Mejorar la rentabilidad de la industria olivícola nacional es un asunto primordial para todos aquellos que están involucrados en este sector. En Chileoliva creen que es posible, sobre todo si se logra predecir los rendimientos de los huertos. Pero esa no es una tarea fácil, por lo menos hasta ahora, ya que existen una serie de dificultades que impiden realizar predicciones precisas. A la hora de enumerarlas, surgen cinco principales: el añerismo, la compensación parcial de volumen de fruto (y contenido de aceite) por rendimiento, las variabilidades ambientales que inciden sobre la inducción y diferenciación floral, la imposibilidad técnica (hasta hoy) de contabilizar los frutos en los huertos a través de medios de percepción remota y la alta variabilidad intra y entre plantas; lo que demanda un estudio con un alto número de repeticiones.

Por este motivo es que desde 2017 se está ejecutando un proyecto que tiene como objetivo incrementar la eficiencia en la producción de aceite de oliva, en base a un modelo predictivo de rendimiento y la ponderación de factores determinantes en la acumulación de aceite en el fruto, a fin de permitir mejorar la rentabilidad de la industria. Bajo el nombre de ‘Modelo de predicción del rendimiento de aceite de oliva, basado en variables agronómicas y ambientales de fácil medición, que aumenten la competitividad y la eficiencia de la industria’, la iniciativa gestionada y ejecutada por la Asociación de Productores de Aceite de Oliva A.G. (Chileoliva) y la Universidad de Chile, está cofinanciada por Corfo, a través del programa Bienes Públicos Estratégicos para la Competitividad.

Por lejos la variedad Arbequina es la más importante para la industria chilena, ya que hoy en día cerca del 70% de la superficie está cultivada con esta variedad de origen español, plantada principalmente bajo sistemas súper intensivos. Es por esto que el estudio está centrado en dicha variedad. En una primera etapa el investigador que lideraba este trabajo era el Dr. Nicolás Frank, “quien lamentablemente falleció a temprana edad en octubre de 2017, pudo establecer una hipótesis para el modelo y logró obtener correlaciones a través de mediciones realizadas en cinco campos, desde la IV a la VII Región, donde se pudo concluir que la carga frutal es un muy buen predictor de rendimiento, tanto de kilos de fruta como de litros de aceite, a pesar de las diferencias edafoclimáticas. Y que si además esta carga frutal es normalizada por alguna variable de dimensión de planta (volumen, altura, radiación interceptada, etcétera), dicha predicción mejoraría”, explica la ingeniera agrónoma Pamela González, jefa de proyectos de Chileoliva.

A diferencia de lo que ocurre en otros países productores, en que el olivo se cultiva en superficies pequeñas, en Chile esta especie se cultiva en grandes áreas que pueden abarcar 300, 500, 800 o 1.000 hectáreas, sufriendo cada día más el problema de la escasez y encarecimiento de la mano de obra, lo que obliga a que cualquier metodología que se quiera implementar para desarrollar un modelo predictivo, deba ser de fácil ejecución y al menor costo posible.

Debido a este panorama es que la percepción remota surge como alternativa viable para desarrollar metodologías de estimación de rendimiento, que permitan abarcar grandes extensiones de terreno en poco tiempo, para poder establecer puntos de monitoreo que permitan un seguimiento de las variables de interés. Teniendo en cuenta estas consideraciones se formó un nuevo equipo de trabajo, para abordar la segunda temporada de estudio junto a los investigadores de la Universidad de Chile, Dr. Claudio Pastenes y Dr. Mauricio Galleguillos.

