<br />Manejo del cultivo<br />...
Condicionesambientalesideales
Prácticasmasadecuadas
Adaptación de variedades</li></li></ul><li>Principios AESCE<br />Principio 1<br />Principio 2<br />Principio 3<br />Cultur...
1. Proyecto AESCE: Metodologías empleadas en la modelación de respuestas de los árboles frutales<br />Regresiones (lineale...
Proyecto AESCE :Metodologías empleadas en la modelación de respuestas de los árboles frutales<br />Regresiones lineales<br...
Regresiones robustas: (permiten  contrarrestar la influencia de outliers)
BLUP (Best Linear Unbiased Predictor ): permiten estimar efectos fijos o aleatorios  </li></li></ul><li>Clima<br />Parámet...
V1<br />V2<br />V3<br />V4<br />V5<br />…<br />V60<br />L 4<br />L 5<br />…<br />Kg/lote<br />L 2<br />L 3<br />Obs 1<br /...
Puntaje=<br /># de classificacionescorrectas<br /># total de objetos a classificar<br />Puntaje=8/10=80%<br />Validación: ...
18<br />Métodos de Clustering (redes neuronales artificiales – Mapas de Kohonen)<br />Dependencia de variables<br />Calida...
39 indicadores fueron tomados describiendo varios factores de calidad de vida tales como salud, nutrición, calida de los s...
Países que tenían indicadores similares se ubicaron cerca el uno del otro en el mapa.
Realizado con datos faltantes</li></li></ul><li>Métodos de Clustering (redes neuronales artificiales – Mapas de Kohonen)<b...
Métodos de Clustering (redes neuronales artificiales – Mapas de Kohonen)<br />Distribución de Iris<br />Dependencia de var...
Métodos de Clustering (redes neuronales artificiales – Mapas de Kohonen)<br />Dependencia de variables<br />Base de datosp...
Métodos de Clustering (redes neuronales artificiales – Mapas de Kohonen)<br />Dependencia de variables<br />Base de datosp...
Ejemplos reales en frutales en Colombia<br /> (Redes neuronales artificiales en regresión y visualización de dependencia d...
Ejemplos reales en frutales en Colombia<br /> (Redes neuronales artificiales en regresión y visualización de dependencia d...
Ejemplos reales en frutales en Colombia<br /> (Redes neuronales artificiales en regresión y visualización de dependencia d...
Ejemplos reales en frutales en Colombia<br /> (Redes neuronales artificiales en regresión y visualización de dependencia d...
Caso de estudio: Mora (Rubusglaucus) - visualización de dependencia de variables) <br />Planos de temperatura: (a)temperat...
Ejemplos reales en frutales en Colombia<br /> (Redes neuronales artificiales en regresión y visualización de dependencia d...
Ejemplos reales en frutales en Colombia<br /> (Redes neuronales artificiales en combinación con metodologías tradicionales...
Ejemplos reales en frutales en Colombia<br /> (Redes neuronales artificiales en combinación con metodologías tradicionales...
Ejemplos reales en frutales en Colombia<br /> (Redes neuronales artificiales en combinación con metodologías tradicionales...
Ejemplos reales en frutales en Colombia<br /> (Redes neuronales artificiales en combinación con metodologías tradicionales...
Ejemplos reales en frutales en Colombia<br /> (Redes neuronales artificiales en combinación con metodologías tradicionales...
Ejemplos reales en frutales en Colombia<br /> (Redes neuronales artificiales en combinación con metodologías tradicionales...
 Ej. Finca 9 en condición ambiental homogénea 3 produce 51 g/planta más que el promedio </li></li></ul><li>2. Proyecto AES...
Analizar e interpretar la información recopilada<br />Naranja<br />Antioquia produce más naranja<br />con la mitad de las ...
<ul><li>Identifica sitios edafológica y climáticamente similares
Si clima y suelos influyen en la adaptabilidad del cultivo, en sitios con climas y suelos similares tendrían adaptabilidad...
Upcoming SlideShare
Loading in...5
×

