Aún es necesario que se estandaricen los métodos de análisis para que el uso de los drones se incorpore con todo su potencial a la digitalización de la olivicultura

La digitalización de la olivicultura permitiría hacer frente a los desafíos a los que se enfrenta el sector, como una mayor producción, calidad y trazabilidad haciendo un uso sostenible de los recursos. En los procesos de digitalización se necesitan grandes cantidades de datos, siendo la teledetección con drones una herramienta ideal para recolectarlos. El uso de drones en olivicultura ha dado lugar al desarrollo de aplicaciones como la caracterización 3D de los olivos, la estimación de producción, o la detección de estreses bióticos y abióticos.

Pese a que los drones (Figura 1) han permitido grandes avances en el ámbito de la teledetección agrícola, no hay que perder de vista el hecho de que son sólo una herramienta más en el proceso de digitalización. Es el análisis de los datos tomados por los drones el que permite generar información útil para la gestión del olivar. Los drones han facilitado la adquisición de datos con un amplio rango de sensores y con una resolución no conseguida hasta tiempos recientes, pero todos esos datos no tendrían valor alguno sin el desarrollo de métodos de análisis. La gran cantidad de datos que se pueden generar empleando sensores embarcados en drones ha causado la necesidad de implantar técnicas de análisis avanzado, como las basadas en inteligencia artificial, que permiten generar información útil mediante modelos precisos y eficientes basados en el procesado de grandes cantidades de datos.

Figura 1. Dron multirrotor despegando en una parcela joven de olivar en seto.

El uso de drones en olivicultura ha hecho posible el desarrollo de una gran cantidad de aplicaciones en el ámbito de la investigación, siendo de acuerdo a Anastasiou et al. (2023) la plataforma más usada en los trabajos científicos sobre teledetección en olivar. A continuación se comentan algunas de estas aplicaciones, clasificadas en base al objetivo buscado y presentándose referencias bibliográficas a modo de ejemplo. La selección de referencias pretende servir como ejemplo y como posible vía de introducción al estudio de una aplicación concreta, y no es ni mucho menos exhaustiva, pudiendo en algunos casos existir otros trabajos sobre la misma temática. La persona interesada en conocer de forma más completa los trabajos llevados a cabo sobre teledetección en olivar con drones y otras plataformas puede consultar varias revisiones bibliográficas publicadas recientemente: Anastasiou et al. 2023; Messina and Modica 2022a, 2022b.

Medición de parámetros geométricos

Parámetros geométricos tales como altura, área proyectada y volumen de la copa de los olivos proporcionan información de gran utilidad sobre el estado general sanitario (ej.: presencia de enfermedades), el tipo de poda realizada, o el hábito vegetativo. Además, la medición de estos parámetros puede servir de base para el diseño de tratamientos localizados de aplicación de insumos, pudiendo generarse por ejemplo mapas de aplicación variable de fungicidas en los que la cantidad de producto a aplicar se ajuste en función de su volumen de copa.

La aplicación de técnicas de fotogrametría y de visión artificial a imágenes tomadas con drones permite la generación de modelos tridimensionales representando las dimensiones de los olivos en una plantación (Figura 2). Dichos modelos han sido validados en diferentes publicaciones científicas, demostrándose su precisión y la eficiencia en su generación (Torres-Sánchez et al. 2015). La calidad de estos modelos, junto al uso de técnicas de análisis automatizado de los mismos permite generar la información necesaria para diseñar mapas de aplicación localizada de insumos, evaluar el crecimiento de los olivos entre dos fechas (Jiménez-Brenes et al. 2017), o para evaluar nuevas variedades de olivo y su adaptación a diferentes sistemas de plantación (de Castro et al. 2019). Este tipo de trabajos se han llevado a cabo usando como sensor a bordo del dron cámaras fotográficas convencionales, aunque en algunas ocasiones también se han empleado sensores multiespectrales.

