VITICULTURA 82 tímetros (nivel de planta) - en tres pasos (Fig. 1). Estas capas espaciales se obtienen integrando información proporcionada por sensores de red ambiental, satélites, UAVs y UGVs (Fig. 2). Los sensores de red, combinados con la información satelital, proporcionan una estimación inicial de dónde podría estar desarrollándose la enfermedad en varios campos. Esta información es enviada a los UAVs, que inspeccionan con cámaras los campos y, empleando algoritmos de Machine Learning (aprendizaje automático), generan un mapa de probabilidad que indica el riesgo de desarrollo de enfermedad, mostrando su ubicación potencial (Vélez et al., 2023). A continuación, los UGVs inspeccionan con cámaras todo el cultivo poniendo especial interés en las ubicaciones con mayor probabilidad de padecer la enfermedad y determinan de forma precisa, utilizando modelos de detección obtenidos con técnicas de aprendizaje profundo (Deep Learning), la ubicación y estado de la enfermedad de las plantas. Cada plataforma tiene un subsistema único que proporciona información georreferenciada de la ubicación de la enfermedad en cada escala. Esta información se modela AGRADECIMIENTOS Este trabajo ha sido realizado en el marco del proyecto H2020 FlexiGroBots, financiado por la Comisión Europea a través de su programa H2020 (número de contrato 101017111, https://flexigrobots-h2020.eu/). Los autores desean agradecer a MathWorks, Inc. por su apoyo. REFERENCIAS • Burchett, S., & Burchett, S. (2017). Plant pathology. Garland Science, Taylor & Francis Group. • European Environment Agency. (2019). Climate change adaptation in the agriculture sector in Europe. Publications Office. https://data.europa.eu/doi/10.2800/537176 • Martindale, W. (2014). Global Food Security and Supply. John Wiley & Sons, Ltd. https://doi. org/10.1002/9781118699287 • Mira de Orduña, R. (2010). Climate change associated effects on grape and wine quality and production. Food Research International, 43(7), 1844–1855. https://doi.org/10.1016/j.foodres.2010.05.001 • Santesteban, L. G. (2019). Precision viticulture and advanced analytics. A short review. Food Chemistry, 279, 58–62. https://doi.org/10.1016/j.foodchem.2018.11.140 • Vélez, S., Ariza-Sentís, M., & Valente, J. (2023). Mapping the spatial variability of Botrytis bunch rot risk in vineyards using UAV multispectral imagery. European Journal of Agronomy, 142, 126691. https://doi. org/10.1016/j.eja.2022.126691 para generar un mapa único con la mejor estimación de la ubicación de la enfermedad. Finalmente, con la información proporcionada por los sistemas de inspección basados en los UAVs y UGVs, el agricultor puede llevar un seguimiento de los viñedos y de la flota de robots a través de la plataforma DSS. En ella se visualiza la información generada a partir de los vuelos de UAVs (mapas de probabilidad de desarrollo de Botrytis) la telemetría de los robots en tiempo real, así como de la ubicación de los racimos en los que han detectado la enfermedad, visualizando fotografías de éstos. La combinación de tecnologías propuesta no solo mejora la eficiencia en la detección, sino que también representa una oportunidad para reducir costos a largo plazo y minimizar el impacto ambiental. Es esencial que la industria agrícola adopte tales soluciones para mantener la operatividad en un mundo cada vez más competitivo, asegurando no solo la salud de los cultivos, sino también la sostenibilidad del sector. De este modo, los experimentos realizados en campo muestran que el enfoque propuesto ofrece mejores resultados en comparación con los métodos actuales ya que: 1) reduce el tiempo para detectar las ubicaciones de la enfermedad en el cultivo hasta 1 h/ha; 2) aumenta la precisión de la localización de enfermedades en más del 60%; 3) reduce la cantidad de tratamiento químico hasta en un 80%, ya que el pesticida podría aplicarse solo en las plantas con riesgo de desarrollar la enfermedad; y 4) podría tener un potencial retorno de inversión (ROI) positivo después de 6 y 3 temporadas, cuando es utilizado por productores de pequeña/media escala (<100ha) y de escala media/alta (<1000ha), respectivamente. n
RkJQdWJsaXNoZXIy Njg1MjYx