Desde el comienzo de la aplicación de técnicas de agricultura de precisión en viticultura, allá por el año 1999, cuando comenzaron a publicarse los trabajos iniciados en Australia y Estados Unidos, a raíz de la aparición en el mercado de sensores y monitores de rendimiento, se han producido grandes avances en el análisis de la variabilidad del viñedo y la optimización de la producción de uvas de mejor calidad.
Entre noviembre de 2005 y enero de 2006, la revista ACENOLOGÍA, consciente del interés y utilidad de estos avances tecnológicos, dedicó un dossier a la viticultura de precisión. Ahora ha pasado casi una década y puede ser el momento de hacer una revisión de cómo estas técnicas y metodologías pueden ayudar a los viticultores y enólogos en la toma de decisiones.
Variabilidad intraparcelaria: necesidad de la viticultura de precisión
Tradicionalmente, las prácticas vitícolas se han realizado en los viñedos de una manera uniforme, aplicando la misma intensidad o la misma dosis en operaciones como la poda, la fertilización, los tratamientos fitosanitarios, el riego, etc., independientemente de la ubicación exacta dentro del viñedo (Arnó et al., 2009). Durante la última década, el desarrollo de sensores y monitores de rendimiento, así como la disponibilidad de imágenes de satélite de alta resolución espacial (entre 1,85-3,2 m/píxel) y/o de imágenes adquiridas desde avionetas con cámaras multiespectrales (0,2-0,5 m/píxel), han puesto de manifiesto que puede existir una gran variabilidad intraparcelaria tanto en el desarrollo de las vides como en su rendimiento (fig. 1). Esta variabilidad también tiene implicaciones en la calidad de la uva y en la rentabilidad de la bodega. Por ello, la identificación y la caracterización espacial de dicha variabilidad, la interpretación de su significado enológico, así como la posibilidad del manejo diferencial de dicha variabilidad, constituyen los principales objetivos de la Viticultura de Precisión (VP) (Urretavizcaya et al., 2014).
El suelo: la principal causa de la variabilidad intraparcelaria en los viñedos
Básicamente, se podría decir que la variabilidad espacial del cultivo está asociada a la variación de las propiedades de los suelos. Los suelos son complejos cuerpos tridimensionales cuyas propiedades varían de forma continua en las tres dimensiones espaciales (XYZ), en profundidad y también en el tiempo, albergando una amplia gama de procesos físicos y biológicos. Esto los ha hecho tradicionalmente difíciles y costosos de caracterizar y, por eso, la mayoría de los viñedos han sido plantados sin disponer a priori de información sobre la variabilidad del suelo. Esto ha llevado a la creación de plantaciones (teóricamente) homogéneas que a posteriori son realmente heterogéneas y donde luego se ha visto que es conveniente delinear diferentes zonas de manejo diferencial. Un avance tecnológico cuyo uso se está comenzando a extender con el fin de conocer la variabilidad de los suelos, son los sensores resistivos y de inducción electromagnética.
Estos sensores, arrastrados por un tractor o un vehículo todoterreno conectado con un receptor GPS, miden la conductividad eléctrica aparente (CEa) en continuo, y permiten elaborar mapas de la variación continua de esta propiedad.
El uso potencial de estos datos es de gran interés, ya que es un parámetro que tiene una buena correlación con la textura del suelo, la capacidad de retención de agua, el contenido de materia orgánica, la salinidad y la profundidad del suelo, entre otras (Arnó et al., 2009).
Así, la zonificación de la CEa puede ser utilizada para la delineación de zonas homogéneas dentro de las parcelas y, también, para optimizar el muestreo de suelos, con el fin de caracterizar e identificar la causas que afectan al rendimiento y/o la variabilidad de la calidad. Algunos ejemplos de estos sensores son el EM38, Geonics Ltd.; Veris 3100, Veris Technologies Inc.; y ARP-Automatic Resistivity Profiling, Geocarta Ltd.). Otras novedades para la cartografía de las propiedades del suelo son los sensores ópticos, que estiman el contenido de materia orgánica y los sensores que miden el pH.
