Agricultura Precision Coleccion de Datos BMP

TALLER
Colección y Análisis de Datos en

BMPs
Francisco Gomez Ph.D.
Juan Lopez M.S c.
Arnold Lara, B. Sc.
Randy Price Ph. D.
Steve Kellogg, M. Sc.
NO SE PUEDE CONTROLAR
LO QUE NO SE PUEDE MEDIR
La Lima, Cortes, Honduras
Enero 21 22, 2009
AGENDA
Jueves, 22 Enero
Sesión I:
Hora Min Temas 1-9
8:00 20 Presentación de Participantes 10
8:20 25 Qué es GPAS? 11-24
8:45 25 Perspectiva del Taller 25-27
9:10 40 Importancia de colectar datos en forma precisa y 28-52
exacta para la implementación de BMP: Enfoque de
Investigación y Desarrollo.
9:50 20 Perspectiva de un Sistema Integrado de Estadísticas 53-60
10:10 20 Café
AGENDA
Sesion II: Collecting The Best Data
10:30 40 Colección de datos de Experimentos Controlados 61-89
11:10 30 Colección de datos de sensores automáticos vía telemetría 90-139
11:40 35 Demostración de Campo de sensores automáticos de clima
12:15 75 Lunch
1:30 45 Colección de datos en Censos, Encuestas y Paneles de Expertos 140-155
2:15 45 Desarrollo de Cuestionarios, Su análisis e Imputación 156-167
3:00 30 Café
AGENDA
Sesión III: Experimentación en Campo
3:30 15 Revisión de Conceptos en Experimentación en 169-175

Agricultura y Ambiental
3:45 50 Principios y Conceptos de Agricultura de Precisión 178-237
4:45 40 PEAS 238-266
5:25 Termino de Jornada

AGENDA
Miércoles, 25Febrero
DATOS A COLECTAR
8:00 120 DATOS DE CAMPO GRUPO
10:00 30 Café
10:30 90 DATOS PEA GRUPO
12:00 25 Lunch
Miércoles, 25Febrero
DATOS A COLECTAR
1:00 60 Review y presentar Inquietudes GRUPO
2:00 Terminacion de Taller
Si hubiese tiempo e interes
Sesión: Software Estadístico Especializado

S. Smith/
Uso de SNAP Software para cuestionarios
F. Gomez
Uso del JMP del Instituto SAS F. Gomez
Análisis de Datos usando Agrobase Generation de Agronomix F. Gomez
Café
SESSION I
Presentación de Participantes
TITULOS QUE HARAN EN INGLES

NOMBRE PAIS
PROFESIONALES ELE (TOEFL)
QUE ES GPAS?
• Compañía innovadora en ciencia y
tecnología agrícola moderna.
• Se enfoca en mejorar la productividad
y reducir el impacto ambiental local y
global
• Utiliza los conceptos de Mejores
Practicas de Manejo (BMPs)
FUNDAMENTOS DE GPAS
• Ofrecer sistemas inteligentes en apoyo al
proceso de toma decisiones precisas y
exactas en agricultura y el ambiente
• Proveer base científica y experticia a
entidades privadas y publicas
• Sistemas de monitoreo de variables y
determinantes de microclima, producción, y
calidad de agua, con sistemas de precisión
a nivel temporal y espacial.
PRINCIPIOS DE GPAS
Principios aplicados de ciencias agrícolas,
biofísicas, estadísticas, económicas y
ambientales, con tecnologías de información,
comunicación, mecánica y óptica, para
empoderar la base de conocimiento de sus
clientes y lograr anticiparse y actuar sobre las
limitantes de producción y del ambiente que
reducen la competitividad/beneficios y
dañan la base de recursos naturales.
DIRECCION EN GPAS
El Staff de GPAS tiene grados de Ph.D, M. Sc.
and B.Sc. de universidades internacionales y
locales :
• Texas A&M,
• University of Minnesota,
• University of Virginia
• University of Illinois
• Technological University of Honduras
• Iowa State University
EXPERTICIA DEL STAFF DE GPAS
CULTIVOS
SORGO ALGODÓN PIÑA (ISO 1400)
MAIZ OKRA TOMATE
CAÑA DE AZUCAR (BSI) PALMA ACEITERA (RSPO) MELON
CAFE BANANO
CITRICOS
ESTADISTICAS AGRICOLAS AGRICULTURA DE MONITOREO DEL

PRESICION /YIELD MICROCLIMA
MONITOR AGROCLIMA
CENSO AGRICOLA DE AZUNOSA 23 Estaciones

GUATEMALA clima
CENSO AGRICOLA DEL CARE 1 calidad de
SALVADOR agua
SISTEMA INTEGRADO DE
ESTADISTICAS AGRICOLAS
PARA CENTROAMERICA
RELACIONES
DOLE FRESH FRUIT SUMMIT FOUNDATION USDA/Honduras
GRUPO GUTIERREZ COCACOLA COMPANY USAID/CCAW
ADCON TELEMETRY BID USDA/NASS/FAS
CARE USAID/CRSP
SNV SAG, MAG, MAGA,
IICA IHCAFE
CE RDS
FHIA
SOFTWARE
TELEMETRIA,
SISTEMAS ESTADISTICAS
LENGUAJES AGROMETEROLOGIA,
OPERATIVOS AGRICOLAS
AGRI. DE PRECISION
Window server 2003 SQL, MySQL, ARCGIS 9.3 SAS
ORACLE 10g
Window Server 2008 Perl, PHP Addvantage 5.4 JMP/SAS
Unix C, ThinkGeo AGROBASE
Linux C# ASP.NET SNAP
Javascript, CSS,
HTML Ajax
Java JSF
GPAS AND WWF
• Enfocado en:
• Desarrollar partnerships con agro-
empresas nacionales y multinacionales
• Identificación, desarrollo e
implementación de BMPs
• Promover la certificación internacional:
RSPO, BSI
NUESTRA PARTICIPACION
GOALS GPAS - ELA
1. Entrenamiento inicial al equipo de campo
para desarrollar los instrumentos de
captura de datos, coordinar metodología
de diagnóstico y análisis de resultados;
así como una introducción general
acerca del uso de los datos agro-
climátológicos, el desarrollo de modelos
de manejo de plagas y su relación con
las BMPs
GOALS GPAS - ELA
2. Establecer dos localidades pilotos para el
monitoreo del microclima, tendiente a
generar un sistema de toma de
decisiones de alerta temprana para
apoyar a los operadores en el mejor uso
del agua de riego, mediante la
instalación y capacitación en el uso de
datos micro-climatológicos de sus fincas
utilizando las herramientas del Green
Panda.
GOALS GPAS - ELA
3. Desarrollar un modelo de prevención y

combate de plagas o enfermedades en
2 fincas de melón, de acuerdo a las
necesidades identificadas en el
diagnóstico e interpretar de datos.
Entrenamiento Inicial
1. Desarrollar de instrumentos de colección de
datos
2. Coordinar metodología de diagnóstico
3. Análisis y presentación de resultados
4. Descripción de una Mejor Practica Agrícola,
5. Introducción general acerca del uso de los
datos agro-climátológicos - ETo
6. Introducción al desarrollo de modelos de
manejo de plagas y su relación con las
BMPs (Heat Units & SIGATOKA)
Perspectiva del Taller
Reducir el Impacto Ambiental de la Agricultura Mediante la
Implementación de Mejores Prácticas de Manejo
Enero 22-23, 2010
8:00 AM a 5:30 PM
OFICINA WWF
LA LIMA, CORTES, HONDURAS
Perspectiva del Taller
• 3 técnicos han recordado lo fundamental
de colectar datos y están listos para
obtener datos precisos y exactos y
favorecer la adopción de BMP
• 3 técnicos conocen que existe software
especializado para análisis de datos
• 3 técnicos y gerentes conocen los
conceptos de Agricultura de Precisión
• 3 técnicos saben dónde buscar ayuda
Agradecimientos: Este Taller es Patrocinado por:
USAID Environmental and Labor Excellence for
CAFTA-DR Program
USAID PRIME CONTRACT NO. EPP-I-00-05-03-
00014-00
WWF Programa de Agricultura y El Ambiente
Coordinadores J. Vasquez, WWF-CA, Offical de Efluentes
del Taller jvasquez@wwfca.org
F. Gomez, GPAS, fgomez@gpas.us
Importancia de Colectar Datos en
Forma Precisa y Exacta para la
Implementación de BMPs ̶
Enfoque de Investigación y Desarrollo
Reduciendo el Impacto Ambiental de la
Agricultura Mediante la Implementación
de Mejores Prácticas de Manejo
SESSION I
On ne peut pas conduire qui
ne peut pas être mesuré
You can’t Manage what you can’t

Measure!
SESSION I
1. Revisar conceptos de colección y análisis
de datos en agricultura y el ambiente con el
objetivo de obtener datos precisos y
exactos para favorecer la adopción de
BMPs
2. Presentar software especializado para
análisis de datos
3. Introducir los conceptos de Agricultura de
Precisión
4. Conocer dónde buscar ayuda
Propósito la Presentación
1. Revisar los conceptos de datos,
información, conocimiento y sabiduría.
2. Enfatizar que no se puede controlar lo que
no se puede medir
3. Revisar los conceptos de precisión y
exactitud
4. Recordar la importancia de la investigación
científica en la implementación de BMPs
IMPACTO DE LA AGRICULTURA EN LA BASE DE LOS
RECURSOS NATURALES
AREA TERRESTRE DE CENTROAMERICA

WWF tiene que alcanzar las siguientes metas para
el 2014 y Seguir >>>>>>>>>>>>>>>>>>>>>>
Reducir en 50% la Toxicidad Total de Pesticidas en caña de azúcar, piña,

palma aceitera, bananos, cítricos y melón.
Reducir el uso del agua y fertilizantes en 25% para seis cultivos,

especialmente en las operaciones de empaque y molienda.
Por lo menos tres de las grandes empresas multinacionales de cana de

azúcar, pina, bananas, cítricos , melones y palma aceitera han adoptado
mejores practicas de manejo (BMP) en sus operaciones y en las de sus
suplidores.
Los productores banano, cítricos, melones, palma aceitera, y caña de
Belice, Guatemala, El Salvador, Honduras y Costa Rica, se comprometen a
evitar la perdida de materia orgánica de sus campos y mantener el nivel
en 3% o mas.
La industria camaronera de Belice logra reducir el contenido de nutrientes
(nitrógeno y fosforo) en sus efluentes a través de programas de
certificación en acuacultura – incluyendo principios, criterios y estándares
localmente adaptados
MEDICION DEL IMPACTO DE LA AGRICULTURA EN LA BASE
DE LOS RECURSOS NATURALES DE CENTROAMERICA
DATOS INFORMACION CONOCIMIENTO SABIDURIA
DATOS La sociedad se
Datos Información
colectados apropia del
analizados contextualizada
manual o conocimiento y
generan produce
automáti- genera
INFORMACION CONOCIMIENTO
camente SABIDURIA
Malos Datos Mala información Malas Decisiones

• Los DATOS se perciben mediante los
“sentidos”
• Estos los integran y generan la
INFORMACIÓN necesaria para producir el
• CONOCIMIENTO que es el que finalmente
permite tomar decisiones para realizar las
acciones cotidianas que aseguran la
existencia social, económica y ambiental.
• La SABIDURÍA consiste en juzgar
correctamente cuando, cómo, dónde y con
qué objetivo emplear el conocimiento
adquirido.
Adaptado de:
http://es.wikipedia.org/wiki/Informaci%C3%B3n
SOBRE DATO: Las palabras dato e información son usadas
indistintamente, pero sí existe una diferencia importante entre ellas.
• Son las señales individuales en bruto y sin ningún
significado que se registran para producir la
información.
• Es el mínimo elemento con sentido dentro de un
paquete de información.
• Son medidas y/o números recopilados a partir de
la observación.
• Datos se refieren a descripciones básicas de
cosas, acontecimientos, actividades y
transacciones que se registran, clasifican y
almacenan, pero que no se organizan, los
elementos datos pueden ser numéricos,
alfanuméricos, figuras, sonidos e imágenes
SOBRE INFORMACION: Las palabras dato e información son
usadas indistintamente, pero sí existe una diferencia
importante entre ellas.
• Una colección de datos relacionados.

