Referencia:

PRIMA RIA & IA Project.

Entidad Financiadora:

Comisión Europea (Horizon 2020, PRIMA RIA & IA Project).

Coordinador:

Dr. Alessandro Matese (CNR – Institute of Bioeconomy, Italia).

Investigador Principal:

José Manuel Peña

Año inicio:

2021

Año fin:

2024

Cuantía:

104.620,23 €

Resumen:

El proyecto DATI tiene como objetivo desarrollar e implementar nuevas tecnologías y procedimientos digitales innovadores para mejorar la eficiencia del riego, utilizando soluciones sencillas de bajo coste (e.g., hardware low-cost, modelos simplificados basados en datos y software de código abierto integrado en plataformas de fácil uso) que puedan llegar a los pequeños agricultores. El proyecto se centra principalmente en la evaluación de herramientas tecnológicas de alto coste que ahora existen para la monitorización del estado de los cultivos (fisiología, estado hídrico), y su adaptación a equipos de bajo coste que permitan la adquisición de datos esenciales de los cultivos y la toma de decisiones en la gestión del riego gracias al desarrollo de modelos basados en inteligencia artificial. La investigación se llevará a cabo en cinco países representativos del paisaje agrícola de la cuenca mediterránea (Marruecos, España, Francia, Portugal e Italia), donde la gestión sostenible de los recursos hídricos en la agricultura desempeña un papel muy importante. Se evaluará la respuesta al déficit hídrico en cultivos hortícolas anuales (tomate, melón) y perennes (vid). Marruecos e Italia se centrarán en el cultivo hortícola del tomate y el melón, mientras que España, Francia y Portugal se centrarán en la viticultura. Para la detección de las necesidades hídricas de los cultivos, el proyecto contempla tanto los sistemas de monitorización próximos como los remotos.

Investigadores participantes:

José Dorado

Referencia:

Plan Nacional (AGL2017-83325-C4-1-R)

Entidad Financiadora:

Ministerio de Ciencia, Innovación y Universidades

Investigador Principal:

José Dorado y José Manuel Peña

Año inicio:

2018

Año fin:

2020

Resumen:

Este proyecto plantea utilizar tecnologías geoespaciales y de la información (e.g., Espectroradiómetría, red de Sensores de Reflectancia Espectral, detección remota mediante imágenes UAV, detección terrestre con cámaras RGB-D, etc.) para mejorar nuestros conocimientos sobre la agroecología de diversas malas hierbas. Asimismo, se pretende desarrollar nuevas prácticas agronómicas (e.g., herramientas de apoyo a las decisiones, sistemas de intercultivo, etc.) e incorporar en lo posible todas estas herramientas en varios escenarios característicos de la agricultura de la zona Centro de España. Los objetivos específicos planteados son los siguientes: 1) Estudiar la respuesta espectral de Avena sterilis y de los cultivos acompañantes (trigo y cebada) a lo largo de todo su periodo de floración-fructificación; 2) Estudiar la dinámica de las poblaciones de Avena sterilis en función de la secuencia de cultivos y del sistema de laboreo utilizado; 3) Estudiar a escala macro (e.g., imágenes UAV que cubren la parcela de cultivo) y micro (e.g., cámaras RGB-D desde diferentes posiciones enfocando las plantas individuales) la influencia de la densidad y distribución de plantas de maíz y de malas hierbas sobre el desarrollo y producción de dichas plantas; 4) Evaluar la influencia de sistemas del cultivo predecesor y de prácticas de intercultivo sobre las poblaciones de malas hierbas; 5) Evaluar a largo plazo los efectos derivados de diversos sistemas de producción en sistemas cerealistas y en viña.

Otro personal:

C. Fernández-Quintanilla, M.J. Sánchez, M.R. Alarcón, A. García, J. Barroso, J.G. Guerra, J.M. Martín, D. Campos, P. Hernaiz, E.P. Aguirre, R. Saiz

URL:

https://nhtai.csic.es/

Referencia:

20196320

Entidad Financiadora:

Syngenta España, S.A.U.

Investigador Principal:

José Dorado

Año inicio:

2019

Año fin:

2020

Resumen:

Se trata de una experiencia piloto realizada en España dentro de la iniciativa europea Operación Polinizador liderada por la empresa Syngenta. El objetivo principal es potenciar la aparición de polinizadores atendiendo a una correcta planificación en campos agrícolas, como medida de buenas prácticas medioambientales. Consiste en dedicar un pequeño porcentaje de la superficie total de las parcelas localizado en los márgenes de los cultivos, a la plantación de praderas que favorezcan el desarrollo de estos insectos polinizadores. En definitiva, se pretende aumentar la biodiversidad, ayudar a la sostenibilidad de los cultivos y conseguir ser productivos y eficientes en el uso de los recursos naturales.