ALTA VARIABILIDAD DE LOS ÁRBOLES EN EL HUERTO

Debido al gran tamaño relativo de los huertos, resulta complicado captar toda la variabilidad de los olivos, algo que ya se había podido determinar durante el primer año de trabajo junto a Frank, en la temporada 2016/17. “Al finalizar esa primera temporada comprobamos la alta variabilidad que puede existir en un huerto de olivos, ya sea dentro de un mismo cuartel e incluso dentro de una misma planta, y eso es algo que está dado por cuestiones genéticas, edafoclimáticas y también por los manejos agronómicos”, explica el ingeniero agrónomo Felipe Rivera, encargado de la coordinación en terreno y el análisis de datos. Así, por ejemplo, es posible encontrar árboles con producciones de 12 kg, pero a su lado, hay árboles que solo son capaces de producir 6 kg y, contiguos a estos, árboles con producciones de 15 kg. Entonces, con una variabilidad así, ¿cómo se maneja el campo? “Hoy se están manejando por promedios, principalmente porque las empresas ya cuentan con datos históricos de producción. Entonces, pueden hacer una estimación, por ejemplo, de 10 t/ha y, de acuerdo a ese rendimiento promedio es que se maneja el huerto”, precisa Rivera.

Los responsables del estudio debían buscar variables a nivel nacional, que están influyendo en los rendimientos. Para conseguirlo, se apoyaron en informaciones obtenidas por imágenes satelitales y el historial productivo de los cuarteles Arbequina de 4 empresas distribuidas desde la IV a la VII región. El Dr. Mauricio Galleguillos con esta información generó un primer modelo que incluye variables obtenidas remotamente, a través de imágenes satelitales, como son la ubicación del cuartel en el espacio (latitud y longitud, superficie, elevación y distancia al mar), las variables topográficas (elevación, pendiente, exposición, posición topográfica, etcétera) los índices de vegetación (NDVI, EVI, NBR, SAVI y otros) y las variables climáticas (temperaturas, días grado y horas frio, entre otras).

Así es como el Dr. Galleguillos fue capaz de generar una matriz de datos, donde cada variable funciona como un elemento que contribuye a la predicción. A través de softwares de procesamiento de datos es posible discriminar cuáles son las variables más influyentes en el rendimiento histórico de cada uno de los cuarteles.

“Es así como se obtuvo un primer modelo muy bien ajustado, donde uno de los principales predictores de rendimiento corresponde a índices de vegetación. Es por esto que con el Dr. Claudio Pastenes se montaron ensayos durante la segunda temporada (2017/18) para comprender cómo son las dinámicas de crecimiento vegetativo del olivo y poder incorporar mediciones de terreno a través de imágenes capturadas con dron que ajusten aún más el modelo predictivo del Dr. Mauricio Galleguillos”, explica Pamela González.

LA ESTIMACIÓN DE LA CARGA FRUTAL, UNA VARIABLE CLAVE

En la primera etapa del proyecto, cuando este lo lideraba el Dr. Frank, se concluyó que una de las variables más importantes era la estimación de la carga frutal (número de frutos por árbol) y que mientras más temprano se pueda realizar esta, más tempranamente se podría inferir una estimación de rendimiento y, por ende, los productores tendrían mejores oportunidades de ejecutar manejos agronómicos más ajustados a esa producción. Las cargas frutales son importantes para hacer una predicción de rendimientos, tanto de kilos de fruta, como de litros de aceite. Y, según explica Rivera, “esta se correlaciona bien con una variable de dimensión de planta que es un factor crítico de manejo en huertos superintensivo de olivo”. Este sistema de plantación representa el 70% de los huertos en Chile y que tiene densidades que oscilan entre los 3,5 x 1,5 y los 4 x 2 metros.

Dentro de la dimensión de planta, la altura del seto, es una de las variables más determinantes y es manejada de forma distinta entre campos, según la máquina de cosecha que se utilice, marco de plantación, entre otros factores. Las podas que determinan la altura del árbol se realizan en verano (topping) y estas pueden ser más o menos severas según los factores antes descritos. “En la primera temporada de estudio se logró tener una muy buena correlación, entre la carga frutal (esta carga normalizada por la altura del árbol), y el tamaño del fruto. Y con estas variables, sumado al número de plantas del cuartel, poder obtener una estimación de producción de kilos de aceituna por hectárea” Esto es algo que pudieron comprobar en los cinco campos con que trabajaron la primera temporada, desde la Región de Coquimbo hasta la Región del Maule, gracias a datos obtenidos de la cosecha de 20 plantas de cada uno de los campos.