• Datos que han sido procesados en un formato que es
entendible para una audiencia especifica.
• Datos que han sido seleccionados, organizados en patrones
significativos y registrados por el intelecto humano.
• La información es un fenómeno que proporciona significado
o sentido a las cosas, e indica mediante códigos y conjuntos
de datos, los modelos del pensamiento humano. La
información por tanto, procesa y genera el conocimiento
humano.
• En sentido general, la información es un conjunto
organizado de datos procesados, que constituyen un
mensaje sobre un determinado ente o fenómeno.
SOBRE CONOCIMIENTO:
• Es el resultado de la asimilación de una información por una

persona de acuerdo con sus circunstancias particulares:
educación, experiencias previas, capacidad de interpretación
y comprensión, etc.
• La asimilación de esta información provoca un
enriquecimiento de su "saber hacer" y produce una mejora en
su proceso de toma de decisiones.
• Este proceso ocurre en la mente de los conocedores y es
distinto para cada persona.
• El conocimiento se genera sobre todo gracias a procesos de
conversación o interacción entre personas y gracias al cruce
de ideas, en el que se crean conexiones entre ideas o
conceptos no relacionados hasta el momento.
SOBRE SABIDURIA - EXPERTISIA:
• La sabiduría consiste en juzgar correctamente cuándo, cómo,

dónde y con qué objetivo emplear el conocimiento adquirido.
• La sabiduría es una habilidad que se desarrolla con la aplicación
de la inteligencia en la experiencia, obteniendo conclusiones que
nos dan un mayor entendimiento, que a su vez nos capacitan para
reflexionar, sacando conclusiones que nos dan discernimiento de
la verdad, lo bueno y lo malo.
• Algunas veces se toma el concepto de sabiduría como una forma
especialmente bien desarrollada de sentido común.
• En la Sabiduría se destaca el juicio sano basado en conocimiento y
entendimiento; la aptitud de valerse del conocimiento con éxito, y
el entendimiento para resolver problemas, evitar o impedir
peligros, alcanzar ciertas metas, o aconsejar a otros.
• Es lo opuesto a la tontedad, la estupidez y la locura, y a menudo se
contrasta con éstas.
COLECCION DE DATOS
• Término que describe un proceso de prepararse y colectar datos –
• La colección de datos generalmente tiene lugar al principio de un
proceso de mejora,
• Formalizado a través de un plan de colección de datos el cual
contiene las siguientes actividades.
• La Actividad de Pre-colección – Objetivos, datos metas, definición,
métodos
• Colección – Colección de datos en sí
• Presentación de los Datos –involucra alguna forma de sorteo,
análisis y/o presentación.
• Un proceso formal es necesario, ya que asegura que los datos
colectados sea definidos, PRECISOS Y EXACTOS; y que las decisiones
posteriores que se tomen a partir de ellos sean validos.
• El proceso provee una “línea base” que es de donde se comienza y en
la mayoría de los casos, un meta sobre que mejorar.
EXACTITUD Y PRECISION DE LOS DATOS
• La EXACTITUD esta muy relacionada a la PRECISIÓN
• En ciencia, industria, ingeniería y estadísticas, exactitud es el
grado de proximidad de la cantidad medidas o calculada a
su valor real (verdadero).
• La precisión también es la reproducibilidad o repetitividad,
que también es el grado al cual medidas o cálculos
posteriores mostraran resultados similares.
• Los datos pueden exactos pero no precisos, precisos pero no
exactos, ninguno de los dos o los dos.
• Estos términos están relacionados con el sesgo (efectos no
aleatorios) y el error (efectos aleatorios)
CALIDAD DEL DATO
Exacto
70
90
SHAPSUEY
12
Producción de 0
melones en la finca
Castaños .
4 colectores de datos
1. Sin capacitación
2. Con algo de PRECISO Y
sentido común 70 70 EXACTO
3. Capacitado en ??? v
4. Después de este v 90 90
Taller
12 12
0 0
PRECISO
Con cual de esto vamos a ir a colectar datos en las meloneras???

PARA LOS QUE LES GUSTA LA ESTADISTICA
MEJORES PRACTICAS DE MANEJO (BMPs)
APLICACIÓN EN AGRICULTURA
Una Mejor Practica de Manejo (BMP) se define como

una de las maneras mas eficientes (menos esfuerzo /
recursos) y mas efectiva (mejores resultados) para
lograr una meta en la operación, que sea
ambientalmente sostenible, con procedimientos
repetibles y replicables que hayan sido probados en
diferentes agro-ambientes y con diferentes
operadores agrícolas.
Identificar, desarrollar, implementar y promover BMPs en

agricultura es de importancia fundamental para mantener
la salud de los agro-ecosistemas, al mismo tiempo que se
mejora la calidad de vida de todos sus habitantes
INVESTIGACIÓN CIENTÍFICA
• Investigación sistemática, controlada y empírica de
proposiciones hipotéticas acerca de relaciones presumidas
entre los fenómenos naturales. (Kerlinger, 1964).
• Es la investigación objetiva de fenómenos naturales usando
procedimientos de investigación actualmente aceptados,
siendo el producto inmediato la evidencia, con el objetivo de
descubrir cómo ese aspecto del mundo físico trabaja.
• Es un sistema empírico y conceptual de aprender sobre el
mundo físico que organiza hechos públicos observables, y
razona dentro de una estructura de teorías y de inferencias.
• Los métodos de investigación se construyen para reducir al
mínimo los efectos del sesgo humano natural en la observación
y la interpretación.
• Convencionalmente, la evidencia, los procedimientos usados
para adquirirla, y la interpretación subsecuente esta sujeta a la
critica de colegas como un preludio a su publicación en la
literatura primaria donde está públicamente disponible para el
posterior escrutinio y uso.
TERMINOS IMPORTANTES
Sector agrícola. La parte de la economía que consiste en

agricultura, silvicultura, caza y pesca.
Investigación agrícola. La aplicación de teorías y técnicas

científicas para desarrollar nuevas tecnologías que pueden
aumentar la producción, proteger los recursos naturales y el
ambiente, o alcanzar un cierto otro objetivo.
Extensión agrícola La disponibilidad de la información a

los productores sobre tecnologías de producción agrícola
diseñadas para aumentar la producción, proteger los
recursos naturales y el ambiente, o alcanzar un cierto otro
objetivo.
Análisis de datos – es la identificación sistemática de
patrones en todos los datos colectados y decidiendo como
organizarlo, clasificarlos, relacionarlos, compararlos y
presentarlos.
Estas decisiones son guiadas por el problema a resolver,
los datos disponibles, y los que pagan por la
investigación.
Calidad del dato- la validez e integridad de la
información colectada que es usada las estimaciones o
para la evaluación
Cantidad de datos- Es la cantidad de información
colectada para las estimaciones o evaluación.
Fuentes de datos- documentos, gente y observaciones
que proveen la información para las estimaciones o
evaluación.
You can’t Manage what you

can’t Measure!
MUCHAS GRACIAS
TALLER
Colección y Análisis de Datos en BMPs
PERSPECTIVA DE UN SISTEMA
INTEGRADO DE ESTADISTICAS
AGRICOLAS
The USDA/NASS Example
S. Kellogg & F. Gomez

OBJETIVO
Revisar la metodología conceptual de un sistema
integrado de estadísticas agrícolas que ha
evolucionado dentro de uno de los mejores sistemas
de estimaciones estadísticas agrícolas, el cual es
aplicable en muchos aspectos a la situación de
colección de datos realizada por el WWF en
Centroamérica y otras partes del mundo
SISTEMA DE ESTADISTICAS AGRICOLAS INTEGRADO
CENSOS ENCUESTAS
E Crop Progress
AGRICOLAS PROBABILISTICAS F &
1952 Cultivos, Ganadería M
Status Report
…
………. Trabajo MONITOREO
S
1982 Insumos /PANEL
O
1983 Por estado, épocas Cultivos
N
1984 (mensuales, trimestral) Ganadería
D
1985 Por estado
Marcos Multiples
1986 Area Semanal
1987 Lista METODOS DE COLECCION
1992 Cuestionarios Personal, Correo,
1997 Teléfono, En Línea
2002
2007
BEST ESTIMATOR
MEJOR ESTIMADOR
EN RESUMEN
• This may sound complex but not all states are
making the same crop and livestock estimates every
month.
• All states will conduct the area frame survey and
multiple frame integrated survey in June for livestock
and planted crop acreage.
• In July USDA/ERS will “forecast” crop production
based on historic data modeling.
• August all states will conduct a crop report survey
for crop production estimation.
• Subsequent months (September through November)
the crop report will update only “speculative” state
crop production estimates as a cost saving measure.
• Sampled farmer “subjective” data is collected from
the list frame using primarily centralized telephone
enumeration from each USDA/NASS state
statistical office.
• Non-response is attempted to be field enumerated
along with extremely large producers.
• Speculative crop states also collect “objective”
data (plant counts and measurements) that are
modeled for an independent “forecast” estimate of
crop yields from August through harvest/post-
harvest.
TALLER
BMPs
Colección de Datos en Experimentos
Controlados
F. Gomez