Teledetección multiespectral: caracterización remota de la variabilidad intraparcelaria y expansión de la viticultura de precisión
Pero, sin duda, la práctica de la viticultura de precisión se ha extendido en la última década gracias al uso de imágenes multiespectrales desde satélite (Ikonos, QuickBird, WorldView-2, entre otros) y desde avionetas, estas últimas sobre todo por su mayor nivel de detalle.
Las imágenes multiespectrales permiten el cálculo de los denominados índices de vegetación (o índices de vigor), a partir de las reflectancias en canales del visible y del infrarrojo cercano. Los índices más utilizados en VP han sido el PCD (Plant Cell Density) (Bramley et al., 2003), el PVR (Photosynthetic Vigour Ratio) (Bramley y Lamb, 2003) y el índice más comúnmente utilizado, el NDVI (Normalized Difference Vegetation Index) (Rouse et al., 1973). El PCD se calcula como la relación de la reflectancia entre el infrarrojo cercano y rojo (NIR/R); el PVR como la proporción de verde a rojo de reflectancia (V/R), y el NDVI por la combinación de infrarrojo cercano y rojo (NIR-R/NIR+R).
Al igual que en otros cultivos, estos índices se han mostrado válidos para estimar el rendimiento y algunos parámetros estructurales de la vid, como por ejemplo el LAI (Leaf Area Index) o el fPAR (Fraction of Photosynthetically Active Radiation). Así, el uso de estos índices permite la identificación y zonificación de áreas de diferente vigor dentro de las parcelas. No obstante, si bien las zonas basadas en estos índices se corresponden con las de mayor o menor crecimiento vegetativo del cultivo, e incluso con su rendimiento (fig. 1), la correspondencia entre la calidad de la uva y las diferentes zonas de vigor no está clara (Santesteban et al., 2010). Por extensión, hay que ser prudente a la hora de relacionar dichas zonas con la calidad final del vino procedente de esos diferentes lotes. En este sentido, los resultados de diversas investigaciones se han mostrado ciertamente controvertidos, ya que, si bien la calidad de uva, al igual que el vigor vegetativo y el rendimiento, varía en el espacio, su rango de variación suele ser menor (Bramley, 2005). Además, si bien las zonas de vigor y/o rendimiento no suelen variar sustancialmente a lo largo de los años, la estabilidad espacio-temporal de los parámetros de calidad de la uva es menor (Tisseyre et al., 2008).
Esta limitación de la teledetección multiespectral para asegurar zonas de manejo diferencial que reflejen diferencias significativas en la calidad de la uva ha llevado a algunos investigadores a utilizar otras variables en combinación con algún índice de vegetación, como mapas de fertilidad y desarrollo vegetativo de las vides (número de yemas, número de pámpanos), carga de frutos (número de racimos, peso de 100 bayas), peso de poda o, incluso, rendimientos de campañas anteriores (Martínez-Casasnovas et al., 2012).
Este enfoque, aunque se ha demostrado algo más satisfactorio para delinear zonas con correspondencia con propiedades de calidad de la uva, sigue siendo ambiguo, en particular para propiedades como la cantidad de antocianos y compuestos fenólicos (Arnó et al., 2012; Martínez-Casasnovas et al., 2012).
Teledetección hiperespectral y térmica: un salto cualitativo hacia la determinación de índices fisiológicos de la viña y del estado hídrico
Un salto cualitativo importante en la estimación de parámetros fisiológicos de la planta (por ejemplo, el contenido de clorofilas), estado de estrés hídrico o incluso el poder inferir con más precisión la calidad de la uva, ha venido de la mano de las imágenes hiperespectrales e imágenes térmicas. La teledetección hiperespectral se diferencia de la multiespectral en que el número de bandas registradas es mucho mayor (pueden ser más de 200), siendo el ancho de banda mucho más estrecho.