AESCE - Metodologías del Análisis de la información

643

Published on

Metodologías para el análisis de la información para la agricultura específica por sitio

Daniel Jiménez

0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total Views
643
On Slideshare
0
From Embeds
0
Number of Embeds
0
Actions
Shares
0
Downloads
19
Comments
0
Likes
0
Embeds 0
No embeds

No notes for slide

AESCE - Metodologías del Análisis de la información

  1. 1. AESCE – Metodolgiás para el análisis de información<br />Secretarias técnicas de las cadenas productivas (mango,aguacate, cítricos, plátano)<br />Con la participación de :<br />
  2. 2. Agricultura de precisión (AP)<br />Agricultura específica por sitio (AEPS)<br /><ul><li>Manejo de lotes a escalamaspequeñaquelote
  3. 3. Mide la variacióndentro del lote
  4. 4. Analiza el efecto de un factor o factor por factor sobre la productividad.
  5. 5. Modelosrequierenconocimientodetallado de procesosinvolucrados en el crecmiento de lasplantas.
  6. 6. Manejo de lotessegúnsuscaractérísticasparticulares
  7. 7. Mide la variación entre lotes
  8. 8. Analiza la combinación de factoressobresuefecto en la productividad
  9. 9. Modelosconstruidos con limitadoconocimientoacerca de la interacción de los factoresquedeterminan el crecimiento de unaplanta (caña, café)</li></ul>Referencias:<br />Plant, 2001. Computers and electronics in agriculture.<br />Jiménez et al., 2009. Computers and electronics in agriculture<br />Jiménez et al., 2010. Agricultural Systems <br />
  10. 10. Agricultura de Precisión (AP)<br />Variación dentro del lote<br /><ul><li>Elementos  Fertilización
  11. 11. Agua  Riegos
  12. 12. Plagas y enfermedades  Manejo fitosanitario</li></li></ul><li>AgriculturaEspecíficaporSitio (AEPS)<br />Es un área definida por el productor y se diferencian claramente de otras por características ambientales, prácticas agrícolas o características del cultivar establecido en ella.<br />Tipos de manejo<br />Edad de lasplantas<br />6<br />6<br />Variedad<br />Tipo de suelo<br />3<br />Las unidades de manejo existen debido a razones naturales como  las diferencias en las características de los suelos, climáticas o  topográficas, o debido a la intervención del agricultor quien implementa y experimenta con diversas prácticas agrícolas.<br />
  13. 13. AP – AESCE …. Queimplementar?<br />FrutalesTropicales<br />Banano<br />Sensoresremoto<br />Automatización<br />Investigación<br />AP<br />AEPS<br />Algunosforestales<br />Maiz<br />Trigo<br />Soya<br />Caña<br />Café<br />Es cuestión de investigar y avanzar en la medida del compromiso de los actores<br />
  14. 14. Antecedentes AEPS en Colombia<br />Caña de azúcar: CENICAÑA ( mas de 20 años)<br />Camarones: Ceniacua<br />Café : CIAT– Federación nacional de cafeteros <br />Frutales sin gremios organizados: BIOTEC – CIAT – HEIG-VD<br />Alrededor de 8 años de experiencia en el tema– 6 años detrás de la idea en frutales tropicales<br />
  15. 15. Definición Agricultura Específica por Sitio <br />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 máximo rendimiento potencial. (Isaacs et al., 2004)<br />