can’t Measure!
1. Revisar los conceptos de Experimento
Controlado.
2. Que Controlar??
3. Técnicas de Control
4. Instrumentos de colección de datos:
1. Gente
2. Reglas, Balanzas
3. Instrumentos
5. Donde apuntar:
1. Libros de Campo
2. PDA (Loggers)
6. Concepto de “OUTLIER”
• Análisis de datos – es la identificación sistemática de
patrones en todos los datos colectados y decidiendo como
organizarlo, clasificarlos, relacionarlos, compararlos y
presentarlos.
Estas decisiones son guiadas por el problema a resolver,
los datos disponibles, y los que pagan por la investigación.
• Calidad del dato- la validez e integridad de la
información colectada que es usada las estimaciones o
para la evaluación
• Cantidad de datos- Es la cantidad de información
colectada para las estimaciones o evaluación.
• Fuentes de datos- documentos, gente y observaciones que
proveen la información
Proceso de Investigación Agrícola
Definición Determinación Análisis del
del Selección de
de problema y
Problema Tratamientos
Objetivos Objetivos
Control de
Selección del Selección UE Consideración efectos entre
Material y No. reps sobre los datos unidades
Experimental a tomar adyacentes
Esbozo de Análisis de
análisis Conducción datos e
estadístico y del Reporte
interpretación
presentación experimento de resultados
de resultados
EXPERIMENTO
• El acto de conducir una prueba o investigación
controlada
• Una prueba bajo condiciones controladas
realizada para demostrar un verdad, examinar la
validez de una hipótesis o determinar la eficacia
de algo no evaluado previamente.
• Una actividad donde se puede observar y registrar
resultados
• Un método de investigación que permite la
inferencia entre causa y efecto.
• Son actividades que producen datos o prueban
conceptos.
EXPERIMENTO
• Es una investigación planificada para obtener

nuevos hechos o confirmar o refutar trabajos
anteriores.
• Esa investigación ayudará al proceso de toma de
decisiones, recomendando nuevos procesos,
procedimientos, variedades de planta, dosis de
fertilizantes pesticidas etc.
• Este tipo de investigación establece las
circunstancias y es controlado por el investigador.
EXPERIMENTO CONTROLADO
Un experimento controlado generalmente

compara los resultados obtenidos de una
muestra experimental contra una muestra
control, la cual es prácticamente idéntica
a la muestra experimental, excepto por el
aspecto cuyo efecto esta siendo
ensayado (variable independiente)
EXPERIMENTO CONTROLADO
• Un buen ejemplo seria un experimento
de validación de modelos para controlar
mildew velloso en melón.
• Un tratamiento sería el método de
aplicaciones preventivo del productor
como un grupo experimental (testigo
check). El otro grupo seria aplicar
fungicidas cuando recomienda el
modelo
• Cada disciplina tiene protocolos para los
diferentes controles.
Experimento de Campo
Es un diseño experimental de investigación

en donde las unidades experimentales son
asignadas al experimento y a controles o
testigos, de una manera no aleatoria; y las
instrucción o conducción del experimento
ocurre en condiciones diferentes al
laboratorio.
EL ABC… DE AGRICULTURA
= + +
QUE CONTROLAR/MANEJAR?
• Unidades experimentales: genética
(stocks), tamaño, peso, edad
• Tratamiento: Diseño de tratamientos
• Error: Diseño experimentales, multi-
localidades (ambientes), entrenamiento
• Inferencia: Modelos aleatorios, fijos, mixtos
• Observaciones perdidas: Ouliers
• Medición: escalas, herramientas,
instrumentos (sondas-probes)
CONTROL DE UNIDADES
EXPERIMENTALES
• Genética: (razas, variedades)

• Tamaño: parcelas
• Peso
• Edad
TRATAMIENTOS
• Diseño de tratamientos:
• Factoriales: Interacciones
ERROR
• Diseño experimentales: DCA, BCA,
CL, Lat etc.
• Multi-localidades (ambientes)
INFERENCIA
Modelos:
• Aleatorios
• Fijos
• Mixtos
OBSERVACIONES PERDIDAS
Y FUERA DE TIPO
• Que cantidad?
• Software estadístico (SAS)
Problema
• Se hace mas difícil detectar diferencias
QUE CONTROLAR/MANEJAR?
• Medición:
• escalas: entrenamiento
• instrumentos
• Precision
• Calibracion
• Cuido
SI ESTO FUNCIONA!
• Mejor estimado del error experimental

• Mejor estimado de efectos de tratamientos
• Mejor inferencia
• Resolver el problema
SELECCION DEL SITIO
EXPERIMENTAL
Dificil, pero muy pocos toman en cuenta esto
Recordar que nuestro experimento fue

diseñado para detectar diferencias entre
tratamientos si existiesen
Ej. El suelo y clima son tan variable que

obedecen a otros principios
Imagen aérea adquirida de unas parcelas experimentales a mitad de
temporada en maíz. Se miran las diferencias en crecimiento de planta
(GNDI) de acuerdo a dosis de nitrógeno aplicadas.
Anthony site 2004 Wurtzberger site 2004

ESTADOS DE DESARROLLO
Preckel 2003 Tremble 2003
PRINCIPIO DE ESTACION vs. MEDIAESTACION PRINCIPIO DE ESTACION vs. MEDIAESTACION

Instrumentos de Colección de
Datos:
1. Gente: Capacitada y bien pagada
2. Aparatos, herramientas: Reglas,
Balanzas
3. Instrumentos. Bien calibrados
TOMA DE DATOS Y
ALMACENAMIENTO
Donde apuntar
1. Libros de Campo:
• Capacitación, son únicos.
• No pasar en limpio
2. PDA (Loggers):
• Capacitación
• Asegurarse de la energía
Qué es un outlier en los datos?
Definición: Un outlier es una observación
que se encuentra a una distancia anormal de
otros valores obtenidos en una muestra
aleatoria de una población.
En un sentido esta definición deja espacio
para el analista en decidir si es o no
anormal.
Antes de decidir si es una observación es
anormal o no, es necesario caracterizar que
es una observación normal.
Maneras de Caracterizar los datos
1. Examinar el grafico de dispersión de datos por

características tales como simetría y alejamiento de las
asunciones.
2. Examinar la masa de los datos y ver si hay algunos que
están localizado muy por de fuera del resto de la masa de
datos. Estos puntos son los que se denominan outliers
3. Existen dos técnicas graficas de identificar outliers:
1. Gráficos de dispersión
2. Gráficos de cajas (box)
4. Procedimientos analíticos como el test de GRUBB.
1441 30 404
514 629 830
515 171 409
516 521 637
832 184 411
522 638 843
201 436 527
640 858 212
641 437 548
642 656 860
250 439 550 Parte del
251 668 869
265 1900 559
proceso de
707 918 270
444 560 709
limpieza de
925 272 448 datos
570 719 953
289 451 572
737 991 305
453 574 739
1000 306 470
578 752 1005
322 480 585
758 1068 322
482 592 766

can’t Measure!
TALLER
BMPs
Colección de Datos con Sesores
Automatico Via Telemetria
A. Lara
TELEMETRÍA
 La telemetría fue desarrollada en 1915 a

inicios de la primera guerra mundial
 Khris Osterhein Franchesco Di Buonanno
 Medir a qué distancia se encontraban objetivos

de artillería,
 Esta tecnología nos permite la medición remota
de magnitudes físicas y el posterior envío de la
información hacia el operador del sistema.
TELEMETRÍA
 La palabra telemetría procede de las palabras

griegas tele ("lejos") y metron ("medida").
 La palabra "tele", τῆλε en griego, quiere decir a
distancia y la palabra metron, (μετρον) en
griego, quiere decir medida.
TELEMETRÍA
 Los equipos de telemetría obtienen la

información mediante transductores que
transforman las magnitudes físicas a medir en
señales eléctricas equivalentes, que son
enviadas al punto de observación mediante
ondas eléctricas para su recogida y análisis.
TELEMETRÍA
 Una de las principales aplicaciones de la

telemetría es la meteorología.
ESTACIONES CON SENSORES
AUTOMÁTICOS
ESTACIONES METEOROLÓGICAS
Agricultura
 Modelos de
enfermedades
 Irrigación con precisión
Irrigación
 Monitoreo de Humedad
de suelos
 Evapotraspiración
 Control de válvulas
Manejo de Agua
 Monitoreo de Calidad
de Agua
 Detección de escape de
agua
 Monitoreo de nivel
 Monitoreo de equipos
 Advertencia de
inundaciones
Monitoreo del Ambiente

 Meteorología
 Calidad del Aire
 Polvo
TECNOLOGÍAS DE COMUNICACIÓN
 Radio UHF de corto alcance

 Radio UHF de largo alcance
 Micro-ondas 2.4Ghz
 GSM/GPRS
 Satélite
Transmisión por Radio Transmisión por GSM/GPRS
RED DE ESTACIONES METEOROLÓGICAS
Una red de estaciones meteorológicas consta

de:
 RTU (Radio Transmission Units) o URT (Unidad
de Radio Transmisión)
 Sensores automáticos
 Estación base (Gateway)
 Software (addVANTAGE Pro 6.0)

RTU Y PANEL SOLAR
RTU
Panel solar
A723 SERIES 4
A723 Series 4 A723 Series 3

- Rango de
frequencias: 432 - 470 MHz 432 - 470 MHz
- Resolución: 12-Bit @ 0-2.5V 10-Bit
11-Bit @ 0-1V ----
- Contador de
pulso: max. 50/seg. max. 30/seg
- Memoria: 64kb 16kb
- Almacenamiento: aprox. 13 días max. 8 días
- Conectores: 2 x 7-pin, 1 x 5-pin 2 x 7-pin, 1 x 5-pin
A753 ADDWAVE SERIES 4 GSM/GPRS
A753 A733
- Resolución: 16-Bit @ 0-2.5V 10-Bit
14-Bit @ 0-1V ----
- Exactitud: 16-Bit 10-Bit
- Contador de pulso: max. 50/sec. max. 30/sec
- Almacenamiento: aprox. 1 mes max. 10 días
- Memoria: 256KB 32KB
- Conectores: 4 x 7-pin, 1 x 5-pin 4 x 7-pin, 1 x 5-pin
COMPONENTES DE UN RTU
 Data Logger
 Radio/Modem (10mW, 500mW, GSM, GPRS)
 Baterías
Radio/modem
 Antena
Logger
Batería
A753 ADDWAVE SERIES 4
I/O A:
 Por default I/O A tiene:

Un conector hembra 7-pin Binder con
3 x análogo
1 x contador de pulso
1 x Puerto Digital TTL in/out
 Ahora el pin digital es usado para cambiar de estandar a SDI-

12.
 Soporta hasta 40 valores SDI-12.

I/O B: Puerto Amplificador de Bajo Voltaje
- Mayor aplicación: para los piranómetros Kipp & Zonen
- Rango: 0 - 200mV
- Configuración:
- a) Configurador del A850
- b) Sensor Inteligente
- I/O C: Puerto Especial para Viento, Velocidad y Dirección
- Salida:
Ráfagas de Viento de acuerdo a la fórmula
WMO: 4 muestras por segundo, Promedios
móviles de 3 segundos. El RTU retornará el valor
máximo.
- Promedio de la velocidad del viento
- Dirección del viento: promedio vector de acuerdo

a la fórmula WMO
I/O D: Puerto Especial para Precipitación
- Guarda un registro de la hora y fecha de cada pulso

- Calcula la intensidad de lluvia como lo hace un
software hidrológico especial como “Mike-Flood” de
DHI
RA440 – RECEPTOR Y TRANSMISOR
Antena del modem Antena para el

