Your SlideShare is downloading. ×
Andy J - Conceptualisation and Operationalisation Of Site Specific Agriculture for the Tropics
Upcoming SlideShare
Loading in...5
×

Thanks for flagging this SlideShare!

Oops! An error has occurred.

×

Introducing the official SlideShare app

Stunning, full-screen experience for iPhone and Android

Text the download link to your phone

Standard text messaging rates apply

Andy J - Conceptualisation and Operationalisation Of Site Specific Agriculture for the Tropics

271
views

Published on

Presentation on CIAT's approach to site-specific agriculture for the tropics.

Presentation on CIAT's approach to site-specific agriculture for the tropics.

Published in: Technology

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

  • Be the first to like this

No Downloads
Views
Total Views
271
On Slideshare
0
From Embeds
0
Number of Embeds
0
Actions
Shares
0
Downloads
8
Comments
0
Likes
0
Embeds 0
No embeds

Report content
Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
No notes for slide
  • P5
  • Transcript

    • 1. Conceptualización y operación de Agricultura por sitio específico basada en experiencia de Agricultores. (SSAFE)
    • 2. El Concepto
      • Los paisajes productivos son altamente heterogénea
      • Necesitamos grandes cantidades de datos para entender la variabilidad
      • Cada finca es esencialmente una estación experimental.
      • Cada ciclo de cultivo, y practica de manejo es un evento (prueba, n)
      • El agricultor aprende y adapta de un n + 1 +1…
      • Aprender del conocimiento colectivo es mucho más poderoso ( n of 1,000s)
      • Pero, todas las ‘pruebas‘ pasan sin compilarse– Aprendemos, pero no lo suficiente.
    • 3. Hipótesis
      • Si fuese posible compilar la informacion de lo que el agricultor hizo, y caracterizar las condiciones de un gran numero de estos experimentos, seria posible deducir las practicas optimas para condiciones especificas
    • 4. La oportunidad
      • La existencia de bases de datos “glob-locales” medioambientales y socioeconomicas – estas son globales en cobertura, y locales en relevancia, pues pueden caracterizar cualquier experimento en-finca que se lleve a cabo
      • Mecanismos de captura y entrega de información a través de TCIs– celulares, internet
        • Mover informacion hacia arriba, abajo, a traves y en rededor
      • Un mundo en organización – revolución en organizaciones rurales alrededor de las cadenas productivas
        • Linea base: revolución en organizacion de agricultores
    • 5. El acercamiento
      • Censo de productividad
        • Sub muestra de fincas, con datos de productividad, suelos y manejo
      • Caracterisacion de fincas y identificacion preliminar de nichos
        • Caracterisacion con latitud y longitud
        • Modelacion de variabilidad en productividad con base a caracteristicas de las fincas
        • Resultados preliminares de nichos para cada producto, con idea de rendimiento relativo
      • Organisacion de grupos de productores
        • Por medio de caracteristicas compartidos
        • Compartimiento de conocimiento, experiencias alimentados por resultados de modelacion
      • Sistema de informacion
        • Recolecta de informacion usando infrastructura existente
        • Manejo de informacion tanto para modelacion y recomendaciones sitio especifico
    • 6. Dame un punto y le digo….
    • 7. Caracterización de sitios con bases de datos de medio-ambiente
      • Con un latitud y longitud, que información se puede sacar de bases de datos espaciales de medio-ambiente? Ejemplos de generacion de bases de datos usando SIG….
      • Clima:
        • Promedios anuales, WorldClim
        • Datos diarios actuales, TRMM
      • Topografía
        • SRTM
        • Derivados topográficos
      • Suelos
    • 8. WorldClim
    • 9. WorldClim
      • Production of global high resolution 1km monthly climate surfaces for precipitation, mean, max and min temperature
      • Based on 47,554 precipitation stations, 24,542 mean temperature stations, 14,835 minimum and maximum temperature stations
      • Interpolated using a thin-plate smoothing spline in the AnuClim software
      • Derivatives: bioclimatic variables such as precipitation in dryest quarter, absolute minimum annual temperature, consecutive wet/dry months, seasonality etc.