  16. 16. 1.6<br />1.6<br />1.4<br />1.4<br />1.2<br />1.2<br />1.0<br />1.0<br />TAHM<br />TAHM<br />0.8<br />0.8<br />0.6<br />0.6<br />0.4<br />0.4<br />0.2<br />0.2<br />1960<br />1965<br />1970<br />1975<br />1980<br />1985<br />1990<br />1995<br />2000<br />2005<br />2010<br />1960<br />1965<br />1970<br />1975<br />1980<br />1985<br />1990<br />1995<br />2000<br />2005<br />2010<br />Año<br />Año<br />Caña de azúcar y AEPS:<br />Tons<br />of<br />sugar<br />per ha per <br />month<br />AEPS<br />Technology<br />development<br />for<br />local <br />conditions<br />based<br />on<br />SSA<br />Tecnología Autóctona<br />TecnologiaImportada<br />Broad<br />Adaptation<br />development<br />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<br />Imported<br />technology<br />Cenicaña<br />SSA= <br />Site<br />Specific<br />Agriculture<br />
  17. 17. Proyecto AESCE - Hipótesis<br />Si fuese posible (a) compilar la información de lo que hizo el agricultor, (b) caracterizar las condiciones cada lote cultivado y (c) evaluar la respuesta del cultivo en un gran número de lotes… seria posible deducir las practicas óptimas para condiciones especificas.<br />“Cada vez que un productor siembra y cosecha es una experiencia, experimento o evento único” <br />
  18. 18. 3er año<br />1er año<br />1<br />Recopilación “eventos”<br />(sistema centralizado)<br />Sistema de monitoreo<br />(sistema descentralizado)<br />2<br />Protocolos de análisis<br />automatizados<br />Análisis de datos<br />Coordinación<br />Capacitación<br />Sistemas de información<br />3 x<br />3<br />Formación de grupos <br />Contacto con actores<br />Entrega del conocimientoadquirido<br />
  19. 19. AESCE información de entrada y de salida<br />Relieve y Suelo<br />ClimaTopografía y paisaje<br />Manejo del cultivo<br /><ul><li>Productividad y calidad
  20. 20. Condicionesambientalesideales
  21. 21. Prácticasmasadecuadas
  22. 22. Adaptación de variedades</li></li></ul><li>Principios AESCE<br />Principio 1<br />Principio 2<br />Principio 3<br />Cultura de medición<br />Conocimientocolectivo<br />Uso de tecnología<br />
  23. 23. 1. Proyecto AESCE: Metodologías empleadas en la modelación de respuestas de los árboles frutales<br />Regresiones (lineales y no lineales)<br />
  24. 24. Proyecto AESCE :Metodologías empleadas en la modelación de respuestas de los árboles frutales<br />Regresiones lineales<br />Kilos/lote = Clima (b1) + Suelos(b2) + manejo (b3) + (B)<br /><ul><li>OLS: (Ordinary least squares)
  25. 25. Regresiones robustas: (permiten contrarrestar la influencia de outliers)
  26. 26. BLUP (Best Linear Unbiased Predictor ): permiten estimar efectos fijos o aleatorios </li></li></ul><li>Clima<br />Parámetro<br />Mat.<br />Suelos<br />Bases de datos<br />Parámetro<br />Mat.<br />Kilos/lote<br />Manejo<br />Parámetro<br />Mat.<br />Info <br />adicional<br />Proyecto AESCE :Metodologías empleadas en la modelación de respuestas de los árboles frutales<br />Regresiones no lineales (redes neuronales artificiales)<br />
  27. 27. V1<br />V2<br />V3<br />V4<br />V5<br />…<br />V60<br />L 4<br />L 5<br />…<br />Kg/lote<br />L 2<br />L 3<br />Obs 1<br />0.1<br />18<br />3<br />312<br />0.3<br />…<br />89<br />0<br />1<br />0<br />1<br />0<br />…<br />2.39<br />Obs 2<br />0.2<br />15<br />4<br />526<br />0.1<br />…<br />52<br />1<br />0<br />0<br />0<br />1<br />…<br />30.35<br />Obs 3<br />0.6<br />14<br />1<br />489<br />0.2<br />…<br />64<br />0<br />1<br />1<br />1<br />1<br />…<br />42.25<br />Obs 4<br />0.05<br />19<br />2<br />523<br />0.5<br />…<br />13<br />0<br />0<br />0<br />0<br />1<br />…<br />52.50<br />Obs 5<br />0.4<br />13<br />3<br />214<br />0.6<br />…<br />57<br />1<br />1<br />1<br />1<br />1<br />…<br />Obs6<br />0.8<br />12<br />4<br />265<br />0.4<br />…<br />24<br />1<br />1<br />0<br />1<br />0<br />…<br />82.25<br />Obs7<br />0.2<br />15<br />1<br />236<br />0.8<br />…<br />26<br />0<br />0<br />1<br />0<br />0<br />…<br />89.28<br />Obs 8<br />0.1<br />17<br />3<br />541<br />0.1<br />…<br />35<br />0<br />1<br />1<br />1<br />0<br />…<br />125.0<br />Obs9<br />0.6<br />16<br />2<br />845<br />0.3<br />…<br />51<br />0<br />0<br />1<br />1<br />0<br />…<br />142.8<br />Obs10<br />0.1<br />18<br />1<br />126<br />0.1<br />…<br />43<br />1<br />1<br />0<br />0<br />1<br />…<br />150.0<br />…<br />…<br />…<br />…<br />…<br />…<br />…<br />…<br />…<br />…<br />…<br />…<br />…<br />…<br />…<br />Obs3000<br />0.04<br />15<br />3<br />235<br />0.6<br />…<br />85<br />1<br />1<br />1<br />1<br />0<br />…<br />180<br />…<br />Obs3000<br />Obs 1<br />Obs 2<br />Obs 3<br />Obs 4<br />Obs 5<br />Obs 6<br />Obs 7<br />Obs 8<br />Obs 9<br />Obs 10<br />0.1<br />0.2<br />0.6<br />0.05<br />0.4<br />0.8<br />0.2<br />0.1<br />0.6<br />0.1<br />…<br />0.04<br />18<br />15<br />14<br />19<br />13<br />12<br />15<br />17<br />16<br />18<br />…<br />15<br />…<br />Obs3000<br />Obs 1<br />Obs 2<br />Obs 3<br />Obs 4<br />Obs 5<br />Obs 6<br />Obs 7<br />Obs 8<br />Obs 9<br />Obs 10<br />3<br />4<br />1<br />2<br />3<br />4<br />1<br />3<br />2<br />1<br />…<br />3<br />312<br />526<br />489<br />523<br />214<br />265<br />236<br />541<br />845<br />126<br />…<br />235<br />3.07<br />29.8<br />54<br />60<br />…<br />90<br />100<br />150<br />170<br />149<br />…<br />192<br />0.3<br />0.1<br />0.2<br />0.5<br />0.6<br />0.4<br />0.8<br />0.1<br />0.3<br />0.1<br />…<br />0.6<br />E<br />…<br />…<br />…<br />…<br />…<br />…<br />…<br />…<br />…<br />…<br />…<br />…<br />89<br />52<br />64<br />13<br />57<br />24<br />26<br />35<br />51<br />43<br />…<br />85<br />Regresiones no lineales (redes neuronales artificiales – perceptronmulti -capa)<br />Predicciónes<br />L 1<br />Predicho<br />…<br />Obs3000<br />Obs 1<br />Obs 2<br />Obs 3<br />Obs 4<br />Obs 5<br />Obs 6<br />Obs 7<br />Obs 8<br />Obs9<br />Obs 10<br />2.07<br />29.0<br />53.5<br />50.5<br />89.5<br />99.2<br />120<br />172<br />170<br />…<br />188<br />E<br />Real<br />…<br />Obs3000<br />Obs 1<br />Obs 2<br />Obs 3<br />Obs 4<br />Obs 5<br />Obs 6<br />Obs 7<br />Obs 8<br />Obs9<br />Obs 10<br />…<br />52.5<br />2.3<br />30.3<br />42.5<br />82.2<br />180<br />142<br />89.2<br />125<br />150<br />
  28. 28. Puntaje=<br /># de classificacionescorrectas<br /># total de objetos a classificar<br />Puntaje=8/10=80%<br />Validación: test Kappa<br />Regresiones no lineales (redes neuronales artificiales – perceptronmulti -capa)<br />Datoscuantitativos<br />Datoscualitativos<br />observado<br />observado<br />predicho<br />predicho<br />
  29. 29. 18<br />Métodos de Clustering (redes neuronales artificiales – Mapas de Kohonen)<br />Dependencia de variables<br />Calidad de vida en el mundo<br /><ul><li>Estadísticas del banco mundial sobre varios países en el año 1992
  30. 30. 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.
  31. 31. Países que tenían indicadores similares se ubicaron cerca el uno del otro en el mapa.