Receptor y Radio receptor
Transmisor de señal y transmisor
GSM / GPRS
RA440 – ESPECIFICACIONES GENERALES
• Dual wireless
Conexión GPRS al A850
Conexión UHF a los RTUs
• Poder solar
• Contenedor simple IP-67
• Baterías recargables NiMH
• Compatible solo con los gateways A850
• Conectores de antena externa TNC

• Contenedor Estandar de SIM card
• Modem integrado de bandas quad
GSM/GPRS
• Radio modem integrado A440 UHF
- 500mW
- 430-470MHz
• Utiliza baterías estandar A733 y A753

- 6V, 3300 mA/h
• Baterías secundarias opcionales
- se utiliza una batería a la vez
• Soporta hasta 20 RTUs utilizando un panel
solar
• Conector de poder de 12V

• Se pueden utilizar dos fuentes de poder
-12V fuente primaria
- 6V baterías internas de respaldo
• Soporta hasta +/-50 RTUs con una batería externa

ESTACIÓN BASE (GATEWAY)
» Toda la información colectada por
cada RTU es almacenada en el
Gateway A850:
» Ciclos de extracción
» Rutas
» Números telefónicos (GSM)
» Direcciones IP(GPRS)
» Cual sensor en cual puerto y
con cual controlador
» Zonas horarias UTC (Universal
Time for Multi Time Zone
Applications)
SENSORES
Colección de datos - Sensores
• Suficiente exactitud
• Robusto
• Opera en un rango amplio de temperaturas
• Bajo consumo de energía
PARÁMETROS QUE SE PUEDEN MEDIR
• Temperatura del aire
• Humedad Relativa
• Precipitación
• Radiación Solar (var. Longitudes de Ondas)
• Velocidad y dirección del viento
• Humedad de hoja
• Temperatura del suelo
• Humedad del Suelo
• Conductividad del Suelo
• Punto de condensación
• Calidad de agua (OD, pH, Turbidez,
nitritos, nitratos, CE, amonio...)
SENSORES DE CALIDAD DE AGUA
WIRELESS SENSOR INTERFACE (WSI)
• Reemplazo de cables
• Actua como sensor SDI-12
inalámbrico conectado a un RTU
estandar
• Rango de hasta 200m
WSI - ESPECIFICACIONES BÁSICAS
• Versiones Master / Slave

- Master es conectado al RTU
RTU
- Slave es conectado a los sensores
M
• Opera con 2.4 GHz
• No hay almacenamiento de datos local
• Actua como si estuviera conectado directamente S
con cable al RTU S
• Opera como un sensor inalámbrico SDI12
WSI - ESPECIFICACIONES DEL MASTER
•WSI Master es necesario en el RTU
• se conecta directamente en la nueva
generación de RTUs (A723v4, A75X) M
• se debe utilizar el A506 (Adaptador SDI-12)
para las versiones de RTUs A723/A73X S10
S1
•Toma energía del RTU S2 S9
...
•Un máximo de10 WSI esclavos por RTU
•Número de valores = Capacidad del SDI
del RTU
- 10 valores en el A732
- 20 valores en el A723/A733
- 40 valores en el A723v4 and A75x
WSI - ESPECIFICACIONES DE LOS SLAVES
•Solamente funcionan con baterías

- Baterías alcalinas estandares AA
- target single season battery life
•Versión SDI-12
- 10 valores SDI-12 por WSI SDI-12
- La vida de cada batería depende del
sensor conectado
Analog
•Versión análogo
- 3 analogos / pulso / 1 entrada digital
- es similar a un puerto I/O estandar de RTU
CONFIGURACIÓN DE UNA ESTACIÓN METEOROLÓGICA
CONECTADAS ENTRE ELLAS VÍA RADIO Y ENVÍO DE
TODOS LOS DATOS RECOLECTADOS AL GATEWAY VÍA
GSM/GPRS
SOFTWARE
• Almacenamiento de datos
• Visualización de datos
• Procesamiento de datos
• Modelos de Enfermedades
• Modelos de Irrigación
• Estadísticas
• Alarmas
• Controles
ACCESO A LOS DATOS
Computadora con Internet
Mobile con WAP

Red 4
Red 2
Alarmas SMS/E-Mail
addVANTAGE Pro
Red 3
Server Replicación de datos de
Server-a-server
A2A ASCII server
Conectividad a otras
aplicaciones con addUPI XML
Desplega cualquier
periodo de tiempo
que desee
Incluir sensores
arrastrandolo
desde Cualquier
estación
Puede asignar el
color que se desee.
Panel con gráfica
puede ser
combinado con
páneles de
eventos
Ver el valor a la par
del cursor
Calcula sumas,
min, max,
promedios, etc.
RED BÁSICA DE ESTACIONES METEOROLÓGICAS
Y DE CALIDAD DE AGUA
addVANTAGE Pro Server
Usuarios
A733 addWAVE
A850 Estación Base
RTUS A733 CON ADDITS A723
A723 addIT
A733 addWAVE
A850 Estación Base
RED DE A753 CON A733 GSM/GPRS
» A753 GSM / GPRS

transmite a la Estación Base
A850 a través de la red
GSM/GPRS
A753 GSM/GPRS
A723 addIT
A733 addWAVE
A850 Estación Base
A753 addWAVE GSM/GPRS
NUEVA TOPOLOGÍA PARA ESTACIONES METEOROLÓGICAS
A723
addIT
A753
addWAVE
A850 A723
Telemetry Gateway addIT
A733
addWAVE
RA440
A723
addIT
- RA440 GPRS puede ser instalado en cualquier ubicación donde exista covertura GPRS
CALIDAD DE LOS DATOS
Confiabilidad de los datos
• Seleccionar los sensores correctos
• La precisión depende del propósito del
uso!
• Rango de medición
• Requisitos para recalibrar
• Selección del lugar idóneo
• Realizar una instalación apropiada!
• Realizar el mantenimiento apropiado y
profesional!
ESTACIONES NECESARIAS EN UN ÁREA
 No hay ninguna regla para definir cuantas

estaciones deben colocarse en una área
determinada
 Se necesita un número de estaciones
adecuado a la topografía, propósito,
cultivo y variabilidad del clima-suelo.
ANTENAS GSM
Primer versión:
- Con visagra
- Dual band
- Lambda / Lambda 2
- Tamaño: 240 mm
ANTENAS GSM
Segunda versión:
- Sin visagra
- dual-band
- IP-65
- Lambda 2
- Tamaño: 115 mm
ANTENAS GSM
Tercer versión:
- Sin visagra
- quad-band
- IP-65
- Lambda 2
- Tamaño: 65 cm
TALLER
BMPs
Collectcion de Datos Utilizando Censos,
encuestas,
aynd Paneles de Experto
S. Kellogg, F. Gomez
Métodos of Colección de Datos
• Varios métodos para colectar datos
• Enumeración en el campo
1. Cara-a-Cara (Entrevista Personal)
2. Observaciones e campo y conteos/medidas
(Encuestas y Monitoreo)
3. Maquinas/aparatos colección de datos
automáticos/grabaciones/transmisión
• Electrónicos
1. Teléfono
2. Internet/computadora
• Correo
TIPOS DE COLECCION DE DATOS
Varias formas de Datos

• Datos Administrativos
1. Agencias del gobierno
reciben/distribuyen/reportan datos –
importaciones/exportaciones , oficinas de
impuestos, aduanas, etc.
2. Datos de la Industria/Organizaciones
comerciales
• Datos Censales y de encuestas
Colección de Datos Censales
• Conceptualmente, la colección de datos se diseña

en base a enumeraciones de campo en segmentos
de tierra o área.
• La segmentación generalmente sigue limites
naturales.
• Requiere de un completo filtrado del segmento pra
identificar los elementos de la población a reportar..
Ej. Un productor.
• Todos los productores deben completar una
entrevista/cuestionario.
TIPOS DE CENSOS
METODOLOGIAS DE COLECCION DE DATOS
• ENUMERACIÓN COMPLETA
1. Es la forma mas intensiva de manejar un
censo
2. Requiere una segmentación a nivel nacional
para manejar y colectar datos
3. Fue la forma mas común de hacer censos
durante el siglo 20 y antes
4. Requiere de un infra-estructura grande ej.
Mapeo, transporte, procesamiento de datos,
enumeradores, - contratar, entrenar,
alimentación y hospedaje, reemplazos,
(entrenamiento)
5. Requiere de supervisión experta
CENSO MUESTRAL O PROBABILISTICO
1. Conceptualmente similar a un censo completo que
utiliza segmentación
2. Similar a una encuesta muestral utilizando
muestreo probabilístico con tamaños de muestra
entre 20-33 porciento de la población.
3. El tamaño de la muestra es dependiente del nivel
administrativo que se estima y la precisión
requerida.
4. Requiere menos manejo y supervisión
5. Se requiere estructura similar al censo pero a
escala mas pequeña.
6. Colección de datos mas efectiva por el costo.
7. Los estimados son mas exactos
8. Los resultados se pueden publicar mas a tiempo
IMPORTANCIA DE MEDIR EL GRADO DE
COMPLETIDAD EN UN CENSO
1. Se necesita para tener estimados exactos, sin

importar el tipo de censo.
2. La colección de datos se implementa como
una con un muestreo independiente.
3. Los ajustes por el grano de no completidad
deben de aplicarse para obtener los resultados
finales del censo para publicación.
CARACTERÍSTICAS DEL DISEÑO PARA
COLECTAR DATOS CENSALES
• En algún momento del diseño de un censo se
requiere completar una enumeración de campo
completa
• Mayores ventajas del Censo:
1. Tradicionalmente se considera como el medio
mas exacto para obtener los estimados de la
población (de totales)
2. Potencialmente provee la información mas
detallada de cualquier población de interés ej.
Agricultura.
3. Provee valores agregados para todos los
niveles administrativos ej. nacional,
departamental, municipal etc.
1. Provee los números mas exactos para datos
de artículos “raros” dentro de una población.
2. Permite generar las bases y/o herramientas
para encuestas muestrales futuras.
Mayores desventajas del Censo :
1. Requiere de un marco completo como la base de
las enumeraciones, filtrado y entrevistas en
campo
2. Los resultados y números no son inmunes, son
vulnerables a inexactitudes debido al potencial de
reportar los errores y a lo que nunca es
completo.
3. Alto costo
4. Lleva mucho tiempo (colección y procesamiento
de datos)
5. Requiere bastante tiempo para publicar los
resultados.
CARACTERISTICAS DE COLECCION DE
DATOS EN ENCUESTAS MUESTRALES
• El diseño de encuestas puede utilizar muestreo
probabilístico o no- probabilístico, basado en la
estructura tradicional de marcos de muestra provenientes
de los segmentos de marcos área o marcos de lista de
los productores, organizaciones y/o instituciones.
• La colección de datos ha sido tradicionalmente cara-a-
cara
• En términos generales, las encuestas ha llegado a ser la
mejor metodología estadística para generar estimados
exactos en agricultura.
• Los marcos muestrales permiten utilizar la metodología
tradicional institucional de colección de datos en el
proceso de enumeración de campo.
• Provee estimados a tiempo y a un costo razonable.
COLECCION DE DATOS CON ENCUESTAS
• La colección de datos esta conceptualmente

