VITICULTURA los UAVs navegar eficientemente a través de los complejos entornos de los viñedos, así como tomar imágenes de las cepas (waypoints) desde distintos ángulos mediante la rotación del drone para mejorar así la detección de racimos y evitando en lo posible los problemas causados por la ocultación que genera el follaje (Fig. 2). Además, buscamos evaluar y comparar la eficacia de nuestro algoritmo con métodos de planificación de rutas tradicionales, para determinar su efectividad en la mejora de la eficiencia en la recopilación de datos y en la calidad de la información recabada. MATERIALES Y MÉTODOS Para lograr estos objetivos, desarrollamos un algoritmo de planificación de rutas basado en ACO, diseñado para adaptar las rutas de vuelo en tiempo real, teniendo en cuenta factores como la topografía del viñedo, la disposición de las plantas y la presencia de obstáculos naturales, como árboles en la parcela o incluso bosques alrededor de las mismas. La implementación práctica del estudio involucró el uso de UAVs equipados con sensores para la recopilación de datos. Los vuelos se llevaron a cabo siguiendo las rutas planificadas por nuestro algoritmo ACO, centrándose especialmente en la eficacia de la recopilación de datos en áreas de difícil acceso visual. Los datos obtenidos se analizaron para evaluar la mejora en la eficiencia de la planificación de rutas y en la calidad de los datos recogidos, en comparación con los métodos tradicionales y otros algoritmos de planificación de rutas. Finalmente, para realizar las pruebas se seleccionaron dos viñedos con distintas características. Esta diversidad nos permitió evaluar la adaptabilidad y robustez del algoritmo desarrollado en diferentes escenarios. Esta fase fue crucial para asegurar que nuestro enfoque no solo es teóricamente sólido, sino también práctico y aplicable en el campo de la agricultura de precisión, especialmente en el contexto de la viticultura. RESULTADOS Y DISCUSIÓN Los resultados obtenidos de la implementación y adaptación del algoritmo de Optimización de Colonias de Hormigas en la planificación de rutas de UAVs en viñedos han sido significativamente positivos. El modelo desarrollado demostró una notable mejora en la eficiencia de la navegación de los UAVs, reduciendo la longitud del camino de las rutas calculadas en hasta un 24% en comparación con el algoritmo base (Fig. 3). Esta optimización resultó en una cobertura más exhaustiva del viñedo y una mejor detección de racimos, especialmente en áreas donde había ocultación de racimos. Además, la adaptabilidad del algoritmo a diferentes entornos de viñedos fue una de las fortalezas más destacadas. El modelo mostró una consistente eficacia tanto en viñedos con disposiciones simples como en aquellos con estructuras de vegetación más complejas y variadas. Esta El enfoque presentado no solo mejora la eficiencia operativa, sino que también contribuye a una gestión más sostenible del cultivo, tanto económica como medioambientalmente, reduciendo la necesidad de intervenciones manuales y permitiendo una toma de decisiones más informada y precisa Fig. 3. Planificación de misiones aéreas con ACO-MMAS, usando una o varias plataformas. Los puntos verde y rojo señalan el inicio y fin de la ruta, respectivamente; las áreas en blanco representan zonas prohibidas o sin interés agrícola. (a) (b) Figura 2. Movimiento del dron en cada cepa del viñedo: (a) Cada ubicación o waypoint se subdivide en izquierdo, central y derecho, capturando imágenes desde los tres ángulos. (b) En caso de interés agrícola en ambos lados del dosel, el UAV sigue una secuencia izquierda-central-derecha para cada lado, rotando la cámara para capturar desde múltiples perspectivas. 1 UAV 2 UAVs 3 UAVs Figura 3. Planificación de misiones aéreas con ACO-MMAS, usando una o varias plataformas. Los puntos verde y rojo señalan el inicio y fin de la ruta, respectivamente; las áreas en blanco representan zonas prohibidas o sin interés agrícola. 80 C M Y CM MY CY CMY K
RkJQdWJsaXNoZXIy Njg1MjYx