En este sentido, estudios recientes muestran el uso de índices fisiológicos calculados a partir de imágenes hiperespectrales como posibles indicadores para evaluar la calidad de la uva en viñedos afectados por deficiencia de hierro (clorosis) (Martín et al., 2007; Meggio et al., 2010), o por déficit hídrico (Pons et al., 2013). Así, el incremento de carotenos y antocianinas que se produce en situaciones de estrés hídrico o por deficiencias en micronutrientes (hierro), y que se puede detectar a partir de índices hiperespectrales, es un buen indicador de la maduración fenólica (Meggio et al., 2010). Por otra parte, la estimación del déficit hídrico a través de índices como el denominado Water Index, predice mejor la composición de la uva en términos de contenido de azúcares y acidez que los índices de vegetación (Pons et al., 2013).
La variabilidad intraparcelaria de la viña también supone una desventaja para decidir las necesidades de riego dentro de una parcela. Así, un riego uniforme en una parcela variable puede provocar déficits hídricos en zonas con suelos con poca capacidad de retención de agua y el exceso en otras partes (Bellvert et al., 2013a). Estas diferencias también repercuten en la composición de la uva, por lo que afectan a su calidad.
Recientemente, el uso de imágenes térmicas captadas desde vehículos aéreos no tripulados (UAV o drones) (Berni et al., 2009) permite el cálculo a muy alta resolución espacial (~ 0,3 m) del denominado Crop Water Stress Index (CWSI). Este índice ha demostrado su validez para ser usado como herramienta para cartografiar la variabilidad espacial en las necesidades hídricas de la viña con el fin de determinar el momento del riego y la cantidad de agua a aplicar en lo que se viene a denominar riegos de precisión (Bellvert et al., 2013a,b).
Actualmente, a pesar de los avances científicos en la utilización de imágenes hiperespectrales y térmicas, el desarrollo de aplicaciones a escala comercial todavía es incipiente. Por ello, las imágenes más utilizadas para la toma de decisiones en viticultura de precisión, a pesar de sus limitaciones para asegurar una buena predicción de la calidad de la uva, siguen siendo las multiespectrales.
Otros avances en la zonificación de la calidad de la uva
Dado el interés de poder zonificar la variabilidad intraparcelaria para poder realizar vendimia selectiva basada en parámetros directos de calidad de la uva, algunas investigaciones se han basado en la medida directa y zonificación de estas propiedades.
Uno de estos ejemplos es el propuesto por Urretavizcaya et al. (2014), que se basa en el muestreo temprano de uva en un conjunto de puntos de muestreo al completar el envero y la zonificación de la variabilidad espacial mediante un algoritmo de aglomeración (clúster). Este procedimiento está orientado a definir zonas con un significado enológico, que pueden variarse en función de los objetivos de la bodega para producir tipologías de vinos con uvas de características diferentes.
También en esta línea, otros investigadores en viticultura de precisión han comenzado a utilizar sensores de proximidad (por ejemplo, Multiplex3, Force-A) para la medida no destructiva de fluorescencia de las bayas con el fin de estimar parámetros como la cantidad de antocianos (Baluja et al., 2012). Esta tecnología estima la cantidad de antocianos a partir de la correlación medida en puntos de muestreo, lo cual permite después caracterizar muchos más puntos para poder determinar la estructura de la variación espacial de la propiedad dentro de la parcela por métodos geoestadísticos. Esto, además de facilitar el análisis de la variabilidad espacial y temporal de este parámetro (sin necesidad de analizar la uva), permite crear mapas de zonas que pueden ayudar en la toma de decisiones sobre la vendimia.