diseñada alrededor de los enumeradores de
campo colectando datos de segmentos o
productores.
• Los segmentos muestrales requieren un filtrado
completo de los segmentos para identificar los
elementos de la población que reportaran los
datos o en su lugar localizar correctamente los
productores incluidos en la muestra.
• Todos los segmentos/productores deben ser
completamente enumerados con cuestionarios.
CARACTERISTICAS DE COLECCION DE DATOS DE
PUNTOS Y PANELES (MONITOREO)
• El diseño puede ser probabilístico o no-
probabilístico, dependiendo de los estimados
deseados y de la capacidad de colección de datos.
• Conceptualmente es lo mismo que la encuesta
pero el marco muestral es mas flexible con
respecto a su aplicabilidad en la colección de
datos objetivos en agricultura y el ambiente.
• Tradicionalmente los panels ha sido compuestos
por unidades de reporte no probabilísticas.
• La colección de datos puede ser seleccionada
representativamente o muestreada basada en
unidades o puntos fácilmente enumerables en el
campo.
• Un panel es un instrumento basado en
RESPUESTAS, que representa un elemento de la
población,
• Provee un dato subjetivo y/o opinión
• Son colectados por medio de entrevistas
personales
• El monitoreo implica visitas repetidas a los puntos
de muestreo o los respondientes del panel
• Ideal para colectar datos de indicadores
ambientales con presupuestos limitados u otros
recursos.
COLECCION DE DATOS DE PUNTOS Y
PANELES (MONITOREO)
• La colección de datos esta conceptualmente diseñada
alrededor de los enumeradores de campo que
colectan datos de puntos en una área o de un panel
de operadores de finca seleccionados como
respondientes.
• Los puntos de muestreo y el panel de respondientes
necesitan estar permanentemente identificados para
visitas recurrentes exactas
• Todos los puntos del muestreo y el panel de
respondientes deben de ser completamente
enumerados con las formatos o cuestionarios de
colección de datos.
• Los datos colectados pueden ser objetivamente
observables (conteos/números), o subjetivos del
respondiente (opinión o números actuales).
TALLER
BMPs
Desarrollo, Analisis e Imputacion de
Cuestionarios
S. Kellogg, F. Gomez
149
DESARROLLO DE UN CUESTIONARIO
• El término cuestionario generalmente implica el medio
con el cual se colectan datos en forma tradicional.
• Tradicionalmente es un cuestionario en papel.
• Actualmente se incluyen los cuestionarios en-línea.
• Las encuestas muestrales y los panels de
respondientes usados para colectar datos requieren
cuestionarios hechos a la medida
• Para el Muestreo por Puntos y Monitoreo,
generalmente se requieren de formatos de colección
de datos, solamente
• Son las mismas preguntas en el tiempo.
150
PRINCIPIOS DE DISENO DE
CUESTIONARIOS
• Al principio, los cuestionarios parecían
hojas de calculo y se requería entrenar a
los enumeradores en las instrucciones de
como preguntar y completar las
preguntas.
• La estrategia actual es dividir la
preguntas con un enfoque intuitivo para
que el enumerador se guie a través de
todo el proceso de la entrevista.
151
• Se utilizan celdas con “SI” y “NO” para
mejorar el flujo correcto de la
entrevista y asegurarse que las
preguntas sean contestadas en el
orden correcto y que no se quede
ninguna sin contestar
• Se deben incluir preguntas
“pertinentes” y que serán sumariadas
y monitoreadas en el tiempo.
• Pertinente también implica que la
pregunta debe de preguntarse en
forma exacta.
152
PRINCIPIOS BASICOS DEL DISEÑO DE
CUESTIONARIOS/FORMATOS
• Identificación exacta para tomar en cuenta todos y
cada uno de los datos de cada
cuestionario/formato para medir el grado de
completación y hacer una sumarización exacta.
• Identificar completamente la información del
respondiente y la del enumerador de campo.
• Un diseño efectivo del cuestionario/formato
investigará con los usuarios de datos quienes
detallaran y justificaran todas las preguntas
pertinentes en una forma lógica para su inclusión..
• Los códigos de completación son necesarios para
una expansión y sumarización exacta.
153
• Los cuestionarios/formatos con datos
faltantes pueden ser codificados ya sea
como incompletos o parcialmente
incompletos.
• Incompletidad parcial requiere edición,
limpieza y sumarización mas complejas, .
• Pruebas pilotos y sumarizaciones son
una necesidad para diseñar
cuestionarios/formatos.
154
LIMPIEZA DE DATOS PARA ANALISIS
• Los datos deben de estar completos y limpios
(libre de errores)
• Hay varias formas de edición de datos, pro se
comienza con el proceso de entrevistas utilizando
un proceso intuitivo seguido de edición en
computadora.
• Limpieza de datos consiste en chequeo de
rangos, consistencia, y contingencia.
• Primer paso – para celdas con datos individuales
utilizar rangos, diagramas de dispersión, para
probar por razonabilidad y distribución de los
datos.
• Segundo Paso – realizar chequeos por
relaciones. 155
METODOLOGIA DE LIMPIEZA DE DATOS
• Los chequeos por consistencia determina lo
correcto de dos respuestas y su relación.
• Los chequeos por contingencia lógica son como
“si”, esto es “esto” (igual, mayor, menor etc.”
entonces es correcto.
• Esto puede ser un proceso complejo y tomar
mucho tiempo. Es mejor reducir la complexidad
de los datos en el cuestionario.
• Al hace las correcciones–
1. Chequear con el enumerador de campo
2. Re-contactar al respondiente
3. Cambiar basado en el juicio del editor
4. Imputación
156
ANÁLISIS
• Sumarizar lo datos con la expectativa que se puedan
estimar los errores muestrales para los estimados.
• Revisar la distribución de los datos y compararla con
estimaciones previas.
• Revisar las graficas de dispersión de las
observaciones para las muestras. Esto es una forma
fácil y efectiva de analizar datos, y cuando se
combinan con distribuciones de frecuencia, permiten
detectar outliers.
• Revisión critica de estimados por razonabilidad,
comparándolos con datos administrativos, censales
etc.
• Comparar resultados comenzando con los niveles
mas altos y siguiendo hacia los niveles mas bajos de
estimación. i.e. nacional, regional, departamental,
157
municipalidad
IMPUTATION
• Definición de imputación – la metodología de
estimar datos faltante
• La forma clásica de estimar la imputación es utilizar
la “media” como valor de imputación de un dato
faltante. Esto es porque por definición la “media” es
el mejor estimado.
• Actualmente con muestreo probabilístico, el
estimado de un total no es mas que la expansión
de mejor estimado multiplicado por el inverso de la
probabilidad de la muestra seleccionada.
• Existen varias alternativas al usar la media, pero
son una variante del promedio basado en algunos
criterios de selección.
158
ESTIMACION
• El uso de datos de encuestas como un “Arte”, se
refiere a su valor como indicadores” para obtener el
“mejor” estimado del verdadero valor de una
población.
• Tradicionalmente, el “mejor “ estimado basado en
encuestas probabilísticas muestréales es un estimado
de punto, ej. la media, el total etc.
• Tradicionalmente, de una encuesta probabilística
muestral, se genera un solo estimador de punto para
cada variable.
• El problema es que lo marcos muestrales son siempre
incompletas, no están actualizados, y el mismo
proceso de colectar datos produce un error no-
muestral, que contribuyen al sesgo del estimador.
159
• Además, un estimado de punto, puede variar
considerablemente, dependiendo de la variabilidad de
cada articulo y el tamaño de muestra, debido a la
muestra misma.
• Un diseño muestreal moderno que provea indicadores
“múltiples” es necesario para tener estimados mas
robustos del verdadero valor de la población.
• Los indicadores múltiples requieren conceptos
estadísticos conocidos como “estimadores de pequeñas
aéreas” para “modelar’ indicadores que generen el
mejor estimado.
• Se pueden graficar los estimados de las encuestas con
los datos históricos para observar diferencias en
relaciones y poder remover el sesgo potencial que
existe desde el mejor estimado.
160
TALLER
BMPs
REVISION DE CONCEPTOS PARA
COLECTAR DATOS EN CENTROAMERICA
WWF Recommendation
F. Gomez
Mcfield and Kramer 2007
“RECOMENDAMOS QUE TODOS LOS GRUPOS
ENCARGADOS DEL MONITOREO SE
COMPROMENTAN A RECABAR
INFORMATION CONSTANTEMENTE, A LARGO
PLAZO, SOBRE UN CONJUNTO MEDULAR DE
INDICADORES ECOLOGICOS ALTAMENTE
PRIORITARIOS”

can’t Measure!
Este trabajo monumental enfatiza la
necesidad de colectar e interpretar los
datos – censos, Encuestas, monitoreo
“El monitoreo es una herramienta
para que el trabajo de conservación
sea efectivo y cause mayor impacto”
Determinar un conjunto medular de
indicadores prioritarios
• No existe un indicador que funcione en
todas las aéreas de manejo
• No existe una combinación de indicadores
que funcione en todas las situaciones
• La medición de solamente uno, o pocos,
indicadores no puede reflejar plenamente el
estado de la salud en general de un
ecosistema
Determinar un conjunto medular de
indicadores prioritarios
• Ninguna combinación de indicadores puede
considerarse como la correcta todo el
tiempo
• La medición de solamente uno, o pocos,
indicadores no puede reflejar plenamente el
estado de la salud en general de un
ecosistema
Utilizar los indicadores para
abordar preguntas sobre el manejo
¡No existe un indicador que

funcione en todas las áreas de
manejo!
TALLER
Colección y Análisis de Datos
en BMPs
Principios y Aplicaciones de Agricultura
de Precisión
F. Gómez, , J. López, E. Fuentes, J. Vásquez, A. Lara,
La Lima, Cortes, Honduras
Enero 21 22, 2009
AGRICULTURA DE
PRECISION EN CAÑA
DE AZUCAR
Azucarera del Norte S.A.
“AZUNOSA”, El Progreso,
Yoro, Honduras
Conocer el potencial de la AP como una

“BMP” el cultivo de caña de azúcar, para
alcanzar mejores niveles de eficiencia
económica y ambiental.
FACTORES LIMITANTES EN EL
CRECIMIENTO DE LOS CULTIVOS
1. Los factores limitantes son distintos en

cada parcela, por lo tanto, su
remediación debe ser distinta también
2. Factores cambian año tras año
3. Factores que limitan productividad

interactúan
Los campos agrícolas no son uniformes:
Variabilidad Espacial
Variabilidad Temporal
Agricultura de Precisión
AP es la aplicación de un manejo
estratégico holístico que utiliza
tecnología de información para
almacenar datos de múltiples fuentes y
llevar a cabo decisiones asociadas con
la producción agrícola, mercadeo,
finanzas, y protección del ambiente
(Olson, 1998)
AP: Potenciales (I)
•Incremento de la eficiencia:
– Mayores rendimiento con la misma
inversión (redistribución)
– Mismos rendimientos con menor
inversión
– Mayores rendimientos con menor
inversión
↑ Información = ↑ Precisión en el manejo

