Agrialgae_Sup

Actualidad

Asaja Córdoba destaca la importancia de la aplicación de las nuevas tecnologías al olivar

Asaja Córdoba destaca la importancia de la aplicación de las nuevas tecnologías al olivar

El Grupo Operativo ‘Agricultura de Precisión con Drones Aplicado al Olivar’ en el que han trabajado Asaja Córdoba junto con el Centro de Vuelos Atlas, el Ifapa, el laboratorio Olivarum y la Universidad de Jaén, ha presentado los resultados finales después de dos años ensayos en fincas de Córdoba, Jaén, Málaga, Granada y Almería. 

La agricultura de precisión ya existe y eso es un hecho, pero aún no se aplica en muchos cultivos. Pues las tecnologías han llegado para quedarse y hay que empezar a cultivar utilizando estas nuevas herramientas, que para eso las tenemos”, ha apuntado el secretario general de Asaja Córdoba, Rafael Navas, añadiendo que estas nuevas herramientas suponen el punto de partida ahora para rentabilizar las explotaciones.

El responsable del Centro de Vuelos Atlas, Anastasio Sánchez, ha subrayado que el trabajo realizado a través de los drones ha consistido en imágenes a través de sensores para poder llevar a cabo un análisis del estado del olivar.

“Es lo que tradicionalmente se ha hecho a través de análisis foliares, pero que la agricultura de precisión nos puede llevar a obtener en un futuro no muy lejano este tipo de datos de una manera mucho más precisa y más rápida”, ha apuntado Sánchez.

Entre otros datos, se pueden obtener los relativos a la cantidad de agua, de nutrientes, de crecimiento foliar, de masa foliar, de tamaño de copas de los árboles, etcétera. “Esto permite poder tener una foto muy exacta ya no solo de una plantación concreta, sino del estado de cada una de las zonas de su plantación, para aplicar de manera mucho más selectiva cualquier tipo de tratamientos fitosanitarios. Esto también puede revertir en un ahorro de productos, en una sostenibilidad mayor para el olivar. El proyecto no es solo algo tecnológico, sino que es real y podrá aplicarse”, ha remarcado el responsable del Centro de Vuelos Atlas.

 

Fases e instituciones implicadas

De los vuelos con dron se encarga la Fundación Andaluza para el Desarrollo Aeroespacial (FADA-CATEC).

Su primera tarea fue seleccionar los equipos técnicos adecuados, que consistieron en un dron comercial cuya autonomía y capacidades cumplen con los requisitos establecidos. Un Matrice 600 al que se le acoplaron sensores como una cámara termográfica y otra multispectral.

En las instalaciones de FADA se integraron los equipos y se verificó su correcto funcionamiento en tierra, como paso previo a las pruebas de vuelo, y, tras varios ascensos, se comprobó el comportamiento de los equipos en vuelo, incluyendo la correcta toma de imágenes según la programación prevista.

Los datos recogidos tras cada una de las campañas de vuelo se recopilaron y se enviaron a la Universidad de Jaén (UJA) para el análisis y la comparación con muestras foliares y de otro tipo recogidas y analizadas por el resto de los miembros del proyecto. Según explican, para extraer información útil de estas imágenes ha sido necesaria la aplicación de ciertas técnicas del campo de la teledetección. Lo que se persigue es traducir la información digital que proporciona el sensor de la cámara a una magnitud física medible en otros procesos relacionados con la radiación solar y, de esta forma, comparar estas mediciones con las realizadas mediante otros instrumentos.

Además, al normalizarse la información recogida por el sensor, se puede realizar una comparativa directa entre diferentes imágenes, sea cual sea la hora, el día o las condiciones climatológicas con las que se tomaron. En definitiva, se necesita obtener el mapa de reflectancia del cultivo y, para ello,  desde la UJA trabajaron con los métodos para obtener las imágenes de radiancia calibradas a partir de las originales muestreadas en cada finca de olivos. A partir de estas, se obtuvieron las de reflectancia.

Una vez que las imágenes fueron corregidas y se obtuvo el mapa de reflectancia de cada una de ellas, se aplicaron diferentes algoritmos de segmentación de imagen para obtener la información de reflectancia de cada una de las plantas y para los diferentes canales (vector de reflectancias). Con estos vectores de reflectancias y los datos de laboratorio se calibrarán y validarán diferentes algoritmos de predicción de los parámetros de interés.

Estas variables, como son la humedad del suelo, la maduración del fruto, el índice graso, entre otras, se han analizado a través de las muestras que se tomaron al mismo tiempo y en las mismas fincas que se volaron con los drones.

De ellas, se encarga el laboratorio Olivarum, de la Fundación Caja Rural, y el Instituto de Formación Agraria y Pesquera de la Venta del  Llano (IFAPA). Desde el laboratorio Olivarum, los muestreos, tanto de hojas como de aceituna que se conservaron en bolsas de papel convenientemente etiquetadas y en nevera hasta su entrega en el laboratorio, se realizaron al mismo tiempo que los vuelos de drones.

Una vez en el laboratorio de Olivarum, las muestras se registraron y se secaron, trituraron y a cada una se le analizaron los siguientes parámetros: nitrógeno, fósforo, potasio, calcio, magnesio, sodio, manganeso, cobre, zinc y boro y se calcinaron.

En cuanto al IFAPA Venta del Llano, se tomaron muestras (2 kg) de fruto del conjunto de los olivos que componen cada subparcela, y se estudiaron diferentes ítems, como el índice de madurez, que permite conocer el momento óptimo de recolección de la aceituna según la variedad, el peso medio, la relación pulpa hueso de la aceituna, la humedad o el contenido graso del fruto. Después se procedió a la extracción del aceite del fruto recolectado.

A día de hoy, se ha diseñado e implementado una metodología software basada en Python para el análisis de fincas a partir de imágenes multiespectrales obtenidas tras un vuelo de drones.

Además, se ha desarrollado una aplicación que permite procesar las imágenes multiespectrales y obtener el índice NVDI asociado a la vegetación de la finca, y se ha entrenado una Red Neuronal basada en inteligencia artificial para la predicción de nutrientes visualizando los resultados en mapas de color. La precisión de los modelos entrenados es próxima al 80% del rango de valores, y se puede ganar en precisión aumentando el conjunto de datos de entrenamiento de cada finca.