Sistema de agricultura de precisión

Descripción

Dentro de este proyecto, probaremos el potencial de varias tecnologías para detectar primero los cambios en los factores importantes del clima y el suelo que afectan a la agricultura, en segundo lugar, para comprender su función particular en la generación de estrés en los cultivos (interacciones medio ambiente-cultivos), y finalmente utilizar estos datos y comprensión dentro de un marco de agricultura de precisión (AP), para definir estrategias de manejo específicas de cultivos espacialmente y temporalmente variables. Se investigarán tanto las tecnologías de hardware como las de software.

Las redes de sensores inalámbricos (WSN) se establecerán en una alta resolución, utilizando una gama de sensores de clima, suelo y plantas en dos campos (maíz y papaya) en Colima. Se prestará atención a hacer que estas redes sean inteligentes, adaptables y dinámicas para optimizar los datos recopilados para su uso en modelos. Los vehículos aéreos no tripulados también se utilizarán para recopilar datos de cultivos a escala de la granja, utilizando cámaras multi-espectrales. Finalmente, se utilizarán imágenes satelitales de detección remota para determinar qué áreas del estado de Colima son las más adecuadas para diferentes tipos de agricultura. Los datos serán monitoreados durante 5 años, con períodos y áreas de estrés abiótico particular, enfocados, por ejemplo, clima extremo, pérdidas de nutrientes. La experimentación en el campo fundamentará la verdad de estas fuentes de datos, así como el suministro de información complementaria. Esto aumentará nuestra comprensión de cómo el clima, la hidrología y la salud del suelo afectan los productos agrícolas.

Además, se probarán experimentos controlados en una variedad de estrategias de manejo para determinar el impacto en el rendimiento y la calidad de los cultivos, incluidos el riego (con agua magnetizada), la aplicación de fertilizantes, el encalado para reducir la acidez, los hidrogeles y la cobertura de los cultivos. Esta información y comprensión, junto con el conocimiento experto de los agricultores sobre las prácticas de manejo tradicionales obtenidas a través de los talleres de agricultores, se utilizarán para predecir el impacto del estrés abiótico en la producción agrícola mediante el aprendizaje automático y los enfoques de big data. Esto funciona en un proceso de dos etapas, en el que el modelo se entrena utilizando datos del pasado, formando algoritmos que convierten las entradas en salidas. Esto se puede hacer utilizando técnicas supervisadas (entradas relacionadas con salidas), no supervisadas (entradas analizadas para el comportamiento emergente) y de refuerzo (los algoritmos responden a la retroalimentación), incluidas las redes neuronales artificiales, mapas auto organizados y algoritmos genéticos. Sin embargo, estos métodos generalmente se basan en la regresión multi-variable, que sufre el problema de la independencia estadística de las observaciones o la auto correlación espacial. Nuestro objetivo es desarrollar nuevos enfoques para hacer que el enfoque estadístico del aprendizaje automático sea más aplicable a cuestiones espaciales como la agricultura de precisión. Además, nuestro objetivo es dar cuenta de las incertidumbres asociadas con el impacto de los factores abióticos en la agricultura mediante el desarrollo de pronósticos probabilísticos que facilitarán las discusiones entre agricultores, mediante las cuales se pueden explicar las compensaciones y las complejidades en el sistema, en lugar de recomendar un solo curso de acción. Esto se integrará en una herramienta de apoyo a la decisión, que será desarrollada juntamente con los agricultores para presentar datos, comprensión de los impactos y posibles estrategias de manejo.