Durante la segunda temporada se analizaron estos resultados, y se concluyó que la variable dimensión de planta era determinante en la estimación de carga por su influencia en la radiación interceptada del huerto. “Esto es un aspecto clave, porque la cantidad de radiación que es capaz de interceptar el huerto será determinante para conocer el potencial de azúcares que este puede generar”, explica Rivera. “Y eso no es igual en todo el país, porque dependerá de la zona productiva donde esté el huerto. Hay diferencias que, si bien no son muy marcadas, determinan el potencial de azúcares”, sostiene. “A ello hay que añadir la orientación de las hileras, que, generalmente en Chile, están situadas de norte a sur. Y el marco de plantación, porque a medida que el huerto es más intensivo estos interceptarán más radiación, pero están más propensos a emboscarse”.

Para conseguir la radiación interceptada de los huertos de forma rápida y extensiva los investigadores están trabajando con imágenes de dron, lo que permitiría medir un elevado número de individuos en corto tiempo y generar un mapa de radiación interceptada del cuartel.

Para lo anterior Mauricio Galleguillos, actualmente dirige una tesis de grado en la cual se montó un ensayo en los campos estudiados. “Se nos pidió que eligiésemos un cuartel lo más heterogéneo posible, esto significa que tuviese todas las condiciones de tamaño de árbol en función a la intercepción de luz, es decir, con árboles pequeños, medianos y grandes. De esta forma se consideran todos los espectros de vigores que se pueden encontrar en un cuartel. Para conseguirlo, se seleccionaron 24 unidades experimentales (ocho repeticiones por cada nivel de vigor), compuestas de tres plantas consecutivas, según el ancho de las copas y el tamaño de los árboles en cada una de las distintas zonas de vigor, que fueron seleccionadas a través de imágenes captadas por un dron” cuenta Rivera.

 

ESTIMACIÓN TEMPRANA DE CARGA, BASADA EN EL CRECIMIENTO VEGETATIVO ENTRE TEMPORADAS

“Está claro que la carga es la que influye en el tamaño del fruto”, afirma Rivera. Y de acuerdo a nuestras evaluaciones preliminares, el peso de este se correlacionó con el porcentaje de pulpa. “A medida que el fruto es más grande, tendrá un mayor porcentaje de pulpa y, a mayor porcentaje de pulpa, mayor contenido de aceite”, precisa. Por ello es que, para los investigadores, era importante determinar la carga frutal y la radiación interceptada, porque de acuerdo a ello es que pueden establecer el potencial de energía para llenar los frutos. “Si sabemos cuánta fruta y energía interceptada tenemos, podremos hacer una mejor estimación de rendimiento”, remarca el agrónomo.

En la segunda temporada (2017/18), junto al Dr. Pastenes, los profesionales de Chileoliva establecieron un ensayo donde se ha trabajado en comprender la fisiología del olivo y, cómo las dinámicas de crecimiento de este, influyen sobre la radiación interceptada y en las estimaciones de carga. El objetivo de este ensayo es integrar al modelo predictivo del Dr. Galleguillos variables vegetativas medidas en terreno a través de vuelos de dron que mejoren la precisión del modelo.

Así es como hoy en día están trabajando con un modelo que incluye los predictores que se han podido estimar por vía remota (satélite). Asimismo, los investigadores siguen trabajando a nivel de campo para entender cómo es el comportamiento vegetativo del olivo, con el objetivo de obtener más información de campo para seguir alimentando este modelo y hacerlo más certero.

El doctor Claudio Pastenes explica: “El modelo elaborado por el Dr. Galleguillos, con todas las variables que se han incluido, ha funcionado y ya se ha logrado tener una predicción que se basó fundamentalmente en datos históricos que nos proporcionaron las empresas con que trabajamos, de los huertos de Arbequina. Si bien tuvo un porcentaje de error, estuvo bastante acertado. Obviamente, hay aspectos que se deben mejorar para así disminuir ese porcentaje de error”. Si los investigadores pudiesen ver las diferencias de crecimiento vegetativo, pero más en detalle, por ejemplo, a través de las imágenes captadas por un dron, se podrán hacer mejores estimaciones de rendimiento, “pero siempre y cuando entendamos bien cómo funciona, para poder incluirlo en el modelo. La idea es buscar más variables de campo que nos permitan seguir mejorando”, finaliza Rivera.