Artículo basado en la presentación ofrecida por la autora en el VIII Fórum Almendro & Pistacho

La Agricultura de Precisión combina tecnologías avanzadas como sensores y análisis de datos para gestionar la maquinaria y otros recursos agrícolas de manera eficiente. Requieren la intervención de técnicos o agricultores capacitados para interpretarlas y aplicarlas correctamente, y actúan como un apoyo esencial en la gestión del cultivo, maximizando su potencial cuando se integran con la experiencia humana. Entre las ventajas que ofrecen, se encuentran, por ejemplo:

• Optimización del riego y fertilización: Uso inteligente de los insumos como el agua y nutrientes.
• Monitoreo en tiempo real: Identificación temprana de diversos problemas, desde plagas hasta deficiencias nutricionales o hídricas.
• Prácticas sostenibles económica y ambientalmente: Disminución del impacto ambiental y aumento de la productividad, mediante la gestión adecuada de los recursos.

Sin embargo, la implementación enfrenta obstáculos como los altos costos iniciales en el caso de algunos sensores avanzados, la necesidad de mantenimiento y potenciales problemas de conectividad en áreas rurales.

La sensórica en campo juega un papel crucial en la monitorización de variables tanto abióticas como bióticas, proporcionando información detallada y en tiempo real sobre el estado del cultivo. Entre las variables abióticas que se pueden medir se incluyen parámetros como la temperatura, la humedad del suelo y del aire, así como la conductividad eléctrica, todos fundamentales para evaluar las condiciones del entorno. Por otro lado, las variables bióticas abarcan procesos fisiológicos de la planta, como la fotosíntesis, la transpiración y el crecimiento, ofreciendo una visión directa del comportamiento y la salud del cultivo.

Estos sistemas de sensorización pueden clasificarse en dos grandes categorías según su modo de operación. Por un lado, los sensores de teledetección no requieren contacto físico con la planta o el suelo; utilizan tecnologías como imágenes satelitales, drones y cámaras multiespectrales para capturar datos de forma remota.

Por otro lado, los sensores que requieren contacto directo están diseñados para medir parámetros específicos desde el interior del sistema agrícola, como sondas que se introducen en el suelo o dispositivos que se acoplan a la planta. Ambas categorías trabajan en conjunto para proporcionar una radiografía precisa del estado del cultivo, facilitando la toma de decisiones basada en datos.

Sensores SIN contacto

Concepto CLAVE: 'Teledetección', Técnica de adquisición de datos objetivos a distancia, de manera no destructiva, perfecta para la Agricultura de Precisión.

El sensor puede recoger diversa información espectral, en función de la longitud de onda que refleje la planta. Estos sensores, a su vez, pueden ir acoplados a diferentes plataformas como satélites o emplearse a pie de campo mediante vehículos o incluso manualmente por una persona. Con la información espectral recogida se elaboran diferentes índices de vegetación para inferir el estado de la planta. El más comúnmente utilizado es el Índice de Vegetación de Diferencia Normalizada, o NDVI por sus siglas en inglés. Este índice se calcula utilizando los valores reflejados en la banda roja del espectro visible y en el infrarrojo cercano (NIR), ofreciendo una medida confiable de la “vitalidad” o actividad fotosintética de la vegetación. El NDVI es ampliamente reconocido por su capacidad para evaluar la salud del cultivo, detectar estrés hídrico, y estimar la cobertura vegetal, entre otros aspectos fundamentales para una gestión agrícola eficiente.

Sensores CON contacto

En cuanto a los sensores que necesitan de un contacto para tomar mediciones, se pueden a su vez distinguir dos tipos en función de la información que recojan. Por un lado, estarían aquellos que nos permiten evaluar las condiciones climáticas en las que se desarrolla nuestro cultivo (medidas abióticas), como serían por ejemplo la temperatura, conductividad eléctrica o humedad del suelo para controlar el riego que estemos aplicando. Por otro lado, también podemos evaluar el desarrollo de la planta, mediante medidas bióticas, como serían la fotosíntesis, la transpiración o el crecimiento de esta. Estos datos, recopilados de forma precisa, permiten no solo reaccionar ante problemas potenciales, sino también planificar estrategias más eficientes de manejo del cultivo.

Durante la presentación se mostraron varios ejemplos de uso en pistachero centrados en las técnicas de Teledetección. Concretamente se mostraron datos obtenidos a nivel de parcela mediante el uso de drones y cámaras, permitiéndonos evaluar diferentes parámetros agronómicos mediante la obtención de imágenes con información multiespectral e hiperespectral y tras su posterior análisis mediante el uso de software especializado para una correcta interpretación de los resultados obtenidos.

