Artificial Intelligence in Digital Agriculture. Towards In-Field Grapevine Monitoring using Non-invasive Sensors

Zusammenfassung

En la agricultura se busca una reducción de costes y de impacto ambiental, mejor sostenibilidad y un incremento de la calidad y el rendimiento del cultivo. Es necesario desarrollar aplicaciones útiles para agricultores que ayuden en esta mejora de eficiencia y sostenibilidad. Para lograr este objetivo en el ámbito de la viticultura, se necesita información sobre el viñedo que puede utilizarse para tomar mejores decisiones. Los nuevos avances en tecnologías de sensórica no invasiva permiten la adquisición de grandes cantidades de datos del viñedo. Sin embargo, los datos por si solos no sirven cuando se tienen que tomar decisiones, ya que tienen que ser convertidos en información. La inteligencia artificial supone una revolución a distintos niveles sociales, de trabajo e industriales. Dentro de la inteligencia artificial, el aprendizaje automático ha evolucionado ampliamente durante las últimas décadas para proveer de herramientas que permitan a los ordenadores aprender. Por su gran versatilidad, estos algoritmos se utilizan en muchos campos distintos donde es necesario trabajar con datos, generando conocimiento e información, y mejorando el proceso de toma de decisiones. Por estos motivos, se debe explorar la combinación de sensores no invasivos con inteligencia artificial para alcanzar los requisitos exigidos en agricultura digital. El objetivo principal de esta tesis doctoral es lograr la combinación de aprendizaje automático y tecnologías de sensórica no invasiva para la estimación de importantes características agronómicas, fisiológicas y cuantitativas en agricultura y viticultura digital. En concreto, se plantearon los siguientes objetivos específicos: i) utilizar diferentes algoritmos de aprendizaje automático sobre datos espectrales para la monitorización y fenotipado en campo de la vid; ii) la aplicación de métodos combinados de análisis de datos para la eslimación del estado hídrico del viñedo con termografía; y iii) utilizar imagen hiperespectral en condiciones de campo, junto con la aplicación intensiva de aprendizaje automático, para la monitorización de distintos aspectos del cultivo. El primer objetivo, cubierto en el Capítulo 3, fue la combinación de algoritmos de aprendizaje automático y espectroscopia de infrarrojo cercano para la monitorización y fenolipado de la vid. Se usó un espectrómetro portátil con dos fines: la clasificación de variedades de vid, con datos de distintos viñedos y campañas; y la estimación del estado hidrico, utilizando la misma señal espectral. Se desarrollaron modelos con gran precisión para ambos objetivos. Los resultados abren nuevas vías en viticultura digital para el fenotipado rápido de la vid bajo condiciones de campo, una herramienta muy útil para varios actores en la industria vitivinícola. El segundo objetivo fue la aplicación de métodos combinados de aprendizaje automático sobre imágenes térmicas adquiridas bajo condiciones de campo para la monitorización en continuo del estado hidrico del viriedo, que se trata en el Capítulo 4. Se instaló una cámara térmica en un quad para realizar captura de datos en continuo. El entrenamiento de los modelos de predicción se llevó a cabo mediante una combinación de rotation forests y árboles de decisión. Los resultados evidencian el uso de termografía para la estimación rápida y fiable del estado hídrico de un viñedo, incluso prescindiendo de la necesidad de medir temperaturas de referencia. El nuevo método desarrollado en continuo puede ser muy úlil en la industria vitivinícola para medir el estado hídrico de un viñedo y generar mapas de variabilidad espacial. El último objetivo, discutido en el Capitulo 5, fue el uso de imagen hiperespectral en continuo en condiciones de campo y modelada con técnicas de aprendizaje automático. Se pueden encontrar muy pocos trabajos que traten sobre el uso de imagen hiperespectral en campo, debido a las dificultades que esta configuración puede presentar, como una iluminación natural e irregular, o la localización a priori desconocida de las muestras en la escena. Por esta razón, gran parte de los esfuerzos dedicados en el periodo de investigación y desarrollo de esta tesis se han dedicado superar el reto de llevar una cámara hiperespectral a campo para la medición en continuo del viñedo, superando los inconvenientes a los que hay que enfrentarse en el nuevo escenario y diseñando aplicaciones útiles para viticultura digital. Se desarrollaron tres aplicaciones distintas: la clasificación de variedades, la evaluación de la composición de los frutos y la estimación del rendimiento. Se obtuvieron modelos precisos para la estimación de estas características del cultivo. Estos resultados sugieren que la imagen hiperespectral puede emplearse para estimar distintos aspectos del viñedo y otros frutales, convirtiéndose en una herramienta potente y precisa para la toma de decisiones. Los resultados del trabajo de investigación llevado a cabo en esta tesis doctoral, publicados en varios articulas científicos, demuestran que las técnicas de inteligencia artificial pueden sacar provecho de datos vegetativos capturados a través de tecnologías de sensórica no invasiva, para caracterizar parámetros clave del cultivo. Estos resultados pueden ser de gran importancia en agricultura y viticultura digital, dado que permiten el desarrollo de nuevas soluciones y herramientas de apoyo a decisiones en la industria agrícola.