Resultados preliminares en el desarrollo de un servicio pionero a nivel de cooperativas, diseñado para asistir a los técnicos de campo

El Grupo Operativo Andaluz 'DronFruit II', viene precedido por GO DronFruit I, donde se ha trabajado durante 3 años en el desarrollo y validación de un sistema de detección y conteo de naranjas mediante el uso de imágenes RGB obtenidas por vuelo de un dron en combinación con un modelo de IA basado en redes neuronales artificiales. Los conteos realizados se utilizaron para realizar estimaciones de aforamiento de forma automatizada (Figura 1). El modelo desarrollado superó al técnico en precisión durante los tres años evaluados, registrando un error medio de tan solo el 7,22%, comparado con el 13,74% del técnico.

En el sector agroalimentario, estamos siendo testigos de una revolución impulsada por el avance de nuevos procedimientos, tecnologías y competencias. Esto ha dado lugar a la creación e imaginación de servicios digitales innovadores, especialmente diseñados para un ámbito tan característico como el agrícola.

Desde nuestro grupo de investigación, Smart BioSystem Lab (http://smartbiosystemlab.com/), estamos firmemente convencidos de que, mediante la utilización de todas las herramientas disponibles, podemos lograr una intensificación sostenible de la agricultura que respete el medio ambiente y potencie la eficiencia.

Figura 1. Flujo de trabajo del algoritmo. Imagen de entrada al modelo (A), salida del modelo con las detecciones (B) y detalle de las detecciones (C). Nótese como se muestra el valor de la probabilidad y cómo que algunas naranjas no son detectadas por presentar un alto grado de oclusión por otros frutos.

El empleo de cámaras térmicas, RGB y multiespectrales integradas en drones, complementado con modelos de inteligencia artificial, ha probado ser efectivo tanto en el ámbito de la investigación como en aplicaciones comerciales específicas. Mediante la iniciativa del proyecto GO DronFruit II, nos hemos propuesto llevar estos avances un paso más allá, facilitando la identificación precoz de patógenos y estrés en cultivos agrícolas. Este proyecto busca establecer un servicio vinculado a las cooperativas agroalimentarias de cítricos líderes en la provincia de Sevilla, con el fin de reforzar la protección vegetal en cítricos mediante la tecnología de precisión.

Los drones pueden volar sobre las superficies agrícolas y recopilar información detallada sobre el estado de los cultivos de manera rápida y eficiente. Equipados con cámaras multiespectrales, los drones pueden capturar información invisible al ojo humano, lo que permite detectar problemas de potenciales patologías en los cultivos sin la necesidad de detectar síntomas visuales (Deng et al., 2018). Esta capacidad de monitoreo remoto en tiempo real hace que los drones sean una herramienta poderosa para los agricultores, permitiéndoles tomar decisiones informadas y rápidas para proteger sus cultivos.

Pero el verdadero avance llega con la inteligencia artificial (IA), y en particular el aprendizaje profundo o deep learning (DL). Términos acuñados en la década de los 50 y de los 80 respectivamente, y con avances significativos a partir de la década de los 2000 (McCarthy et al., 2006; Hinton et al., 2006; LeCun et al., 2015). El aumento en la capacidad de cómputo, especialmente con el desarrollo de unidades de procesamiento gráfico (GPU) y de unidades de procesamiento tensorial (TPU), ha permitido el desarrollo de nuevos algoritmos de IA y técnicas de DL que han mejorado la capacidad de aprendizaje de las computadoras, lo que ha favorecido la adopción de esta tecnología en diversos ámbitos como la salud, las finanzas, el comercio electrónico, o la educación, entre muchos otros.

En el sector agrícola, está revolucionando la forma en que se monitorizan y gestionan los cultivos, permitiendo el análisis y procesamiento de grandes cantidades de datos de manera rápida y eficiente, siendo un apoyo esencial en la toma de decisiones. Entre las aplicaciones más interesantes de IA en el sector agrícola se incluyen la optimización del riego y la fertilización, pues tiene la capacidad de analizar grandes cantidades de datos procedentes de diversas fuentes y ofrecer recomendaciones de estrategias de riego y fertilización (Talaviya et al., 2020).

Igualmente, estas técnicas permiten la predicción del rendimiento y de la calidad de los cultivos, mejorando la planificación de las operaciones en campo (Apolo-Apolo et al., 2020). O la detección y detección temprana de patógenos y estreses en los cultivos. Haciendo uso de imágenes en RGB o imágenes multiespectrales, y/o de datos procedentes de sensores, la IA posibilita una precisa detección y clasificación de patógenos y estreses, previniendo su propagación y minimizando daños (Nguyen et al., 2021).

En España, la diversidad climática y geográfica ha dado lugar a una amplia variedad de cultivos, siendo algunos de los más importantes en términos económicos y culturales. Destacan los cultivos de olivos, viñedos, cereales, frutas y hortalizas. Sin embargo, entre todos estos, el cultivo de naranjos ocupa un lugar de relevancia significativa. La industria citrícola en España tiene una larga tradición y representa una parte importante de la economía agrícola del país, con extensas áreas de cultivo distribuidas principalmente en regiones como Valencia, Andalucía y Murcia. Es precisamente debido a esta importancia económica y a la vulnerabilidad de los naranjos a diversos patógenos y estreses, lo que posiciona esta línea de trabajo en el centro de las investigaciones.

