FARMDROPS
FARMDROPS es un proyecto innovador que utiliza drones, inteligencia artificial y un sistema de apoyo a la toma de decisiones para optimizar el uso del agua en la agricultura. Su objetivo es reducir el desperdicio de agua, mejorar la eficiencia en el uso de este recurso y aumentar la productividad de los cultivos.
Objetivos
FARMDROPS nace ante la necesidad de abordar el uso excesivo de agua en la agricultura, que representa un porcentaje importante de la extracción global de agua dulce. El proyecto plantea el desarrollo de un sistema inteligente basado en drones equipados con cámaras multiespectrales, cuyos datos serán procesados con inteligencia artificial para generar recomendaciones de riego optimizadas para cada cultivo y condición ambiental.
Tecnología
El dron recolectarán datos a través de imágenes multiespectrales. A través de los indices de vegetación se puede obtener información valiosa sobre la humedad y salud del suelo y cultivos, mientras que la inteligencia artificial procesará y analizará esta información para recomendar planes de riego precisos y acciones específicas que los agricultores podrán implementar.
En la siguiente imagen se puede ver una zona de cultivos con imagen real y con indices de vegetación. A la derecha se muestra el NDWI, las zonas de mayor intensidad significan presencia de agua. A la izquierda se muestra el NVDI, las zonas oscuras representan zonas de vegetación vigorosa.
Impacto esperado
- Reducción del 40% del uso de agua
- Aumento del 10% en productividad de cultivos
- Mitigación de la salinización y contaminación de suelos
- Mejora de la resiliencia frente al cambio climático
Metodología
El objetivo es aplicar inteligencia artificial a los indices de vegetación (NVDI, NWDI).
Para la obtencion de los datos de aprendizaje, se ha usado imagenes de satelite (SENTINEL-2, bandas B2,3,4 y 8). Con esta información junto con datos metereologicos (evapotranspiracion), junto con datos fenologicos obtenidos a partir de un modelo de crecimiento de plantas (CROPDROP), se ha obtenido el data training.
Una vez realizado el aprendizaje del algoritmo, se valida con imagenes multiespectrales tomadas por dron y con mediciones in situ.
Posteriormente se realiza un interface de usuario.
La siguiente imagen muestra el proceso:
La gestión eficiente del riego en la agricultura es esencial para garantizar la sostenibilidad y maximizar la productividad de los cultivos.
FARMDROPS es una innovadora solución de Sistema de Apoyo a la Decisión (DSS) que utiliza inteligencia artificial y análisis de imágenes multiespectrales para optimizar el riego y reducir el consumo de agua.
Contexto y Desafío Inicial
FARMDROPS requiere que los usuarios capturaran imágenes multiespectrales utilizando drones y combinaran estos datos con información meteorológica y agronómica de diversas fuentes.
Aunque efectivo, este enfoque implicaba un alto grado de complejidad y dependencia de múltiples fuentes de datos, lo que podía ser una barrera para algunos usuarios.
Innovación en el Proceso de Análisis
Para mejorar la experiencia del usuario, hemos adoptado un enfoque más integrado, utilizando índices de vegetación adicionales que pueden ser derivados directamente de imágenes de satélite. Específicamente, hemos enfocado nuestros esfuerzos en el NDMI (Normalized Difference Moisture Index), que se relaciona con la banda SWIR de los satélites.
Este índice ha demostrado correlacionarse fuertemente con la humedad del suelo, validado por mediciones de campo con sensores.
Desarrollo de Algoritmos Avanzados
El análisis del dataset ha llevado al desarrollo de dos tipos de algoritmos:
Algoritmo No Supervisado para la Clusterización: Este algoritmo permite identificar patrones y agrupaciones naturales en los datos, proporcionando una primera capa de análisis que distingue diferentes zonas de riego dentro del campo.
Algoritmo Supervisado para el Cálculo del NDMI: Entrenado con datos de campo y observaciones satelitales, este algoritmo predice la humedad del suelo con una precisión alta. Las predicciones se aplican a cada píxel de la imagen, generando un mapa detallado de la humedad del suelo.
Interface de Usuario
Una vez que se ha comprobado que el algoritmo funciona correctamente se ha desarrollado un interface de usuario para que pueda ser usado fácilmente.
Este interface se ha desarrollado en Python usando el framework Flask.
En el siguiente video se puede observar la sencillez de uso, introducir una imagen multiespectral tomada por dron con el formato (RGB-NIR).
A la izquierda se muestra la imagen original y a la derecha el valor del NDMI, pudiendo cambiar la escala para obtener mayor informacion.
Validación
FARMDROPS ha sido validado en una amplia variedad de escenarios agrícolas. Este análisis cubre múltiples cultivos y ubicaciones geográficas, lo que demuestra la versatilidad y precisión del sistema.
Procedimiento de Validación:
Análisis de Sensibilidad: Se realizaron predicciones en diferentes cultivos y regiones para evaluar la robustez del modelo.
Análisis Estadístico: Se calcularon las métricas de error y se realizaron pruebas estadísticas para evaluar la precisión de las predicciones
Las siguientes imágenes muestran diferentes pruebas de validación realizados en diferentes cultivos y localizaciones.
Se ha llevado a cabo un análisis estadístico, calculando las métricas de error y se han realizado pruebas estadísticas para evaluar la precisión de las predicciones.
RENDIMIENTO GENERAL
Con un R² global de 0.7833, FARMDROPS demuestra una fuerte correlación entre sus predicciones y las mediciones reales de NDMI bajo diversos escenarios. El RMSE global de 0.0557 y el MAE global de 0.0475 indican una precisión consistente en las predicciones.
ANÁLISIS POR CULTIVO
FARMDROPS muestra un rendimiento constante en todos los cultivos evaluados. Es particularmente preciso en la predicción del NDMI para tomate en Valencia (R² = 0.8135) y trigo en Segovia (R² = 0.7949). El rendimiento de kiwi (R² = 0.4203) sugiere que podría haber margen de mejora para este cultivo específico.
SIGNIFICANCIA ESTADÍSTICA
La prueba T pareada arrojó un valor p de 0.4717, que es superior al nivel de significancia típico de 0.05. Esto sugiere que no existe una diferencia estadísticamente significativa entre las predicciones de FARMDROPS y las mediciones reales, lo que respalda la fiabilidad del sistema.
VERSATILIDAD
Los resultados demuestran la capacidad de FARMDROPS para adaptarse a diferentes tipos de cultivos y condiciones geográficas, desde cereales en el centro de España hasta frutas en el norte de España y hortalizas en Italia y el este de España.
.
Equipo
ALBERTO ARENILLAS
LUBIN DU
CEO de SMASP
Ingeniero aeronáutico, especializado en desarrollo de nuevos productos.
Actua como coordinador de FARMDROPS y desarrollo de la parte tecnológica.
Técnico de SMASP
Ingeniero informático, especializado en inteligencia artificial.
Su rol en FARMDROPS es la desarrollo de la inteligencia artificial y del DSS
Funded by the European Union. Views and opinions expressed are, however, those of the author(s) only and do not necessarily reflect those of the European Union or EISMEA. Neither the European Union nor the granting authority can be held responsible for them
