Innovación

Aplican inteligencia artificial para mejorar el pronóstico de cosecha en los viñedos

La Universidad Nacional de Cuyo desarrolló la aplicación de la inteligencia artificial para mejorar el pronóstico de cosecha en los viñedos con el objetivo de reducir los errores de predicción.

Por Redacción El Agrario | 04-10-2022 03:28hs

La inteligencia artificial para mejorar el pronóstico de cosecha en los viñedos será aplicada a partir de una investigación de la Universidad Nacional de Cuyo (UNCuyo) que indaga en la utilización de 'machine learning', informó la casa de estudios.

Dicha metodología aplicada al proceso de estimación de cosecha de vid, tiene el objetivo de perfeccionarla y disminuir el error de predicción, a la vez que con estas tecnologías se busca optimizar los parámetros de producción y planificación en la industria agrícola, y hacerlo extensivo a otras frutas y en la identificación de malezas.

El diagnóstico por imagen aplicado al mundo del agro está cada vez más consolidado y ha despertado el interés de la comunidad científica local, y prueba de ello son los avances de una investigación de la UNCuyo sobre la implementación de algoritmos de reconocimiento de imagen para colaborar con el pronóstico de cosecha de vid, y de otros frutos, así como en la detección de malezas.

Actualmente, la metodología que se utiliza para la estimación de cosecha está dada por el recuento de racimos por planta y el cálculo del peso.

"La incorporación de tecnología basada en machine learning -aprendizaje autónomo- intenta contribuir con la disminución del error de estimación. Esta información complementa la ya existente y colabora en la optimización de la planificación y producción en la industria agrícola", explicó el ingeniero Luis Chiaramonte, codirector del proyecto.

El especialista detalló que machine learning es una disciplina del campo de la Inteligencia Artificial que, a través de algoritmos, posibilita a los ordenadores identificar patrones en datos masivos y elaborar predicciones (análisis predictivo). Este aprendizaje permite a las computadoras realizar tareas específicas de forma autónoma, es decir, sin necesidad de ser programados.

"En la primera fase del proyecto el algoritmo fue entrenado para el reconocimiento de racimos de uva. En la segunda, se seguirá el mismo proceso de trabajo, para hacerlo extensivo al resto de frutas, y por tanto, de los sectores frutihortícolas", aseguró Chiaramonte, quien es coordinador del Centro de Investigación del Instituto Tecnológico Universitario (ITU).

"Además -agregó el investigador- se ha incorporado la posibilidad de identificar maleza para el correcto tratamiento de su erradicación, lo que impacta en el uso eficiente de los herbicidas, en la disminución de los costos de logística para su aplicación, al tiempo que contribuye con el cuidado del medioambiente, ya que se dejan de usar herbicidas genéricos para utilizar los específicos en cada caso".

"La investigación continúa con la integración de pronóstico en otros tipos de fruta de distinta temporalidad, con lo cual se abre la posibilidad de entrenar el algoritmo todo el año para lograr el funcionamiento óptimo que se requiera en estos estudios", apuntó Chiaramonte.

El equipo -integrado por profesionales del ITU, de la Facultad de Ciencias Agrarias y del INTA- espera obtener un prototipo de bajo costo producido localmente que pueda ser tomado de base por instituciones como el INV, el IDR, asociaciones de productores y otros entes para futuras estimaciones de cosecha y para asistir en el uso de herbicidas y retiro de malezas.

 

 

Fuente: Télam

Más noticias

Primera exportación aérea de carne vacuna desde Santiago del Estero al mercado europeo

Allanaron a la consultora internacional KPMG en la causa Vicentin

'El precio fijado para materia prima de yerba no debe influir en las góndolas'

Aplican inteligencia artificial para mejorar el pronóstico de cosecha en los viñedos

Massa presentó el nuevo Régimen de Fomento a las Inversiones y las Exportaciones

Invierten US$ 2.646 millones para proveer energía a productores rurales