Actualmente, según datos del ministerio de Agricultura, Pesca y Alimentación (MAPA), en España se cultivan 150.716 hectáreas de naranjo, lo que supone el 10,7% de la superficie total de cultivo de naranjo en la UE. Además, en 2022 España obtuvo una producción de 2.895 toneladas, lo que representa el 35.2 % del total producido por la UE. Estos datos convierten a España en el sexto país con mayor producción de naranjas a nivel mundial, y resaltan la importancia económica y cultural de este cultivo (MAPA, 2022).

Entre los principales desafíos que enfrenta el cultivo de la naranja en España se encuentran la presencia de diversos patógenos como el cotonet (Planococcus citri), la araña roja (Panonychus citri), la antracnosis (Colletotrichum spp.) o el Aguado y/o Podredumbre marrón y de cuello (Phytophthora spp.), y estreses que pueden afectar su salud y rendimiento, siendo uno de los más significativos la Phytophthora spp., sobre todo en plantaciones jóvenes. La podredumbre de raíz o cuello es una enfermedad fúngica que ataca las raíces y la base del tallo o tronco de los naranjos, dificultando la capacidad de absorción de nutrientes y agua de la planta. Este patógeno puede ocasionar marchitez, defoliación e incluso la muerte del árbol. El principal problema radica en la dificultad de detectar de manera temprana la presencia de Phytophthora spp. en los plantones de naranjo. La falta de síntomas evidentes en las etapas iniciales de la infección dificulta la identificación oportuna, permitiendo que la enfermedad se propague silenciosamente y cause daños considerables antes de ser detectada.

Ante esta problemática, nuestro grupo de investigación está llevando a cabos trabajos centrados en la detección temprana de Phytophthora spp. en raíz y tallo (Figura 2), empleando tecnologías avanzadas como la visión por computador y la captura de imágenes multiespectrales con drones equipados con tecnología RTK.

Figura 2. a) Síntoma visible de Phytophthora spp. en tallo de plantón de naranjo; b) Defoliación causada por Phytophthora spp. en etapa intermedia.

La Figura 4 ilustra con claridad la segmentación y clasificación efectiva de las copas de los árboles. Los datos iniciales indican un nivel de precisión del 94.3% y una sensibilidad del 87.1%, con un mAP50 del 68.6% en las operaciones de segmentación y clasificación. Estos valores vislumbran una buena capacidad del sistema para discriminar de manera fiable entre árboles sanos y los infectados por el patógeno Phytophthora spp., reafirmando la eficacia del método para la identificación y el seguimiento del estado fitosanitario de los cultivos.

Nos encontramos con resultados preliminares en el desarrollo de un servicio pionero a nivel de cooperativas, diseñado para asistir a los técnicos de campo. Este servicio promete aumentar la precisión en la toma de decisiones sobre intervenciones fitosanitarias, permitiendo actuar proactivamente antes de que los síntomas de afección sean visiblemente detectables en las plantas.

Figura 4. Segmentación y clasificación de Phytophthora spp. en la banda Red Edge.

Agradecimiento

Este trabajo está siendo posible gracias al proyecto DRONFRUIT 2, “Servicio de vigilancia fitosanitaria de cítricos mediante drones e inteligencia artificial”, expediente GOPG-SE-20-0007, proyecto financiado por la Medida 16 del Programa de Desarrollo Rural de Andalucía 2014-2020, incluidas en el funcionamiento de los Grupos Operativos de la Asociación Europea de la Innovación (AEI) en materia de productividad y sostenibilidad agrícola (operación 16.1.2) cofinanciada por la Unión Europea a través del fondo FEADER (90%) y la Junta de Andalucía (10%).

Referencias

Apolo-Apolo, O. E., Martínez-Guanter, J., Egea, G., Raja, P., & Pérez-Ruiz, M. (2020). Deep learning techniques for estimation of the yield and size of citrus fruits using a UAV. European Journal of Agronomy, 115, 126030.

Deng, L., Mao, Z., Li, X., Hu, Z., Duan, F., & Yan, Y. (2018). UAV-based multispectral remote sensing for precision agriculture: A comparison between different cameras. ISPRS journal of photogrammetry and remote sensing, 146, 124-136.

FAO, 2017. El future de la alimentación y la agricultura: Tendencias y desafíos. https://www.fao.org/3/i6583e/i6583e.pdf

Hinton, G. E., Osindero, S., & Teh, Y. W. (2006). A fast-learning algorithm for deep belief nets. Neural computation, 18(7), 1527-1554.

LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. nature, 521(7553), 436-444.

MAPA, 2022. Encuesta sobre Superficies y Rendimientos Cultivos (ESYRCE). Encuesta de Marco de Áreas de España. https://www.mapa.gob.es/es/estadistica/temas/estadisticas-agrarias/agricultura/esyrce/

McCarthy, J., Minsky, M. L., Rochester, N., & Shannon, C. E. (2006). A proposal for the dartmouth summer research project on artificial intelligence, august 31, 1955. AI magazine, 27(4), 12-12.

Nguyen, C., Sagan, V., Maimaitiyiming, M., Maimaitijiang, M., Bhadra, S., & Kwasniewski, M. T. (2021). Early detection of plant viral disease using hyperspectral imaging and deep learning. Sensors, 21(3), 742.

ONU, 2023. Informe de los Objetivos de Desarrollo Sostenible 2023: Edición especial. https://www.un.org/sustainabledevelopment/es/

Talaviya, T., Shah, D., Patel, N., Yagnik, H., & Shah, M. (2020). Implementation of artificial intelligence in agriculture for optimisation of irrigation and application of pesticides and herbicides. Artificial Intelligence in Agriculture, 4, 58-73.