    • 10. ~1500 stations in Colombia
    • 11.  
    • 12. For precipitation, spline interpolation method uses elevation as a co-variable, and searches for local correlations to make an “informed” interpolation between points. To illustrate, rainfall around Cali.
    • 13. Topografia
    • 14. Topography
      • Now…..
      • Shuttle Radar Topography Mission (SRTM) global elevation data
        • 3 arc second product (~90 m resolution) and 1 arc second (~30m resolution) though the latter is restricted access
        • Vertical precision – < 16 m
        • Produced by NASA and USGS, made freely available 2003/2004
      Significance: Local information for entire globe
    • 15. Significant Improvement GTOPO30 SRTM
    • 16. Cali rubbish heap Basurero Navarro
    • 17. SRTM – Version 3
    • 18. Fulfilling a Demand
      • Data provided for free download through the CGIAR Consortium for Spatial Information (CSI):
      • Approximately 5000 downloads per day
      • > 1Tb of data downloads per month
      • Key dataset in the immediate post-Tsunami relief
      http://srtm.csi.cgiar.org
    • 19. Using the data – more than just elevation Elevation Slope Aspect Landscape Class Moisture Solar Radiation Exposure Curvature
    • 20. Suelos
    • 21. Soil sample points Topography Climate + geology + other 70 variables/derivatives Pilot study on digital soil mapping for Honduras
    • 22. Gaussian Processes
      • Covariance function – gaussian process models
    • 23. Results: pH in Topsoil P5: Maximum temperature of warmest month
    • 24. Results: pH in topsoil 3 5 6 7 8 4
    • 25. Un ejemplo
      • Coffee in Latin America
      • 4,000 farms engaged in supply-chain based analyses of coffee quality and productivity
      • Farm-level data compiled at points further down supply chain (farmer organisations, local-coffee buyers)
      • Capture of cupping quality data (per farm) further down supply chain
      • Spatial analyses to find drivers of coffee quality (environmental and management)
      • Return of information to farmers on potential opportunities for coffee quality (who to sell to), and management options to increase their quality
    • 26. DAPA Output Niche Potential
    • 27. CinfO Webinterface: Interactive Map – Info Finder    Ⓐ Ⓑ Ⓒ Ⓓ
    • 28. CinfO Webinterface: Interactive Map – MU Details
    • 29.  
    • 30. CinfO Webinterface: Interactive Map – Q Module:
    • 31. CinfO Quality Module: Cupping Database (Offline)
    • 32. DAPA Output Niches
    • 33. DAPA Output Niches
    • 34. DAPA Output Niches
    • 35. DAPA Output Niches
    • 36. REALIZAR EL POTENCIAL Experimentos de orientación – Puntaje final Finca en Piendamo Finca en Concordia Orientación 80.7 a 83.4 a Plano 78.0 ab 81.9 a Oeste 72.8 b 83.8 a Sur 80.6 a 80.8 a Este 79.8 a 82.0 a Norte
    • 37. REALIZAR EL POTENCIAL Experimentos de variedad – Aroma, fragrancia Finca en Axocuapan Finca en El Encinal Variedad - 9.57 a Caturra Amarillo - 9.78 ab Mundo Novo 9.22 a 10.17 b Caturra Rojo 9.81 b 9.45 a Típica
    • 38. REALIZAR EL POTENCIAL Experimentos de sombra - Cuerpo Finca en Axocuapan Finca en El Encinal Sombra 5.9 b 5.9 b Alta 6.2 a 6.1 a Baja
    • 39. REALIZAR EL POTENCIAL Experimentos de raleo de frutos – Puntaje final Finca en Piendamo Finca en Concordia Raleo 79.2 a 81.8 b 50 77.8 a 84.7 a 0
    • 40. REALIZAR EL POTENCIAL Experimentos de dosel de cosecha – Puntaje final 81.7 a Calidad dosel intermedio Calidad dosel superior Calidad dosel bajo 80.4 a 82.8 a
    • 41. CinfO Webinterface: Interactive Map – Info Finder    Ⓐ Ⓑ Ⓒ Ⓓ
    • 42. User Centered Technologies
      • Special interfaces for users without Computer experience
      • Usability testing
      • Easy to use systems
    • 43. Impact
      • Measurable increases in quality (the models worked)
      • Measurable increases in income (the supply chain concept worked)
      • Significant outscaling
        • Incorporation of many thousands more farms in Central America, Ecuador
        • Info management scientist resigned and set up private company – Cropster
        • Continued demand
      • SSAFE approach also being adopted by banana sector, smallholder vegetable groups, cacao