Predicción de cosecha

La producción del olivo, además de por otros parámetros de gran importancia como la cantidad de insumos recibidos o la incidencia de plagas y enfermedades, se ve influenciada por la cantidad de luz recibida por la copa, y esta guarda estrecha relación con el tamaño del árbol. Por tanto, se han realizado estudios en los que, utilizando cámaras fotográficas convencionales para la adquisición de imágenes, se han hallado altos niveles de correlación entre parámetros geométricos de la copa como el área proyectada (Sola-Guirado et al. 2017) y el volumen (Torres-Sánchez et al. 2022) con la producción final expresada en kg de aceituna por árbol. Estos trabajos se han llevado a cabo tanto en parcelas de olivar con diferentes sistemas de plantación, como en ensayos de fenotipado cultivados en seto. Aunque los resultados obtenidos en la estimación de cosecha son prometedores, estos estudios aún deberían validarse en un rango más amplio de condiciones de cultivo y variedades de olivar. Además, el desarrollo de futuros modelos de predicción de cosecha, junto al tamaño de la copa, debería tener en cuenta factores como la vecería o la cantidad de agua o nutrientes recibidos por los olivos.

Detección de enfermedades

Para el manejo de las enfermedades en el olivar es importante poder lograr una detección temprana de las mismas que permita evitar, o limitar en la medida de lo posible, la expansión de la enfermedad desde los pies afectados a los sanos. Los primeros síntomas detectables de las enfermedades del olivar suelen ser la clorosis, una incipiente defoliación, y una tasa reducida de transpiración. Todos estos síntomas pueden ser detectados remotamente usando información espectral en el rango visible, el infrarrojo y el térmico, lo que permite la detección temprana de enfermedades usando sensores embarcados en drones. Las dos enfermedades en las que más se ha trabajado usando esta tecnología son una de carácter fúngico, la verticilosis (Calderón et al. 2013), y otra causada por una bacteria, la infección por Xylella fastidiosa (Castrignanò et al. 2021). En ambas enfermedades, causadas por distintos tipos de agentes infecciosos, se han obtenido resultados prometedores en lo que respecta a su detección temprana con sensores multiespectrales, hiperespectrales y térmicos.

Detección de estrés hídrico

El estrés hídrico induce el cierre de estomas en el olivar, lo que lleva a un menor enfriamiento de las hojas por transpiración que provoca una subida de la temperatura de la copa del olivo. En los años 80 del pasado siglo se desarrolló un índice de estrés hídrico para cultivos (CWSI por sus siglas en inglés) que permite evaluar el nivel de estrés hídrico en base a mediciones de la temperatura del cultivo y del ambiente en las que se tienen en cuenta ciertos parámetros de referencia. Inicialmente la temperatura del cultivo se medía empleando sensores de temperatura a pie de campo, pero, en los últimos años, el uso de cámaras termográficas a bordo de drones ha permitido hacer mediciones de la temperatura de los olivos de una manera precisa y eficiente, facilitando el cálculo del CWSI para parcelas de cultivo completas en vez de para una cantidad limitada de árboles. Se ha demostrado que los valores de CWSI calculados con drones en olivares tienen elevados niveles de correlación tanto con la conductancia estomática como con el potencial hídrico (Berni et al. 2009; Caruso et al. 2022), lo que abre la puerta al cálculo de necesidades reales de agua en el marco de programas de riego deficitario controlado.

Detección de malas hierbas

Muchas especies de malas hierbas se distribuyen en rodales, lo que implica que la aplicación de tratamientos herbicidas podría focalizarse en esos rodales dejando el resto de la parcela sin tratar, con el consecuente ahorro económico y reducción del impacto medioambiental. Sin embargo, y aunque en otros aspectos del manejo del olivo se lleva más de diez años investigando sobre la utilización de los drones, hasta muy recientemente no se ha comenzado a implementar la teledetección en el control de malas hierbas en olivar. En este contexto, un trabajo reciente ha conseguido cartografiar la extensión y ubicación de rodales de Ecballium elaterium (pepinillo del diablo o meloncillo) en olivar en seto (Torres-Sánchez et al. 2022), donde esta planta es un problema malherbológico emergente. Se ha demostrado que un dron equipado con una cámara convencional, junto el uso de software libre, permite alcanzar elevados niveles de precisión en la cartografía de esta mala hierba (Figura 3) de cara a elaborar mapas de aplicación localizada de tratamientos herbicidas.