AP: Potenciales (II)
• Incremento de la calidad del cultivo:

– ↑ contenido de azúcar, etanol, etc.
• Valor agregado
• Manejo de riesgo
– ↑ información ≈ ↓ riesgo
• Trazabilidad
• Protección ambiental
AP: Potenciales (III)
• Valor de las tierras
• Impuestos de las tierras
• Financiamiento
• Seguros para los cultivos

Objetivos
• Determinar la mejor estrategia de muestreo
para definir zonas de manejo de menor
escala que los campos completos y que
sean económicamente viables.
• Alternativas con su relación

Costo/Beneficio por hectárea
Metodologia
• Definir Zonas de Manejo de Precisión (ZMAP´s)
• Definir Intensidad de Muestreo para las ZMAP´s
• Mapeo de Fincas y Lotes de Producción con

tecnología de precisión.
Metodología
Delimitación Digital de Fincas y Lotes con Imágenes aéreas o satelitales.
Fincas
AZUNOSA
Lotes de
Fincas
AZUNOSA
Metodología
• Selección de Finca Piloto
Fincas
AZUNOSA
Lotes de
Fincas
AZUNOSA
METODOLOGÍA
 Selección de Estrategia de Muestreo:

 Aleatorio simple
 Estratificado
 Muestreo en cuadrícula
 Aleatorio en cuadrículas
 Muestreo dirigido
 Muestreo geoestadístico
X X
•Campo entero
X X
•Cuadrícula de 1 acre
X X
X
•Sub-cuadrícula
X X
X X X
X
X X
ANÁLISIS GEOESTADÍSTICO
 La columna vertebral del análisis geoestadístico es la

determinación de la estructura de autocorrelación entre los
datos y su uso en la predicción a través de las técnicas
conocidas como kriging y cokriging.
Semi-variograma
1.0
0.9
0.8
0.7
Sill (Co+C1) = 0.6
Semivariance
0.6
0.5
0.4
0.3
0.2
0.1 Nugget (Co) = 0.1

Range (a) = 7
0.0
0 2 4 6 8 10
Lag Separation
SEMIVARIANZA
1 n ( h)
 (h)
2
 [z  zih]
2n(h) i 1 i
 (h) s [1 (h)]

2
300
250
78.1
100 60
200
DISTANCE (m)
90
150
30 58.3
100
50
50
0
0 50 100 150 200 250 300
DISTANCE (m)
KRIGING PUNTUAL
N
zo    z Estimate
ii
i i
N
 (zo)      Variance
2
i io
i 1
 1Weighting Factors
i
% Organic matter by LOI 0-6 inches
Fall Soil Samples 2001
Willis Anthony Richard Wurtzberger
4 6 8 10 12 3 5 7 9
Range 4.3 - 12.3 % Range 3.3 - 8.8 %
Avg. 6.9 Avg. 5.9
COKRIGING
 Mapea la variable mas costosa (z1) basado en su
dependencia espacial con una variable menos costosa
(z2)
 Requiere semivariogramas para cada variable, y su

semivariograma cruzado (cross-semivariogram).
 Mediciones de la variable muestreada con menor

intensidad deben hacerse en los mismos sitios donde la
variable muestreada con mayor intensidad fue medida.
Willis Anthony Richard Wurtzberger
1080 ft 1080 ft
West to east West to east
COKRIGING
1 n(h)
 12 (h)   [z1i  z1,i  h ][z2i  z2,i  h ]
2n(h) i1
N N
1 2
z2o   1iz1i    z
2j 2j
i1 j1
Phosphorus Sampling Results
Variabilidad de la Materia Orgánica del Suelo
Rendimientos TCM
Variabilidad del Nitrógeno Disponible
Rendimientos TCM
Variabilidad del Fosforo Disponible
Rendimientos TCM
Variabilidad del Potasio Disponible
Rendimientos TCM
FINCAS Y LOTES DE PRODUCCIÓN DE AZUNOSA
CONCLUSIONES
 La variabilidad espacial encontrada en la Finca San Antonio
Bosque I de AZUNOSA fue altamente significativa en todos
los parámetros del suelo.
 El manejo de los nutrientes y el riego a sitio especifico

representa un enorme potencial para reducir la cantidad de
fertilizantes y riego, y reducir significativamente su impacto
ambiental causado por sobre aplicaciones.
 Mapas de zonas de manejo (Zmaps) deben desarrollarse

basados en la variabilidad actual del suelo, potencial de
producción, practicas agrícolas actuales, tecnología
disponible y la habilidad de manejo de AZUNOSA.
CONCLUSIONES
 La intensidad de muestreo no debe ser menor a dos hectáreas. La
estrategia de muestreo debe tener la flexibilidad de implementar un
patrón sistemático de muestreo y de agregar puntos de muestreo
adicionales basados en otros criterios agronómicos.
 Los criterios para determinar si muestreo adicional es necesario

puede incluir historial de manejo de la finca, mapas de rendimiento,
variabilidad natural o por manejo del suelo.
 La estrategia e intensidad de muestreo depende del grado de

variabilidad de cada parámetro del suelo y del nivel de impacto que
esta pueda tener en el rendimiento.
CONCLUSIONES
 Las imágenes aéreas y/o satelitales facilitaron enormemente la
delimitación y mapeo de las fincas y lotes de producción de caña
de AZUNOSA. La delimitación y mapeo usando mediciones en el
sitio requieren un arduo trabajo y tiempo, aun cuando se utilizan
tecnologías de alta precisión como el GPS.
 Aun así la delimitación y mapeo usando tecnologías de

teledetección fue difícil en algunas áreas debido a la poca
resolución de las imágenes utilizadas (20m) y la presencial de
nubes en algunas zonas de AZUNOSA.
 Imágenes con mayor resolución espacial son requeridas (<5m)

para definir Zmaps de mejor resolución a nivel de lotes de
producción. Imágenes deben ser adquiridas al medio día en
punto (11 am a 1 pm), durante días claros y soleados, o utilizar
tecnología radar.
Nuestra meta…
Muestreo de Materia Orgánica Rendimiento de Rendimiento de

Suelos del Suelo % Caña TC/Mz Azúcar qq/Mz
(Marzo 2009) (Mayo 2009) (Marzo 2010) (Marzo 2010)
Reducción de 25% de uso de

Fincas AZUNOSA Fertilizantes
ZMAP´S OKRA, TECULUTÁN, GUATEMALA
AGRICULTURA DE PRECISION EN CAÑA DE AZUCAR
Azucarera del Norte S.A. “AZUNOSA”, El Progreso, Yoro, Honduras
La Agricultura de Precisión, con la ayuda de tecnología de la

información y comunicación, llevara a la agricultura alrededor del
mundo a un mejor y mas preciso nivel de manejo, reduciendo
costos de productividad y reduciendo los impactos ambientales
de los sistemas agrícolas.
(Robert, 2002)
PROYECTO BIOCORREDORES
OBJETIVO
 Conectar ecosistemas fragmentados por la

agricultura, a través de biocorredores que
permitan la migración de diferentes especies
animales de un ecosistema a otro.
METODOLOGÍA
ÍNDICES DE CONECTIVIDAD
 Área de Cultivo de Piña: 2,896.3 Ha

 BC Vegetación: 1,848.7 Ha
 BC Rio: 422.1 Ha
 BC Potencial: 75.6 Ha
 BC Potencial DOLE: 35 Ha
Quemas de defoliacion y desbasure
OBJETIVOS
 Presentar los nuevos sistemas mecánicos de

agricultura de precisión para la industria de la
cana de azúcar:
 Monitores de Rendimiento - Yield Monitors
 Detector de cepas faltantes - Skip Detector
 Altura de corte - Depth Control Systems

 Laser and Skid Pan
 Sistemas de control de siembra - Planter Control
Systems
BENEFICIOS PARA LA INDUSTRIA CAÑERA
• Provee un método para determinar el peso de los
camiones transportadores. Yield Monitor
 Se identifican mas fácilmente diferencias en el
rendimiento entre variedades y técnicas de manejo.
• Mejor control de fertilizantes estimados en precosecha
de biomasa y condiciones de campo – Skip Detector
• Control automático de control de corte.
• Herramientas para cuantificar parámetros de siembra y
control de la sembradora.
 Reduce el costo total de siembra
 Reduce la dependencia de mano de obra
DIFERENTES MON ITORES DE RENDIMIENTO
EVALUADOS
 Under-conveyer optical
method:
 Over-head optical system:
 Advantages
 Exactitud muy buena
 Facil de instalar
 Durable
 No mantenimiento
UNDER-CONVEYER OPTICAL YIELD MONITOR:
 Toma hasta tres lecturas
opticas en cada pedazo de
cana.
 Auto-limpieza
 Fac il de instalar
 Indicador de rendimiento ±10%
SENSORES OPTICO DENTRO DE PISO DE
COSECHADORA:
Optical Sensors
CLOSE UP DE SENSORS
LECTURAS CRUDAS DE SENSORES BAJO LA
BANDA CONTRA EL PESO DE LOS VAGONES
Under Conveyer Fiber Optic Method

Newer Mounting Location - Louisiana
1.8
y = 0.00005x
Weigh Wagon Weight (metric tons)
1.6
R2 = 0.97306
1.4
1.2
1
0.8
0.6
0.4
0.2
0
0 5000 10000 15000 20000 25000 30000 35000 40000
Raw Sensor Value (Duty Cycle)
OPTICAL YIELD MONITOR
DESARROLLO DE SENSORES
Campo 1 Campo 2
Simebras Datos Cruods Datos ajustados

bloques de 15 pies
TALLER
BMPs
The “Pesticide Sistema para el
Environmental Monitoreo y Manejo
Assessment System” del Riesgo Ambiental
(PEAS) de los Pesticidas
Charles M. Benbrook Ph.D. Adaptado por F. Gomez Ph.D.

