Tierras 91 nº 282 (año 2020) Viñedo INTRODUCCIÓN Uno de los aspectos a mejorar en viticultura es la predicción de cosecha, necesaria para prevenir excesos de producción, muchas veces regulado por las Denominaciones de Origen o por ley, pero también por sus efectos sobre la calidad de la uva. Con el objetivo de producir cantidades de uva óptimas cada campaña, la predicción temprana de rendimiento permite ajustar la carga de racimos promoviendo la correcta maduración de la uva. Además, permite organizar las tareas de vendimia así como el requerimiento de espacio, maquinaria y personal en bodega (De La Fuente et al., 2015). Los métodos tradicionales de predicción de cosecha, ampliamente utilizados, se basan en determinar en un número limitado de cepas los componentes del rendimiento, definidos por el número de racimos, el número de bayas por racimo y el peso de la baya (Tardaguila et al., 2012) siendo medidas puntuales que pueden no representar la realidad del conjunto de la parcela. La implementación de las técnicas de agricultura de precisión en la viticultura ocurrió más tarde que en otros cultivos. Este retraso no fue debido a la falta de interés de los viticultores, sino a las dificultades de las características del viñedo, su organización en filas y su cubierta discontinua, que requiere imágenes de muy alta resolución para segmentar la cubierta vegetal del suelo (Matese et al., 2015). En los últimos años, la viticultura de precisión se ha centrado en la delimitación dentro de un viñedo de áreas con características homogéneas. Estas áreas son definidas a partir de información proporcionada por índices de vegetación (IVs) derivados de imágenes aéreas, y características del suelo, obtenidas con métodos no destructivos. En la captura de imágenes aéreas de muy alta resolución juegan un papel muy importante UTILIZACIÓN DE DRONES PARA LA PREDICCIÓN DE COSECHA EN VIÑA López-García, P1.; Martínez-Moreno, A.2; RamirezCuesta, J.M. 2; Buesa, I.2; Intrigliolo, D.S.2; Ortega, J.F.1; Moreno, M.A.1; Ballesteros, R. 1 1 Instituto de Desarrollo Regional (IDR), UCLM. Campus Universitario s/n 02071 Albacete 2 Centro de Edafología y Biología Aplicada del Segura (CEBAS-CSIC), Campus Universitario de Espinardo, 30100, Murcia los drones. Diferentes tipos de sensores embarcados en un dron permiten la extracción de información útil, haciendo posible la delimitación de áreas de gestión dentro de un viñedo para hacer distintos manejos de riego, fertilización, aclareo de racimos, separación de las uvas en diferentes lotes según su calidad (Santesteban, 2019) y evaluación temprana de rendimiento (Di Gennaro et al., 2019)which consist of manual sampling within the field on a limited number of plants before harvest, are time-consuming and frequently insufficient to obtain representative yield data. Non-invasive machine vision methods are therefore being investigated to assess and implement a rapid grape yield estimate tool. This study aimed at an automated estimation of yield in terms of cluster number and size from high resolution RGB images (20MP. Al igual que se puede determinar estrés hídrico con sensores multiespectrales y RGB (López-García et al., 2019), se evalúa la posibilidad de predecir cosecha con estas técnicas de teledetección de rango cercano. Con este objetivo, es necesario el uso de máquinas de aprendizaje que permite extraer información útil de los productos geomáticos de alta resolución. El objetivo de este trabajo es la predicción de cosecha en viña a partir de bandas multiespectrales derivadas de imágenes adquiridas por una cámara multiespectral embarcada en un dron, aplicando máquinas de aprendizaje. MATERIALES Y MÉTODOS El viñedo en el que se calibró la metodología Tabla 1. Fechas de vuelo y estado fenológico del cultivo.
RkJQdWJsaXNoZXIy Njg1MjYx