Hacia dónde va la viticultura de precisión
Como hemos visto, los inicios de la viticultura de precisión estuvieron ligados a la medida de la variabilidad intraparcelaria y la zonificación de dicha variabilidad. Pero pronto se vio la necesidad de buscar sus causas y de determinar el significado enológico de la variabilidad observada, con el fin de realizar una vendimia selectiva y obtener uvas de diferentes calidades. La tecnología más accesible al viticultor para la toma de decisiones en viticultura de precisión ha sido (y siguen siendo) las imágenes multiespectrales (e índices de vigor), principalmente desde avioneta. Estas imágenes cada vez serán de más detalle, sobre todo cuando se extienda el uso de los drones. Ahora bien, hay que ser conscientes de que este tipo de imágenes pueden servir para tomar decisiones sobre la gestión del viñedo en cuanto a intensidad de la poda, zonificación de sectores de riego, fertilización, etc., pero la correspondencia de las zonas de vigor con las propiedades cualitativas de la uva se ha mostrado moderada o ambigua en algunos casos. Las técnicas basadas en imágenes hiperespectrales e imágenes térmicas también se espera que se extiendan en un futuro próximo, en particular para la gestión del riego y la mejora en la zonificación de la variabilidad basada en parámetros fisiológicos de la viña. Todo esto sin olvidar que no todas las parcelas de viña son variables o no tienen la variabilidad suficiente y/o con una estructura espacial adecuada para ser idónea la aplicación de técnicas de VP (Monsó et al., 2013). En este sentido, el desarrollo de índices de oportunidad basados en mapas que muestren cómo es la variabilidad intraparcelaria del rendimiento, vigor o parámetros cualitativos, son fundamentales para decidir si aplicar o no técnicas de viticultura de precisión.
Por último, el futuro tecnológico de la viticultura de precisión seguramente también pasará por la incorporación de novedades tecnológicas como el LíDAR (Light Detection and Ranging) y la robotización.
El LíDAR es una tecnología que permite caracterizar con gran precisión aspectos estructurales de las plantaciones, tanto a escala de planta como de parcela en 3D (geometría, altura, anchura, volumen, LAI, frondosidad y otros). Se basa en mediciones con un sensor láser con los que se adquieren gran densidad de puntos a partir de los cuales se puede reconstruir dicha geometría (fig. 2). Muchas de las aplicaciones de esta tecnología, del cual el Grupo de Agrótica y Agricultura de la Universidad de Lleida es pionero (http://www.grap.udl.cat/), están todavía por explorar, si bien ya se está comenzando a aplicar en la gestión de la poda y aplicaciones variables de fitosanitarios.
Respecto a la robotización, recientemente se ha puesto en marcha un proyecto del VII Programa Marco de la Unión Europea denominado VINEyardROBOT (o VineRobot, del cual se hizo eco recientemente esta revista). Este proyecto, liderado por la Universidad de La Rioja, pretende diseñar y desarrollar un robot terrestre capaz de transmitir información de manera no destructiva, rápida y fiable para la toma de decisiones por parte del vitivinicultor. El sistema consiste en recibir comunicaciones basadas en el estado del viñedo, el desarrollo vegetativo, la carga y calidad de la uva, etc., en tiempo real. Tal como versa la página web de este proyecto, «esta iniciativa es un gran avance en el campo de la investigación robótica aplicada a la viticultura, nunca antes desarrollado». Desde aquí deseamos y confiamos que así sea.
Bibliografía
Arno J, Martinez-Casasnovas JA, Ribes-Dasi M, Rosell JR: Review. Precision viticulture. Research topics, challenges and opportunities in site-specific vineyard management. Spanish Journal of Agricultural Research 2009; 7 (4): 779-90.
Arnó J, Rosell JR, Blanco R, Ramos MC, Martínez-Casasnovas JA: Spatial variability in grape yield and quality influenced by soil and crop nutrition characteristics. Precision Agriculture 2012; 13 (3): 393-410.
Monsó A, Arnó J, Martínez-Casasnovas JA: A simplified index to assess the opportunity for selective wine grape harvesting from vigour maps. Precision Agriculture 2013 – Papers Presented at the 9th European Conference on Precision Agriculture, ECPA 2013 pp. 625-632.
Baluja J, Diago MP, Goovaerts P, Tardáguila J: Spatio-temporal dynamics of grape anthocyanin accumulation in a Tempranillo vineyard monitored by proximal sensing. Australian Journal of Grape and Wine Research 2012; 18: 173-82.