BCS - EcoLogic GPAS
Troy, Oregon Honduras
SISTEMA DE MEDICION
PORQUE?
El riesgo asociado con el uso de pesticidas agricolas
Es el motor detrás del desarrollo de políticas

regulatorias para pesticidas y en general para
políticas agrícolas
SISTEMA DE MEDICION
PORQUE?
El sector publico y privado que invierte en MIP
están motivados por su deseo de:
reducir la dependencia de los pesticidas de alto

riesgo
SISTEMA DE MEDICIÓN
PORQUE?
Los programas de etiquetado ecológico continúan
expandiéndose en numero y alcance y demandan:
mejores métodos para evaluar y documentar

el uso de pesticidas y los niveles de riesgo.
Los sistemas de medición deben de

tener un balance entre lo
complejo, lo exacto, y la
practicalidad
En general, los sistemas de medición que

intentan monitorear los niveles de riesgo
de un número grande de productores a
nivel de país o región, no pueden ser tan
sofisticados como los modelos diseñados
para usarlos a nivel de campo.
SISTEMA DE MEDICION
A pesar de las fortalezas y debilidades

de los sistemas disponibles, todos tienen
un denominador común que es la falta de
datos que se necesitan para producir un
estimado exacto del riesgo para una clase
de organismo dada, en un ambiente dado,
después del uso particular de un
pesticida.
El Origen del PEAS
Unión de Consumidores 1992 – 1996
Evaluación cuantitativa y a largo plazo

de las tendencias del riesgo agudo y
crónico de pesticidas basados en el uso
nacional de pesticidas en USA.
El Origen del PEAS
Consumers Union 1992 – 1996
(PMAC, Benbrook et al., 1996)

Origen del PEAS
Colaboracion con el MIP en papas

(1995)
• World Wildlife Fund (WWF)
• Wisconsin Potato and Vegetable
Producers Association (WPVGA)
• University of Wisconsin (UW).
El Origen del PEAS
Metas:
Establecimiento de un sistema de medición
del riesgo de pesticidas y un método para
medir el progreso dentro de un continuo de
MIP
→Sistemas de Transicion→ ALTO
SIN
MIP Intensivo con
MIP BAJO MEDIO Biocontroladores
→Dependencia en la prevención relativo al tratamiento→
Data from Field
Weekly Disease
Monitoring
Control
YLWS Panda Server, and
YLS Chiquita Server Disease
% of plants with 8mm Storage
lesions Manager
Infection Index Operator
Sigatoka IPM Conditional
Decision
Decision Support
SIGATOKA API
Algorithm Extension
Available in
No-control
AdVantage 5.4
Data from WWF-
CHIQUITA weather
stations at Banana
Farms in Hond uras
and Guatemala WEB,
ALARM/SMS
Temperature
Relative Humidity
Precipitation Decision-support algorithmic model for the IPM control of
Leaf Wetness sigatoka in bananas developed by Tela Railroad Co
(CHIQUITA) and the WWF’s Agricultural and the
Environment Program, Summit, and USAID/CCAW-FHIA
Confidentiality statement. This information is strictly confidential and by no means can be shown, delivered,
recorded or transferred by any mean to a third party for the purpose other than reporting as a deliverable to CCAW by FHIA
through the CONTRACT NO. EPP-I-04-03-00014-00
El Origen de PEAS
Un modelo del riesgo de pesticidas

MULTIATRIBUTO se desarrolló y se aplicó para
estimar una línea base en 1995 de uso y riesgos
de los pesticidas usados en papas (Benbrook et
al., 2002).
Los responsables del proyecto acordaron metas

a uno, tres y cinco años, para reducir las
unidades toxicológicas y uso de los pesticidas de
mayor riesgo, midiendo el progreso a partir de
la línea base de 1995.
El origen de PEAS
Tendencias en las unidades toxicológicas de los insecticidas

utilizados en papas en Wisconsin por acre sembrado
1,000 Nacional 6%
800
600
400 WWF-WPVGA
National
1995 - 1997
200 Wisconsin
0
1995 Toxicity 1997 Toxicity
Units per acre Units per acre
Wisconsin 62%
Evolución de los Modelos de Ranqueo del
Riesgo de Pesticidas.
• EIQ – Joe Kovach, Cornell University, circa 1991
• IPM System Ratio, Weed Management –
Benbrook, WWF 1994
• IPM Measurement System, PMAC,
Benbrook/CU, 1996
• Wisconsin potato collaboration, multiatribute
tox method, 1996-ONGOING
Evolución de los Modelos de Ranqueo del
Riesgo de Pesticidas.
(Basados en PEAS)
• Glades Crop Care applications, tomato and pepper
tox units, 1998-2001
• Wisconsin apples, 2002
• PEAS, Gerber Products Co., multiple crops, 2002-
2005
Evolucion de los Modelos de Ranqueo del Riesgo de
Pesticidas.
- ONGOING
• Lodi-Woodbridge, grapes, application of PEAS, 2003
• Protected Harvest, PEAS model applications, stone-fruits,

processing tomatoes, summer squash, strawberries and citrus,
application of PEAS, 2004
• WWF Meso-American Coral Reef Project, bananas,

pineapple, oil palm, sugar, application of PEAS, 2004
• University of Oregon – application of PEAS, Cranberries,

2006
PEAS vs. WWF-WPVGA Model
El modelo estima el potencial de la

toxicidad del pesticida, sin importar si el
organismo meta (target) reflejado en el
índice, están realmente expuestos al
pesticida
La medida básica son libras (kg) del
pesticida aplicado multiplicado por el
valor del factor de toxicidad.
Modelo PEAS vs. WWF-WPVGA
PEAS utiliza valores del factor de toxicidad
similares, pero incorpora las tasas de uso para
estimar las unidades toxicológicas por un área
dada.
Este modelo esta designado para ranquear el
riesgo relativo de una area tratada, tomando en
cuenta factores que impactan los niveles de
exposicion.
Calculo y Ranqueo de los Valores de Riesgo
AREAS FOCALES:
• Riesgo de toxicidad aguda a mamíferos (trabajadores)
• Riesgo a la dieta de lactantes y niños
• Toxicidad aguda a las aves
• Toxicidad aguda a organismos acuáticos (daphnia
magna)
• Toxicidad aguda a las abejas (organismo centinela
representante del impacto de los pesticidas a los
insectos benéficos)
• Valores de Factores de toxicidad son
calculados para cada pesticida individualmente
en cada una de las cinco aéreas.
• Valores de factores de toxicidad incluyen tasas
típicas (o actuales) de aplicación por área, para
estimar las unidades toxicológicas por área.
• Las unidades toxicológicas se escalan y
ranquean desde el mas alto por área hasta el
mas bajo dentro de cada categoría de riesgo.
Uso de Factores Patrones de ajuste
RACIONALIDAD DEL USO:
La toxicidad sola puede ser un factor engañoso
como indicador de riesgo, especialmente cuando
se acopla con datos de la cantidad aplicada por
área.
Algunos patrones de uso de pesticidas conllevan
a una exposición virtualmente nula para algunos,
o casi todos los organismos que son non-target
(UPAF)
FACTORES EN EL UPAF:
• Formulación (como se aplica)del pesticida
(liquida, polvo, granular)
• Target (foliar, suelo, ambiente)
• Tiempo de aplicación –pre siembra, pre cosecha,
pos cosecha
• Método de aplicación de la verosimilitud relativa
de exposiciones a organismos no/target. (aéreo,
terrestre, irrigación)
Típicamente, las aplicaciones foliares se usan como
patrón, con un valor igual a uno.
Factores de Escala
Usan por tres razones:
• Los factores de escala se aplican para hacer que los
números caigan dentro de un rango que sea fácil de
evaluar y requiere menor numero de dígitos
significativos.
• Los factores de escala típicamente se necesitan si
varios índices están siendo agregados conjuntamente
en un solo y único índice de multi-riesgo
• Se usan para alterar la importancia, o ponderar los
índices de riesgo asignados a individuos.
Factores de Escala
Un factor de escala es un número que es

multiplicado por todos los valores dentro
de un índice de riesgo y que cambia los
valores absolutos del índice, pero no del
rango o valor relativo
Factores de Escala
Para todos los índices, los valores de toxicidad
bruta son escalados de tal manera que el valor
mas alto es = 100
El propósito de esta escalada es el de permitir
que todos los índices se puedan sumar y generar
un INDICE MULTIATRIBUTO que refleje
un peso igual a todos los índices.
Esto facilita la comparación de los niveles del
riesgo relativo dentro de cada Índice.
Exposición de los trabajadores/Índice de toxicidad Aguda a Mamíferos (WE/AM)
Aplicaciones durante el ciclo de cultivo, incluyendo floración, pos-emergencia, durante todo el año y después del
trasplante
Foliar Suelo
Liquido Polvo Liquido Granular
Aéreo Terrestre Aéreo Terrestre Aéreo Terrestre Irrigación Aéreo Terrestre
1.3 1.0 1.3 1.3 0.8 0.6 0.4 0.36 0.3
Aplicaciones antes del ciclo de cultivo, incluyendo dormancia, dormancia tardía pre-emergencia y y barbecho
Foliar Suelo
Fumigado – emplasticado
Liquido Polvo Liquido Granular
o injectado
Aéreo Terrestre Aéreo Terrestre Aéreo Terrestre Irrigación Aéreo Terrestre Liquido Gas Otros
1.3 1.0 1.3 1.3 0.25 0.2 0.15 0.1 0.2 0.0005 0.0001 0.0005
Otros tipos de aplicaciones incluyendo uso de ferohormonas, pos-cosecha (almacenamiento y

transporte), tratamiento a la semilla y cebos.
Pos-cosecha
Ambiente or Tratamiento a la Ceras y otros
(almacenamiento y Sebos
ferohormana semilla cubrimientos
Transporte)
Material Chupones Todos los tratamientos a
Gas o Liquido Solidos Liquidos
Impregnado (Puffer) la semilla
0.001 0.001 0.001 0.1 0.1 0.001

Lodi-Woodbridge Uvas de Vino – Factores de Toxicidad de Pesticidas
PESTICIDA: Abamectin NOMBRE COMERCIAL: Agri Mek
TIPO DE PESTICIDA: I/M

VALOR MULTI ATRIBUTO ATRIBUTO : 0.562
APPLICATOR: BV
PATRON DE USO (UPAF): Tipo Foliar

Tiempo de Aplicación Todo el ciclo de cultivo
Formulacion (asi como se aplica) Liquido
Otra Informacion Sin especificar
Exposición al trabajador / índice de toxicidad aguda a mamíferos (WE/ AM ) = 0.028
FORMULA: [(LD50 oral inversa ) * (UPAF) * (USE RATE)] * Factor de Escala

LD50 Oral = 300
LD50 Oral Inversa ) = 0.003
Factor de Ajuste del patron de uso = 1
Tasa de Uso = 0.0235384
Factor de Escala 351.35
Toxicity factors – Individual
and Multiattribute
Table of Contents Templates and Discussion
Use Rates – Worksheets and

GCC Florida Tox Communications
Factors 2003
Avian Risk Calculations
NASS and PDP Information
Other information - e.g.