  32. 32. Realizado con datos faltantes</li></li></ul><li>Métodos de Clustering (redes neuronales artificiales – Mapas de Kohonen)<br />Dependencia de variables<br />Base de datosplantas de Iris<br />Variables (1.Longitud sépalo, 2. Anchosépalo, 3.Longitud pétalo, 4.Ancho pétalo)<br />Iris versicolor<br />Iris virgínica<br />Iris setosa<br />
  33. 33. Métodos de Clustering (redes neuronales artificiales – Mapas de Kohonen)<br />Distribución de Iris<br />Dependencia de variables<br />Iris versicolor<br />Iris virgínica<br />Iris setosa<br />
  34. 34. Métodos de Clustering (redes neuronales artificiales – Mapas de Kohonen)<br />Dependencia de variables<br />Base de datosplantas de Iris<br />Kohonen map<br />Iris setosa<br />Iris versicolor<br />Iris virgínica<br />
  35. 35. Métodos de Clustering (redes neuronales artificiales – Mapas de Kohonen)<br />Dependencia de variables<br />Base de datosplantas de Iris<br />Iris setosa<br />Iris versicolor<br />Iris virgínica<br />
  36. 36. Ejemplos reales en frutales en Colombia<br /> (Redes neuronales artificiales en regresión y visualización de dependencia de variables)<br />Caso de estudio: Mora (Rubusglaucus) – Modelo correcto:<br />(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<br />
  37. 37. Ejemplos reales en frutales en Colombia<br /> (Redes neuronales artificiales en regresión y visualización de dependencia de variables)<br />Caso de estudio: Mora (Rubusglaucus) - Análisis de relevancia:<br />(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<br />
  38. 38. Ejemplos reales en frutales en Colombia<br /> (Redes neuronales artificiales en regresión y visualización de dependencia de variables)<br />Caso de estudio: Mora (Rubusglaucus) - visualización de dependencia de variables) <br />(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<br />
  39. 39. Ejemplos reales en frutales en Colombia<br /> (Redes neuronales artificiales en regresión y visualización de dependencia de variables)<br />Caso de estudio: Mora (Rubusglaucus) - visualización de dependencia de variables) <br />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<br />
  40. 40. Caso de estudio: Mora (Rubusglaucus) - visualización de dependencia de variables) <br />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<br />
  41. 41. Ejemplos reales en frutales en Colombia<br /> (Redes neuronales artificiales en regresión y visualización de dependencia de variables)<br />Caso de estudio: Mora (Rubusglaucus) - visualización de dependencia de variables) <br />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<br />
  42. 42. Ejemplos reales en frutales en Colombia<br /> (Redes neuronales artificiales en combinación con metodologías tradicionales)<br />Caso de estudio: Lulo (Solanum quitoense) – Modelocorrecto<br />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<br />
  43. 43. Ejemplos reales en frutales en Colombia<br /> (Redes neuronales artificiales en combinación con metodologías tradicionales)<br />Caso de estudio: Lulo (Solanum quitoense) – Modelo correcto<br />
  44. 44. Ejemplos reales en frutales en Colombia<br /> (Redes neuronales artificiales en combinación con metodologías tradicionales)<br />Caso de estudio: Lulo (Solanum quitoense) – Análisis de relevancia<br />Tres variables: 1. Profundidadefectiva, 2. Temperatura y 3. Pendientefueronrelevantesparaambasregresiones lineal y no lineal<br />