La información generada mediante el análisis de los datos tomados con drones, junto a otras fuentes de información y el uso de modelos basados en inteligencia artificial, puede servir de base para la digitalización de la olivicultura. Sin embargo, aunque la teledetección con drones ya está plenamente incorporada como una herramienta más en el sector investigador en áreas como el fenotipado de nuevas variedades, y aunque ya hay empresas que ofrecen servicios de teledetección con drones a los agricultores, antes de que esta tecnología pueda desarrollar todo su potencial en el sector productivo sería deseable que se llevara a cabo la estandarización de sus métodos.

En las publicaciones científicas revisadas para redactar este artículo se han utilizado diversidad de sensores y métodos de análisis, y hay abundantes casos en la bibliografía en los que para el olivar y otros cultivos se han desarrollado flujos de trabajo diferentes con un mismo objetivo, como puede ser la detección de estrés hídrico. Para conseguir que la teledetección con drones en olivicultura se implante como una herramienta cotidiana en el sector productivo es recomendable que se creen una serie de protocolos para cada tipo de análisis. De esta manera habría metodologías de referencia de las que se obtendrían resultados comparables, de igual manera que existen en los análisis de suelos o de nutrientes en hojas llevados a cabo en laboratorio. Junto al desarrollo de estos métodos de referencia sería adecuado la definición de estándares para el intercambio de datos. Esto permitiría que la información generada mediante la teledetección con drones pudiera ser compartida por los diferentes actores del sector, e incluso que pudiera ser combinada con otras fuentes de información como sensores instalados en los olivares o en maquinaria, generándose así un ecosistema de datos necesario para el desarrollo de modelos de ayuda a la toma de decisiones en la olivicultura digital.

REFERENCIAS

Anastasiou, E. et al. (2023). Trends in remote sensing technologies in olive cultivation. Smart Agricultural Technology, 3, 100103.

Berni, J. A. J. et al. (2009). Mapping canopy conductance and CWSI in olive orchards using high resolution thermal remote sensing imagery. Remote Sensing of Environment, 113(11), 2380–2388.

Calderón, R. et al. (2013). High-resolution airborne hyperspectral and thermal imagery for early detection of Verticillium wilt of olive using fluorescence, temperature and narrow-band spectral indices. Remote Sensing of Environment, 139, 231–245.

Caruso, G. et al. (2022). Using visible and thermal images by an unmanned aerial vehicle to monitor the plant water status, canopy growth and yield of olive trees (cvs. Frantoio and Leccino) under different irrigation regimes. Agronomy, 12(8), 1904.

Castrignanò, A. et al. (2021). Semi-automatic method for early detection of Xylella fastidiosa in olive trees using UAV multispectral imagery and geostatistical-discriminant analysis. Remote Sensing, 13(1), 14.

de Castro, A. I. et al. (2019). High-throughput system for the early quantification of major architectural traits in olive breeding trials using UAV images and OBIA techniques. Frontiers in Plant Science, 10.

Jiménez-Brenes, F. M. et al. (2017). Quantifying pruning impacts on olive tree architecture and annual canopy growth by using UAV-based 3D modelling. Plant Methods, 13, 55.

Messina, G., & Modica, G. (2022a). The role of remote sensing in olive growing farm management: a research outlook from 2000 to the present in the framework of precision agriculture applications. Remote Sensing, 14(23), 5951.

Messina, G., & Modica, G. (2022b). Twenty years of remote sensing applications targeting landscape analysis and environmental issues in olive growing: a review. Remote Sensing, 14(21), 5430.

Sola-Guirado, R. R. et al. (2017). Olive actual “on year” yield forecast tool based on the tree canopy geometry using UAS imagery. Sensors (Basel, Switzerland), 17(8).

Torres-Sánchez, J. et al. (2022). Quantification of dwarfing effect of different rootstocks in ‘Picual’ olive cultivar using UAV-photogrammetry. Precision Agriculture, 23(1), 178–193.

Torres-Sánchez, J. et al. (2015). High-throughput 3-D monitoring of agricultural-tree plantations with Unmanned Aerial Vehicle (UAV) technology. PLoS ONE, 10(6), e0130479.

Torres-Sánchez, J. et al. (2022). Detection of Ecballium elaterium in hedgerow olive orchards using a low-cost uncrewed aerial vehicle and open-source algorithms. Pest Management Science.