10 tecnogarden ACTUALIDAD Aepla impulsa el sistema CTS Easyconnect Aepla se ha adherido al compromiso de CropLife Europe, de poner a disposición de los agricultores europeos los sistemas de transferencia cerrados, CTS, para 2030. Para esto ha creado un grupo de trabajo en el que están presentes las compañías que han desarrollado un sistema CTS denominado Easyconnect: Adama, BASF, Bayer, Certis-Belchim, Corteva, FMC, Nufarm, Rovensa, Syngenta Y UPL. Los sistemas de transferencia cerrados permiten que los productos fitosanitarios se transfieran directamente al tanque de pulverización, lo que supondrá una reducción del riesgo para el operario que los manipula cuando realiza las tareas de mezcla y carga, además también supondrá una reducción del riesgo de contaminación de fuentes puntuales en el momento del llenado del tanque de pulverización. A fin de mejorar, aún más, la seguridad de los operadores y la protección del medio ambiente durante la fase de mezcla carga y enjuague de los envases a la hora de utilizar los productos fitosanitarios, Aepla y el grupo de trabajo CTS se han comprometido a impulsar la implantación de los sistemas de transferencia cerrados. Esta tecnología va a ser una realidad en algunos países europeos. Por ejemplo, en Dinamarca y Países Bajos su introducción en el mercado está prevista para 2022, y a estos les seguirán Francia, Alemania y Reino Unido en 2023. Es probable que a estos les sigan otros países. En palabras de Carlos Palomar, director general de Aepla: ‘la exposición de los operarios a la hora de preparar los tratamientos es una de las principales razones de descarte de productos, en la revisión de los registrados o en la autorización de los nuevos. Sin embargo, existen sencillas herramientas que disminuyen el riesgo y permiten conseguir el equilibrio entre uso de productos y seguridad para las personas. Easyconnect es una de ellas (easy fácil connect conexión), es un acople cerrado entre el envase y el equipo de pulverización que combina seguridad, comodidad y precisión’. Inteligencia artificial cuántica para predecir el rendimiento de los cultivos Un equipo formado por investigadores del CSIC y el grupo empresarial GMV está desarrollando una prueba piloto que usará la inteligencia artificial cuántica para predecir el rendimiento de los cultivos agrícolas. La prueba, incluida en el proyecto público-privado AgrarIA, procesará imágenes de satélite para formar un predictor sobre el rendimiento de los cultivos basado en aprendizaje automático cuántico (o QML, QuantumMachine Learning, en inglés) Para llevar a cabo esta prueba de concepto, se usará un conjunto de datos de imágenes satelitales públicas pre-procesado, se desarrollará un predictor basado en aprendizaje automático cuántico, y se realizará la evaluación e interpretación de resultados. Asimismo, también se ampliará modelo de predicción incorporando otros datos: clima, imagen multi-espectral, datos de riesgo, etc. “En este proceso realizaremos comparaciones entre las predicciones obtenidas por los modelos cuánticos con los modelos de computación tradicionales. Esto nos permitirá explorar nuevos métodos para incorporar información de imágenes en algoritmos cuánticos, así como nuevos paradigmas de aprendizaje automático cuántico y de inspiración cuántica, a la vez que impulsamos el avance de la inteligencia artificial en agricultura”, explican Ángela Ribeiro y Juan José García Ripoll, investigadores del CSIC. En la agricultura, se busca el constante desarrollo de herramientas que ayuden a gestionar el cultivo y que puedan llegar a realizar predicciones de las condiciones meteorológicas que influirán sobre el cultivo, para implementar sistemas mucho más eficaces y adaptados. AgrarIA es un proyecto liderado por el grupo empresarial GMV y financiado a través del Programa Misiones de I+D en Inteligencia Artificial de la Secretaría de Estado de Digitalización e Inteligencia Artificial (SEDIA) del Ministerio de Asuntos Económicos y Transformación Digital, correspondiente a los fondos del Plan de Recuperación, Resiliencia y Transformación.
RkJQdWJsaXNoZXIy Njg1MjYx