Investigadores participantes:

C. Fernández-Quintanilla

Referencia:

P202130503

Inventor:

José Manuel Peña Barragán, Ana Isabel de Castro Megías, Francisco Javier Lima Cueto

Organismo:

CSIC

Fernández-Quintanilla et al. (2021) Advanced detection technologies for weed scouting. In: Advances in Integrated Weed Management (P Kudsk, ed.), Burleigh Dodds Science Publishing (in press)

Lati et al. (2021) Site-specific weed management – constraints and opportunities for the weed research community. Weed Res. https://doi.org/10.1111/wre.12469

Fernández-Quintanilla et al. (2020) Site-Specific Based Models. In: Decision Support Systems for Weed Management (GR Chantre, JL González-Andújar, ed.), pp. 143–157, Springer Nature Switzerland AG. https://doi.org/10.1007/978-3-030-44402-0_7

Fernández-Quintanilla et al. (2018) Is the current state of the art of weed monitoring suitable for site-specific weed management in arable crops? Weed Res. 58: 259–272. https://doi.org/10.1111/wre.12307

Ostos-Garrido, F.J., de Castro, A.I., Torres-Sánchez, J., Pistón, F., Peña, J.M. 2019. High-Throughput Phenotyping of Bioethanol Potential in Cereals Using UAV-Based Multi-Spectral Imagery. Frontiers in Plant Science, 10, 948. https://doi.org/10.3389/fpls.2019.00948

Freeman, D., Gupta, S., Smith, D.H., Maja, J.M., Robbins, J., Owen, J.S., Peña, J.M., de Castro, A.I. 2019. Watson on the Farm: Using Cloud-Based Artificial Intelligence to Identify Early Indicators of Water Stress. Remote Sensing, 11, 2645. https://doi.org/10.3390/rs11222645

Rueda-Ayala, V.P., Peña, J.M., Höglind, M., Bengochea-Guevara, J.M., Andújar, D., 2019. Comparing UAV-Based Technologies and RGB-D Reconstruction Methods for Plant Height and Biomass Monitoring on Grass Ley. Sensors, 19, 535. https://doi.org/10.3390/s19030535

Torres-Sánchez, J., de Castro, A.I., Peña, J.M., Jiménez-Brenes, F.M., Arquero, O., Lovera, M., López-Granados, F. 2018. Mapping the 3D structure of almond trees using UAV acquired photogrammetric point clouds and object-based image analysis. Biosystems Engineering, 176, 172–184. https://doi.org/10.1016/j.biosystemseng.2018.10.018

de Castro, A.I., Peña, J.M., Torres-Sánchez, J., Jiménez-Brenes, F.M., Valencia-Gredilla, F., Recasens Guinjuan, J., López-Granados, F., 2020. Mapping Cynodon Dactylon Infesting Cover Crops with an Automatic Decision Tree-OBIA Procedure and UAV Imagery for Precision Viticulture. Remote Sensing, 12, 56. https://doi.org/10.3390/rs12010056

Freeman, D., Gupta, S., Smith, D.H., Maja, J.M., Robbins, J., Owen, J.S., Peña, J.M., de Castro, A.I., 2019. Watson on the Farm: Using Cloud-Based Artificial Intelligence to Identify Early Indicators of Water Stress. Remote Sensing, 11, 2645. https://doi.org/10.3390/rs11222645

de Castro, A.I., Six, J., Plant, R.E., Peña, J.M. 2018. Mapping Crop Calendar Events and Phenology-Related Metrics at the Parcel Level by Object-Based Image Analysis (OBIA) of MODIS-NDVI Time-Series: A Case Study in Central California. Remote Sensing, 10, 1745. https://doi.org/10.3390/rs10111745

Guerra et al. (2021) A trait-based approach in a Mediterranean vineyard: Effects of agricultural management on the functional structure of plant communities. Agric. Ecosyst. Environ. 316, 107465. https://doi.org/10.1016/j.agee.2021.107465

Luna et al. (2020) Is pasture cropping a valid weed management tool? Plants 9, 135. https://doi:10.3390/plants9020135