Dron sobre viñedos.

Serie: 'Conectados' (LXIV)

En los últimos años la presencia de la tecnología y los sensores ha aumentado significativamente en muchos ámbitos del día a día: la industria, optimizando sus procesos gracias a que tienen disponible más información; la automoción, poniendo a la disposición del conductor ayudas gracias a la electrónica, cámaras y sensores integrados en los vehículos; o la vida personal, con smartphones y wearables capaces de monitorizar múltiples parámetros. Dentro de esta tendencia, la agricultura no es una excepción, y en lo que se conoce como Agricultura 4.0 se utilizan todas estas nuevas tecnologías para ayudar al agricultor y mejorar los resultados de su trabajo.

Muchas de las iniciativas de la Agricultura 4.0 están inspiradas en procesos industriales, asociados a lo que se conoce también como Industria 4.0. Sin embargo, hay dos factores principales que hacen que trabajar en el ámbito de la agricultura sea más complejo: por una parte, en la agricultura se trabaja en ambientes menos controlados que en la industria, por lo que hay muchos factores que tener en cuenta asociados a la meteorología, el suelo, la fauna y flora del entorno, etc.; y por otra parte, en la agricultura se trabaja con seres vivos (plantas), de modo que se trabaja con sistemas más complejos y difíciles de manejar y predecir. Esto, aunque a priori es un problema, también hay que verlo como un incentivo más para introducir la tecnología en este ámbito. Esto permite, por una parte, medir todas las variables que influyen en los cultivos, y por otra parte, trabajar con todos esos datos para poder extraer la información y el conocimiento que permita tomar las decisiones que más convengan al cultivo.

En el caso del viñedo, en el proyecto que se presenta se han realizado dos actuaciones. En primer lugar, se ha dispuesto una red inalámbrica de sensores basada en tecnología IoT para la monitorización de las condiciones ambientales y del suelo en el viñedo: en concreto, se mide la temperatura y humedad tanto del ambiente como a dos profundidades. Esta información, combinada con mapas de suelo y mapas satélite del vigor de la planta, es muy útil de cara a conocer la evolución del cultivo y comprender el porqué de las diferencias entre diferentes áreas de la zona de cultivo [1], [2].

La segunda actuación consiste en el uso de técnicas basadas en imagen para el seguimiento de la evolución y la fenología del viñedo y de las condiciones de la uva. La visión artificial, gracias a los avances en capacidad de computación y las técnicas de machine learning, así como en los diferentes tipos de sensórica, permiten realizar análisis indirectos de forma rápida y considerando toda la extensión cultivada [3], [4], [5]. Además, estos análisis se hacen sin ningún tipo de interacción con la planta y el fruto, que es lo que se conoce como análisis no destructivos, y contrastan con muchas de las técnicas tradicionales de análisis, en las que se toman muestras para realizar el análisis y esas muestras quedan inservibles, lo que se conoce como análisis destructivos. Un ejemplo de estas técnicas de análisis son los análisis de laboratorio a partir de las uvas, en las que las uvas analizadas no se pueden utilizar en el proceso de vinificación.

En concreto en el viñedo hay varias líneas de aplicación de las técnicas de visión artificial. La primera es el mapeo de las características morfológicas principales de la vid y su monitorización a lo largo de las campañas. En la siguiente imagen se ve algunos ejemplos de imágenes y cómo las técnicas de visión artificial permiten discriminar las plantas del resto de la imagen para poder hacer las medidas que interesen.

Otras aplicaciones de la visión artificial en el viñedo es el seguimiento de la fenología del cultivo: poder detectar en qué estado está cada zona del viñedo puede ser interesante de cara a relacionar esto con el resto de las variables monitorizadas (tipo de suelo, condiciones de suelo, condiciones ambientales, etc.) y también para tomar las decisiones que se correspondan respecto a los tratamientos y labores a realizar. Y una tercera aplicación es el empleo de la visión artificial para el análisis de la uva, de modo que se pueda utilizar para realizar estimaciones de parámetros como el contenido de azúcar, estimar la producción o hacer análisis del color [6], [7].

En este artículo se han presentado algunas de las aplicaciones de la Agricultura 4.0 y las tecnologías de la información y las comunicaciones (TIC), aplicables tanto al viñedo como a otros muchos cultivos. La continua evolución de la tecnología y las políticas europeas potencian este tipo de acciones enfocadas al Desarrollo Sostenible y el aumento de la eficiencia y la calidad, por lo que se prevé que en los próximos años sigan produciéndose avances en esta dirección, empleando la tecnología para maximizar el rendimiento de las explotaciones pero respetando los recursos y considerando las necesidades de las próximas generaciones.

[1]       C. Ottle, D. Vidal-Madjar y G. Girard, “Remote sensing applications to hydrological modeling,” Journal of Hydrology, vol. 105, no. 3‑4, pp. 369‑384, Feb. 1989. 

[2]       L. Yun, Z. Feng y H. Chao, “Monitoring Soil Humidity by Using EOS/MODIS VSWI Product in Qingyang”, Journal of Arid Meteorology, vol. 25, no. 1, pp. 44‑47, 2007.

[3]       S. Das Choudhury, A. Samal y T. Awada, “Leveraging Image Analysis for High-Throughput Plant Phenotyping,” Frontiers in Plant Science, vol. 10, Abr. 2019.

[4]       D. van der Merwe, D. R. Burchfield, T. D. Witt, K. P. Price y A. Sharda, “Chapter One – Drones in agriculture,” Advances in Agronomy", vol. 162, pp. 1‑30, Ene. 2020. 

[5]       A.-K. Mahlein, “Plant Disease Detection by Imaging Sensors – Parallels and Specific Demands for Precision Agriculture and Plant Phenotyping,” Plant Disease, vol. 100, no. 2, pp. 241‑251, Feb. 2016.

[6]       L. Mohimont, F. Alin, M. Rondeau, N. Gaveau, and Luiz Angelo Steffenel, “Computer Vision and Deep Learning for Precision Viticulture,” Agronomy, vol. 12, no. 10, pp. 2463‑2463, Oct. 2022.

[7]       K. P. Seng, L.-M. Ang, L. M. Schmidtke, and S. Y. Rogiers, “Computer Vision and Machine Learning for Viticulture Technology,” IEEE Access, vol. 6, pp. 67494‑67510, 2018, .

Agradecimientos:

Artículo relativo al proyecto «Sistema para la estimación del agua disponible en los suelos agrícolas» (ganador del tercer premio del concurso «Desafío Universidad-Empresa» en la convocatoria de 2020) y al proyecto titulado «Procesamiento y Registro de Imágenes aplicado a la Detección y Estimación en Cultivos Rurales para la Optimización y Producción Sostenible» (perteneciente a la convocatoria «Programa de Ayudas a Proyectos de Investigación en el ámbito de las Ciencias de la Vida y de la Salud 2021”), en el que han colaborado los siguientes investigadores:

Rubén Ruiz González1, David García García1, Amalia B. Orúe López1, Elena Martín Guerra1, Eduardo Téllez Jiménez2, Ana Pascual Maté2, Carlos Meléndez Pastor1, Miguel García Medina1 y Jaime Gómez Gil3.

1 Facultad de Ciencias y Tecnología, Universidad Internacional Isabel I de Castilla, Burgos, España.

2 Facultad de Ciencias de la Salud, Universidad Internacional Isabel I de Castilla, Burgos, España.

3 E. T. S. de Ingenieros de Telecomunicaciones, Universidad de Valladolid, Valladolid, España.

Editor: Universidad Isabel I

ISSN 2792-1794

Burgos, España