Concretamente, en dichos casos prácticos, se mostraron resultados de un estudio en el que se ha empleado inteligencia artificial para generar diferentes modelos y analizar los datos obtenidos a partir de imágenes hiperespectrales, para determinar el origen geográfico de los pistachos, su localización en el árbol y las prácticas de riego, junto con la predicción de parámetros esenciales de calidad comercial y rendimiento. Los resultados demostraron una gran precisión en la clasificación de los pistachos en función de su origen, con una exactitud superior al 94%, y en la evaluación del contenido de agua y los pigmentos de color, alcanzando una precisión del 99%. A su vez, la investigación puso de manifiesto la existencia de distintas firmas espectrales asociadas a los diferentes tratamientos de riego, especialmente en la región del NIR, con una precisión del 92%.

Sin embargo, se observaron dificultades para predecir la procedencia de los frutos según la orientación y la altura de donde habían sido recolectados del árbol, obteniendo mejores resultados en el caso de la predicción de la altura, ya que reflejó distinciones espectrales más claras. Se realizaron también análisis de correlación entre los datos obtenidos, lo que reveló datos clave, como una relación inversa entre el porcentaje de vanos y el rendimiento, y una fuerte correlación entre el rendimiento y el porcentaje de frutos abiertos. A pesar de las dificultades para predecir la localización del fruto en el árbol la investigación mostró resultados prometedores en la predicción del rendimiento y los factores de calidad comercial, como el porcentaje de pistachos vanos obtenidos, lo que indica la eficacia del análisis hiperespectral para optimizar la producción y la sostenibilidad del pistacho.

Por otro lado, se presentaron los resultados de otro estudio cuyo objetivo fue el de evaluar la eficacia de diversos índices de vegetación en la estimación del rendimiento y la calidad del pistachero bajo diversas condiciones de riego. Para ello, se recopilaron imágenes multiespectrales y térmicas de alta resolución utilizando un sensor multiespectral y térmico, transportado por un dron con el fin de calcular el NDRE (índice de borde rojo de diferencia normalizada), el GNDVI (índice de vegetación de diferencia normalizada verde), el NDVI y el CWSI (índice de estrés hídrico del cultivo).

Todos los índices presentaron correlaciones significativas con el rendimiento y la calidad del fruto, siendo el CWSI, basado en información térmica, el que más se correlacionó con los parámetros de calidad (ej. porcentaje de carbohidratos, contenido de magnesio, hierro y ácidos grasos, concretamente palmitoil, esteárico, oleico y linoleico), superando a los índices no térmicos. Se recalca la importancia de tener en cuenta el impacto de los factores ambientales, como la ubicación del sol, a la hora de interpretar el CWSI, ya que modifica el patrón de distribución de la temperatura dentro del dosel. Este estudio apoya la viabilidad de la Teledetección y los índices de vegetación como herramientas potenciales para mejorar la gestión del pistachero.

Aunque los beneficios son evidentes, las tecnologías deben ser adaptadas a las necesidades específicas del sector. Entre los retos destacan:

• Curva de aprendizaje: Formación adecuada de los agricultores y técnicos para maximizar el potencial de estas herramientas.
• Accesibilidad: Necesidad de abaratar costos para pequeñas explotaciones.

En el futuro, se espera una mayor integración de sensores autónomos y sistemas de inteligencia artificial que hagan de la agricultura de precisión una norma en la industria. A la vez que la implantación de otras técnicas ya aplicadas en otros sectores como los gemelos digitales, que, mediante la generación de modelos tridimensionales, nos permitirán evaluar de manera precisa y detallada nuestros cultivos.

Referencias Bibliográficas:

Barajas, E., Álvarez, S., Fernández, E., Vélez, S., Rubio, J. A., & Martín, H. (2020). Sentinel-2 Satellite Imagery for Agronomic and Quality Variability Assessment of Pistachio (Pistacia vera L.). Sustainability, 12(20), 8437. https://doi.org/10.3390/su12208437

Martínez-Peña, R., Vélez, S., Vacas, R., Martín, H., & Álvarez, S. (2023). Remote Sensing for Sustainable Pistachio Cultivation and Improved Quality Traits Evaluation through Thermal and Non-Thermal UAV Vegetation Indices. Applied Sciences, 13(13), 7716. https://doi.org/10.3390/app13137716

Martínez-Peña, R.; Castillo-Gironés, S.; Álvarez, S.; Vélez, S. (2024). Tracing pistachio nuts’ origin and irrigation practices through hyperspectral imaging. Current Research in Food Science, 9, 100835. https://doi.org/10.1016/j.crfs.2024.100835

Vélez, S., Martínez-Peña, R., & Castrillo, D. (2023). Beyond Vegetation: A Review Unveiling Additional Insights into Agriculture and Forestry through the Application of Vegetation Indices. J, 6(3), 421-436. https://doi.org/10.3390/j6030028

Vélez, S., Vacas, R., Martín, H., Ruano-Rosa, D., & Álvarez, S. (2022). A Novel Technique Using Planar Area and Ground Shadows Calculated from UAV RGB Imagery to Estimate Pistachio Tree (Pistacia vera L.) Canopy Volume. Remote Sensing, 14(23), 6006. https://doi.org/10.3390/rs14236006

En el futuro, se espera una mayor integración de sensores autónomos y sistemas de inteligencia artificial que hagan de la agricultura de precisión una norma en la industria