MSDS and Labels
Historical Toxicity Values
Communications
•Diagnóstico de Practicas para Melón y Okra (DPs). Los DPs se desarrollarán
utilizando una forma especial basado en el siguiente outline y de acuerdo a la
experticia y base de conocimientos del Consultor
1. Características de las zonas y ciclos de producción de melón y okra en
cada una de las zonas donde estén localizadas las operaciones
seleccionadas.
2. Áreas de producción y valor de la producción
3. Requerimientos agroclimáticos
4. Suelos y su manejo
5. Irrigación
6. Fertilización
7. Cultivares y prácticas de siembra
8. Polinización
9. Manejo integrado de plagas
a. Manejo de malezas
b. Identificación y manejo de insectos plaga
c. Identificación y manejo de nematodos y enfermedades
10. Manejo poscosecha
11. Mercadeo
12. Servicios de investigación, extensión disponibles
13. Impacto ambiental enmarcados en las metas del WWF
Basic Instructions for the Collection of Pesticide
Application Data for Use in the WWF Projects
PURPOSE
• Accurate pesticide use data is needed in order to:
• project the relative levels of risk associated with pesticide
applications,
• to establish pesticide use and risk baselines,
• to set goals for reduction in use of high-risk use patterns, and
• for monitoring progress toward risk reduction and safety
goals.
• Pesticide use and risk levels will be estimated and tracked over
time in WWFs projects using the “Pesticide Environmental
Assessment System” (PEAS).
PURPOSE
• Benbrook Consulting Services developed PEAS in
cooperation with Curtis Consulting and with financial
support from the Gerber Products Company.
• This system has its roots in the pesticide risk ranking
system developed as part of the potato Integrated Pest
Management (IPM) collaboration involving the
• World Wildlife Fund (WWF),
• Wisconsin Potato and Vegetable Growers Association
(WPVGA), and the
• University of Wisconsin (UW).
BASIC APPROACH
Companies and grower groups working with WWF
projects are asked to provide data on each unique
pesticide “use pattern.” A “use pattern” is defined by
and encompasses the following information:
• Time of Application;
• Where the Application is Targeted;
• Formulation Type;
• Formulation Detail;
• Application Method; and
• Rate of Application.
• A “Use Pattern Adjustment Factor” (UPAF) will be established for each

unique use pattern. A UPAF strives to reflect the degree of exposure/risk
reduction associated with the use pattern compared to the unrestricted,
conventional use pattern known to typically pose the highest level of
exposure and risk to a given class of non-target organisms (e.g., a liquid
foliar spray in case of worker and beneficial insect risks).
• In projecting risks to coral reef ecosystems and water bodies, the location
of a production region relative to the coast, and a river flowing to the
coast, are critical factors that must be taken into account in estimating
risk baselines and in determining the need for and impact of various
possible risk mitigation measures.
• During the course of this project, collected data will be developed and
incorporated in PEAS reflecting the location and hydrological
characteristics of a production area relative to reef ecosystems and river
systems draining to the coast, as well as the impact of measures adopted
on the farm to reduce runoff into the surface water system.
• For a given pesticide applied to a given crop, there may
be multiple use patterns. For example, an insecticide
might be applied in a liquid form to the soil via the
irrigation system, and also applied aerially as a foliar
spray.
• Alternatively, a company or user group might impose
limits on the rate of application and/or the method of
application in or near sensitive habitats. Such use
patterns are typically designed “Company X restricted”.
• Information unique to each pesticide use pattern is
required in order to project the probable levels of
exposure to different non-target organisms. Use pattern
modification is a common strategy to increase
margins of safety in cases where there is a need to
reduce risks to a given non-target organism.
LEVEL of AGGREGATION
• Pesticide use data will be collected and analyzed by crop
for distinct production regions.
• When a company or commodity organization manages
multiple production locations, pesticide use data should be
reported by location only if there are substantial
differences in pest pressure and pesticide use patterns
from one location to another, or if there are substantial
differences in the location of the production region relative
to the coast and rivers flowing to the coast.
• In the “Pesticide Use Data Template Workbook,” there
are two worksheets. One covers areas of operation, and
the second records pesticide use data.
• The “Areas of Operation” worksheet should be filled out for
each crop that is included and produced by a company or
project cooperator.
• Pesticide use data should be reported separately for each
production region and/or location that differs from the
company’s (or collaborator’s) other production regions in
some way that significantly impacts pesticide use or risks
to ecosystems.
• Differences might arise from varying levels of pest
pressure, and hence pesticide use, or because of the
geographical location of a production region relative to the
coast, or to a river flowing to the coast.
• By “significant” we mean a projected 30 percent or greater difference
in typical pesticide use levels on a seasonal basis, compared to other
production regions/locations.
• In the case of a production region’s location, a significant difference
in the distance from the coast is defined as 20 kilometers, and a
significant difference in distance from a river flowing to the coast is
defined as 5 kilometers.
• In some crops, there are significant differences in pest pressure, and
hence pesticide use during the rainy season compared to the dry
season.
• The third column in the “Areas of Operation” worksheet asks whether
pesticide use data is reported as “Year round” or for the “Dry season”
and “Rainy season.” In some locations, the likelihood of pesticide
runoff reaching reef ecosystems may be markedly greater in the rainy
season.
• In such a situation, pesticide risk reduction measures
may be warranted only in the rainy season. Collecting
and analyzing pesticide use data by season will allow for
different strategies for risk reduction in the dry and rainy
seasons.
• Columns four and five in the “Areas of Operation”
worksheet seek information on the location of the
production area relative to the coast and the nearest river
flowing to the coast.
• These distances should be reported in kilometers from
the approximate center of the production region.
PESTICIDE USE DATA
The second worksheet provides a template for reporting data on pesticide use, as
well as details on each pesticide use pattern. The information sought in each
column is explained below:
Active Ingredient – name of the pesticide’s active ingredient. In the case of a pre-
mixed product containing two or more active ingredients, break out each active
ingredient into a separate line, reporting its rate of application based on the rate of
the pre-mixed product and the percent of the active ingredient in the pre-mix.
Trade Name – the common name of the product used for marketing purposes, or
the name on the label.
AI Type – type of active ingredient, defined by the class of organisms it is intended
to control. Choices are insecticide (including miticides, acaracides, and
nematicides); fungicide; herbicide; fumigant; and “other.”
Target Pest – the major pest organism that the application targets.
Use Pattern ID Code – unique identifier of the use pattern. Typically, just the
company name, but in some cases, there will also be a “restricted” use pattern
option.
Time of Application – crop stage and time that the application is made. Options
include “Year round,” “Dry season,” “Wet season,” “Dormant/Preplant,” and “Post-
Harvest.”
PESTICIDE USE DATA

Where is the Application Targeted – where the pesticide spray is
directed at and intended to hit. Options include foliar (foliage), soil-
injected, soil-incorporated, soil-surface, fumigant-injected, fumigant-
injected/tarped, crop in storage, and “ambient.” Pheromones,
repellants, and attractants are classified as “ambient.”
Physical State When Applied – physical form of the pesticide when
applied. Options include liquid, granular, dust, bait, or pressurized
gas.
Formulation Detail – the form the pesticide product when it is
purchased, prior to mixing for field application. Options include
emulsified concentrate, wettable powder, granular, flowable, dust, gas,
or contained dispenser.
Application Method – how the pesticide is applied. Options include
ground spray, aerial application, injected in soil, chemigation (in
irrigation water), spot-treatment, and post-harvest chamber.
PESTICIDE USE DATA
Rate of Application – average rate measured in kilograms active
ingredient per hectare.
Other Information – any other pertinent information regarding the
use pattern. For example, rescue treatment only, painted on
trunks by hand.
Number of Applications – number of applications made in the
period covered by the use pattern (i.e., year round, or during the
dry season, or wet season).
Hectares Treated – number of hectares sprayed with a given use
pattern.
Percent Hectares Treated – ratio of number of hectares treated to
total hectares produced in the production region (calculated
variable).
PESTICIDE USE DATA

We need to determine how to deal with spot treatments in this
system. All field applications are either broadcast (full fields are
treated) or spot treatments, where just certain areas within a field
are treated.
Pesticide use data on spot applications can be collected and
managed in different ways; we need some dialogue with the
technical staff from companies to determine how spot treatments
are recoding in your record keeping systems.
The data you record will determine how we can incorporate spot
treatments in the system.
PEAS
..\..\..\..\..\PEAS\Pesticides table for toxicology units- Sugar Belize.xls
..\..\..\..\..\PEAS\EIQ_values.xls
..\..\..\..\..\PEAS\Pineapples Multiattribute-2006 - Modified for presentation.xls

Agricultura Precision Coleccion de Datos BMP

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Agricultura Precision Coleccion de Datos BMP

Cargado por

Copyright:

Formatos disponibles

TALLER

Colección y Análisis de Datos en

Sesión III: Experimentación en Campo

3:30 15 Revisión de Conceptos en Experimentación en 169-175

4:45 40 PEAS 238-266

5:25 Termino de Jornada

Sesión: Software Estadístico Especializado

TITULOS QUE HARAN EN INGLES

ESTADISTICAS AGRICOLAS AGRICULTURA DE MONITOREO DEL

CENSO AGRICOLA DE AZUNOSA 23 Estaciones

3. Desarrollar un modelo de prevención y

You can’t Manage what you can’t

AREA TERRESTRE DE CENTROAMERICA

Reducir en 50% la Toxicidad Total de Pesticidas en caña de azúcar, piña,

Reducir el uso del agua y fertilizantes en 25% para seis cultivos,

Por lo menos tres de las grandes empresas multinacionales de cana de

DATOS INFORMACION CONOCIMIENTO SABIDURIA

Malos Datos Mala información Malas Decisiones

• Una colección de datos relacionados.

• Es el resultado de la asimilación de una información por una

• La sabiduría consiste en juzgar correctamente cuándo, cómo,

Con cual de esto vamos a ir a colectar datos en las meloneras???

Una Mejor Practica de Manejo (BMP) se define como

Identificar, desarrollar, implementar y promover BMPs en

Sector agrícola. La parte de la economía que consiste en

Investigación agrícola. La aplicación de teorías y técnicas

Extensión agrícola La disponibilidad de la información a

You can’t Manage what you

The USDA/NASS Example

S. Kellogg & F. Gomez

You can’t Manage what you

• Es una investigación planificada para obtener

Un experimento controlado generalmente

Es un diseño experimental de investigación

• Genética: (razas, variedades)

• Mejor estimado del error experimental

Recordar que nuestro experimento fue

Ej. El suelo y clima son tan variable que

Anthony site 2004 Wurtzberger site 2004

PRINCIPIO DE ESTACION vs. MEDIAESTACION PRINCIPIO DE ESTACION vs. MEDIAESTACION

1. Examinar el grafico de dispersión de datos por

You can’t Manage what you

 La telemetría fue desarrollada en 1915 a

 Medir a qué distancia se encontraban objetivos

 La palabra telemetría procede de las palabras

 Los equipos de telemetría obtienen la

 Una de las principales aplicaciones de la

Monitoreo del Ambiente

 Calidad del Aire

 Radio UHF de corto alcance

Una red de estaciones meteorológicas consta

 Estación base (Gateway)

 Software (addVANTAGE Pro 6.0)

A723 Series 4 A723 Series 3

 Por default I/O A tiene:

 Ahora el pin digital es usado para cambiar de estandar a SDI-

 Soporta hasta 40 valores SDI-12.

- Dirección del viento: promedio vector de acuerdo

- Guarda un registro de la hora y fecha de cada pulso

Antena del modem Antena para el

• Conectores de antena externa TNC

• Utiliza baterías estandar A733 y A753

• Conector de poder de 12V