Conceptualización y operación de Agricultura por sitio específico basada en experiencia de Agricultores. (SSAFE)

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.

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.

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

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

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

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

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

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

Dame un punto y le digo….

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

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

WorldClim

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.

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.

~1500 stations in Colombia

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.

Topografia

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

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

Significant Improvement GTOPO30 SRTM

Cali rubbish heap Basurero Navarro

SRTM – Version 3

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

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

Using the data – more than just elevation Elevation Slope Aspect Landscape Class Moisture Solar Radiation Exposure Curvature

Suelos

Soil sample points Topography Climate + geology + other 70 variables/derivatives Pilot study on digital soil mapping for Honduras

Gaussian Processes Covariance function – gaussian process models

Covariance function – gaussian process models

Results: pH in Topsoil P5: Maximum temperature of warmest month

Results: pH in topsoil 3 5 6 7 8 4

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

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

DAPA Output Niche Potential

CinfO Webinterface: Interactive Map – Info Finder    Ⓐ Ⓑ Ⓒ Ⓓ

CinfO Webinterface: Interactive Map – MU Details

CinfO Webinterface: Interactive Map – Q Module:

CinfO Quality Module: Cupping Database (Offline)

DAPA Output Niches

DAPA Output Niches

DAPA Output Niches

DAPA Output Niches

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

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

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

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

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

CinfO Webinterface: Interactive Map – Info Finder    Ⓐ Ⓑ Ⓒ Ⓓ

User Centered Technologies Special interfaces for users without Computer experience Usability testing Easy to use systems

Special interfaces for users without Computer experience

Usability testing

Easy to use systems

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

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