Bellvert J, Zarco-Tejada PJ, Girona J, Fereres E: Mapping crop water stress index in a ‘Pinot-noir’vineyard: comparing ground measurements with thermal remote sensing imagery from an unmanned aerial vehicle. Precision Agriculture 2013a [published on-line Nov 2013].
Bellvert J, Zarco-Tejada PJ, González-Dugo V, Girona J, Fereres E: Scheduling vineyard irrigation based on mapping leaf water potential from airborne thermal imagery. Precision Agriculture 2013 – Papers Presented at the 9th European Conference on Precision Agriculture, ECPA 2013 pp. 699-704.
Berni JA, Zarco-Tejada PJ, Suarez L, Fereres E: Thermal and narrow-band multispectral remote sensing for vegetation monitoring from an unmanned aerial vehicle. IEEE Transactions on Geoscience and Remote Sensing 2009; 47: 722-38.
Bramley RGV, Pearse B, Chamberlain P: Being profitable precisely – a case study of precision viticulture from Margaret River. The Australian & New Zealand Grapegrower & Winemaker 003; 473a: 84-7.
Brambley RGV, Lamb DW: Making sense of vineyard variability in Australia. Proc IX Congreso Latinoamericano de Viticultura y Enología. Santiago, Chile, 2003, pp. 35-54.
Bramley RGV: Understanding variability in winegrape production systems. 2. Within vineyard variation in quality over several vintages. Australian Journal of Grape and Wine Research 2005; 11: 33-42.
Martín P, Zarco-Tejada PJ, González MR, Berjón A: Using hyperspectral remote sensing to map grape quality in ‘Tempranillo’ vineyards affected by iron chlorosis. Vitis 2007; 46 (1): 7-14.
Martínez-Casasnovas JA, Agelet-Fernández J, Arnó J, Ramos MC: Analysis of vineyard differential management zones and relation to vine development, grape maturity and quality. Spanish Journal of Agricultural Research 2012; 10 (2): 326-37.
Meggio F, Zarco-Tejada PJ, Núñez LC, Sepulcre-Cantó G, González MR, Martín P: Grape quality assessment in vineyards affected by iron deficiency chlorosis using narrow-band physiological remote sensing indices. Remote Sensing of Environment 2010; 114: 1968-86.
Pons JM, Serrano L, Gonzales-Flor C, Gorchs G: Is PCD a Reliable Indicator of Berry Quality Attributes in Water Stressed Vineyards? En: Proc 1st IW on Vineyard Mechanization & Grape & Wine Quality. S. Poni, ed. ISHS 2013. Acta Hort 2013: 978.
Rosell JR, J, Sanz R, Arnó J, Ribes-Dasi M, Masip J, Escolà A, Camp F, Solanelles F, Gràcia F, Gil E, Val L, Planas S, Palacín J: Obtaining the three-dimensional structure of tree orchards from remote 2D terrestrial LIDAR scanning. Agricultural and Forest Meteorology 2009; 149: 1505-15.
Rouse JW Jr, Haas RH, Schell JA, Deering DW: Monitoring vegetation systems in the great plains with ERTS. Proc Third ERTS Symp NASA 1973; SP-351 (1): 309-17.
Santesteban LG, Miranda C, Jiménez C, Fuentemilla M, Urretavizcaya I, Tisseyre B: Evaluación del interés del índice NDVI para la delimitación de unidades de manejo diferenciado en una explotación vitícola. Revista de Teledetección 2010; 33: 11-6.
Tisseyre B, Mazzoni C, Fonta H: Within-field temporal stability of some parameters in viticulture: Potential toward a site specific management. Journal International des Sciences de la Vigne et du Vin 2008 ; 42 (1): 27-39.
Urretavizcaya I, Santesteban LG, Tisseyre B, Guillaume S, Miranda C, Royo JB: Oenological significance of vineyard management zones delineated using early grape sampling. Precision Agriculture 2014; 15:111-29.