  45. 45. Ejemplos reales en frutales en Colombia<br /> (Redes neuronales artificiales en combinación con metodologías tradicionales)<br />Caso de estudio: Lulo (Solanum quitoense) – clustering<br />Las tres variables relevantes fueron utilizadas para definir grupos con condiciones ambientales homogéneas = 3<br />
  46. 46. Ejemplos reales en frutales en Colombia<br /> (Redes neuronales artificiales en combinación con metodologías tradicionales)<br />Caso de estudio: Lulo (Solanum quitoense) – Modelomixtoparaconocer los efectossobre la productividad de grupos con condiciones ambientales homogéneas<br />Condiciones ambiental homogénea 3 fue la mas productiva – 41 gr /planta más que el promedio <br />
  47. 47. Ejemplos reales en frutales en Colombia<br /> (Redes neuronales artificiales en combinación con metodologías tradicionales)<br />Caso de estudio: Lulo (Solanum quitoense) – Modelomixtoparaconocer los efectossobre la productividad de grupos con condiciones ambientales homogéneas y lasfincas<br />HEC como proxy paravariabilidadambientalFincacomo proxy paramanejo<br /><ul><li>El modelo mixto explicó mas del 80 % de variación en productividad de lulo.
  48. 48. Ej. Finca 9 en condición ambiental homogénea 3 produce 51 g/planta más que el promedio </li></li></ul><li>2. Proyecto AESCE: Metodologías empleadas para determinar cuáles son los nichos ecológicos de cada especie / adaptabilidad varietal <br />curvas de isoproductividad<br />Caso hipotético donde un cultivador de plátano, quiere saber cual es el cultivar con el que obtendría mayor número de cajas por racimo, peso racimo o ratio en las condiciones de su finca. <br />
  49. 49. Analizar e interpretar la información recopilada<br />Naranja<br />Antioquia produce más naranja<br />con la mitad de las hectáreas <br />cultivadas en Tolima  Oportunidad<br />Fuente MADR (promedio 2002- 2008)<br />
  50. 50. <ul><li>Identifica sitios edafológica y climáticamente similares
  51. 51. Si clima y suelos influyen en la adaptabilidad del cultivo, en sitios con climas y suelos similares tendrían adaptabilidad similar
  52. 52. El propósito es identificar sitios con potencial para establecer nuevas variedades, o extender tecnologías de un sitio a otro</li></li></ul><li>
  53. 53. MaxEnt: Máxima entropia<br />Aproare SAT (información de 250 productores)<br />CPGA Nevados del norte<br />Agrícolas unidas<br />Aguacate en Colombia – Base de datos<br />Phytoptorasp.<br />Aguacate en Colombia – Base de datos Aproare SAT<br />
  54. 54. Promoción al consumo - Biblioteca con ruedas – Unidad multimedia móvil<br />FRUTICHIVA<br />
  55. 55. Estrategias de colecta de información primaria<br />Niveles de Intervención<br /> a. Investigadores CIAT<br />v<br />Cadenas<br />Asohofrucol<br />MADR<br />b. Facilitadores de lasCadenas<br />Organizaciones<br />Nivel de intervención<br /> c. Facilitadores de lasSecretarías de agricultura<br />Federaciones<br />d. Individualesacceso virtual<br />Grupos<br />
  56. 56. Estrategias de colecta de información secundaria<br />Proyectosprevios<br />v<br />Asosiaciones<br />Instituciones<br />Universidades<br />Organizaciones<br />Federaciones<br />Grupos<br />
  57. 57. www.frutisitio.org<br />video<br />
  1. A particular slide catching your eye?

    Clipping is a handy way to collect important slides you want to go back to later.

×