Tierras nº 282 (año 2020) 96 Viñedo las parcelas de viñedo, pues el funcionamiento de estas máquinas de aprendizaje se basa en la toma de datos puntuales de cada parcela para la calibración de la RNA y la extrapolación al resto de la parcela en particular. CONCLUSIONES Las ortoimágenes obtenidas mediante el empleo de cámaras embarcadas en drones permite el cálculo de distintos Índices de Vegetación (IVs), que se relacionan con características biofísicas de las plantas, como el rendimiento en este caso. Además, la alta resolución de las ortoimágenes permite la segmentación de la vegetación y que, por ejemplo, no se tengan en cuenta en el cálculo de los IVs otros elementos del medio como pueden ser el suelo y la sombra de las plantas, entre otros. El uso de redes neuronales artificiales (RNAs) permiten describir las relaciones altamente no lineales que se dan entre el rendimiento y los IVs calculados, con el impedimento de que no existe un modelo general, pues es necesario tomar datos puntuales de rendimiento en la parcela para la calibración de la RNA y la posterior extrapolación al resto de la parcela. De todos modos, esto podría ser positivo, ya que el agricultor tendría una predicción de cosecha personalizada para cada parcela en particular comenzado en el envero de la uva o en estadios previos, con un error menor de 350 gramos por cepa, lo que equivaldría a un error de menos de 2 racimos de uva por cepa y por un coste del servicio que puede variar entre 600 y 3.000 €. La utilización de los drones para obtener productos geomáticos útiles en aplicaciones agrícolas y ambientales tiene numerosas ventajas sobre el uso de satélites y de los vehículos aéreos de resolución media. Las principales ventajas son la mayor resolución espacial-temporal, al poder volar cuando sea necesario, evitar el problema de aparición de nubes, su manejo sencillo, su fácil transporte por sus reducidas dimensiones y peso. Conviene destacar que la baja altura de vuelo permite una resolución espacial del orden del centímetro, a pesar de que las cámaras empleadas no tengan una alta calidad métrica y radiométrica. Algunas de las desventajas del empleo de drones es la dificultad de volar en condiciones de viento y la autonomía, lo que obliga a planificar el vuelo considerando la duración de las baterías. AGRADECIMIENTOS Al Ministerio de Ciencia, Innovación y Universidades por su financiación a través de una beca FPU, y a través del Plan Nacional de I+D+i por la financiación del ProFigura 5. Línea de regresión del rendimiento medido y simulado con una RNA. yecto PRECIRIEGO (RTC-2017-6365-2) y los Proyectos SEGRE (AGL2017-82927-C3-2-R) y NITROGRAPE (AGL2017-83738-C3-3-R). A la Consejería de Educación, Cultura y Deportes de la Junta de Comunidades de Castilla-La Mancha, a través del proyecto Sistema experto colaborativo para toma de decisiones en riego de precisión en viñedo (SBPLY/17/180501/000251). Y muy especialmente a Pedro, propietario y viticultor de la parcela, a la SAT Las Colleras y al resto de técnicos de campo por su implicación en el ensayo. REFERENCIAS Baggiolini, M. (1952) ‘Stades repères de l’abricotier.’ Ballesteros, R. et al. (2015) ‘Characterization of Vitis vinifera L. Canopy Using Unmanned Aerial Vehicle-Based Remote Sensing and Photogrammetry Techniques,’ American Journal of Enology and Viticulture, 66(2), pp. 120–129. doi: 10.5344/ajev.2014.14070. Córcoles, J. I. et al. (2013) ‘Estimation of leaf area index in onion (Allium cepa L.) using an unmanned aerial vehicle,’ Biosystems Engineering. Academic Press, 115(1), pp. 31–42. doi: 10.1016/J.BIOSYSTEMSENG.2013.02.002. Di Gennaro, S. F. et al. (2019) ‘A Low-Cost and Unsupervised Image Recognition Methodology for Yield Estimation in a Vineyard,’ Frontiers in Plant Science. Frontiers, 10, p. 559. doi: 10.3389/fpls.2019.00559. De La Fuente, M. et al. (2015) ‘Comparison of different methods of grapevine yield prediction in the time window between fruitset and veraison,’ Journal International des Sciences de la Vigne et du Vin, 49(1), pp. 27–35. doi: 10.20870/oeno-one.2015.49.1.96. López-García, P. et al. (2019) ‘Utilización de drones para la cuantificación del estrés hídrico en viña,’ Tierras, 277. Matese, A. et al. (2015) ‘Intercomparison of UAV, Aircraft and Satellite Remote Sensing Platforms for Precision Viticulture,’ Remote Sensing. Multidisciplinary Digital Publishing Institute, 7(3), pp. 2971–2990. doi: 10.3390/rs70302971. Santesteban, L. G. (2019) ‘Precision viticulture and advanced analytics. A short review,’ Food Chemistry. Elsevier, 279, pp. 58–62. doi: 10.1016/J. FOODCHEM.2018.11.140. Tardaguila, J. et al. (2012) ‘Mechanical yield regulation in winegrapes: comparison of early defoliation and crop thinning,’ Australian Journal of Grape and Wine Research. John Wiley & Sons, Ltd (10.1111), 18(3), pp. 344–352. doi: 10.1111/j.1755-0238.2012.00197.x. T
RkJQdWJsaXNoZXIy Njg1MjYx