Resolución de los Premios Cátedra Telefónica 2019

La Cátedra Telefónica de la Universidad de Extremadura ha resuelto la convocatoria 2019 a los mejores proyectos Trabajos Fin de Grado (TFG) y Trabajos Fin de Máster (TFM) presentados relacionados con proyectos IoT (Internet de las Cosas) en el sector agroganadero (Curso 2018/2019).

Se otorgan los siguientes premios:

Eugenio Abengozar García-Moreno. “Desarrollo de un sistema autoguiado para la monitorización de cultivos”.

El sector de la agricultura ha tenido a mediados del siglo XX una revolución tecnológica gracias a los cultivos extensivos, la expansión de infraestructuras de riego, la modernización de técnicas de gestión, la distribución de semillas híbridas, los fertilizantes sintéticos, pesticidas y la utilización de maquinaria pesada.

Con estos avances la producción se dobló en 20 años, pero como todo cambio, esta revolución verde también provocó problemas: la pérdida de gran parte de la biodiversidad agrícola y de la salud de los suelos. Debido a esto, las nuevas tecnologías aplicadas a la agricultura en el siglo XXI han de ir dirigidas a lograr una agricultura sostenible que lleve a la máxima eficiencia en el uso de recursos naturales (agua, suelo, energía, fertilizantes) y que, además, ofrezca un ahorro de costes. Dicho de otra manera, duplicar el rendimiento sin multiplicar el uso de recursos.

Es por esto que la innovación tiene que jugar un doble papel en este siglo XXI, por un lado en el ambiente económico actual la innovación sirve como base para la competitividad, y para sustentar un crecimiento en los mercados actuales. Por otro lado, la búsqueda de la máxima eficiencia en el uso de recursos naturales pasa por impulsar múltiples procedimientos de mejora en entornos cada vez más complejos.

El objetivo de este Trabajo de Fin de Máster el desarrollo de una plataforma middleware que pueda ser empleada como soporte para la monitorización de variables agroambientales. Esta plataforma se integrará además en una base móvil autoguiada que permita el estudio de dichas variables de manera remota y no vigilada.

Todo el desarrollo se realiza dentro del marco del Internet de las Cosas (IoT), permitiendo así que todo el control y todos los resultados de la plataforma sean accesibles a través de varios servicios abiertos.

Algunos objetivos específicos son:

• Diseño, elección e implementación de la estructura Hardware de nuestro proyecto.
• Diseño e implementación de la estructura Software, tanto de control como de comunicaciones.
• Desarrollo del sistema de navegación autónoma en ROS (Robot Operating System).
• Desarrollo de los servicios que servirán de interfaz de usuario (Telegram, Node-Red…).
• Integración de todos los elementos.
• Evaluación del conjunto completo.

Jesús Salguero Serrat – Detección de Malezas para Modulación en el Uso de Herbicidas basada en Deep”

En los últimos años se ha producido un debate a nivel mundial sobre el uso indiscriminado de herbicidas y, sobre todo, de ciertas materias activas como el glifosato, donde algunas partes lo catalogan como peligroso para el ser humano, mientras otros estudios afirman que no afecta a las personas. Aun existiendo diferentes posicionamientos dentro del debate, ambas partes están de acuerdo que su peligrosidad depende bastante del cómo se usa este herbicida. En contacto con la tierra, este producto se descompone rápidamente y no permanece, pero esto no sucede si dicha sustancia cae en ríos, embalses o asfaltos. En España, la ley exige que exista cierta distancia de separación con elementos naturales, como pueden ser los ríos, entre otros. Por lo tanto, se puede considerar indispensable el control y la reducción de la cantidad aplicada.

En la actualidad, los sistemas de aplicación de herbicidas son grandes máquinas dotadas de tecnología GPS que disponen de barras de aplicación de hasta 24 metros, en las que las boquillas pulverizadoras pueden ser activadas de manera manual y automática, y de manera independiente. La combinación de estas tecnologías permite indicar la trayectoria de las pasadas y calcular parámetros como la velocidad del pulverizador para ajustar el caudal en función de la misma. También permite detectar si existe solape entre las pasadas y cerrar las boquillas necesarias en caso de que esto ocurra. En definitiva, se pretende aplicar la dosis correcta en cada punto de la parcela.

En este proyecto se  ha realizado la gestión de un proyecto innovador, que trata sobre la realización de un sistema de detección de malezas para modulación en el uso de herbicidas basada en Deep Learning. Tras leer información sobre el debate generado por el uso de herbicidas en estos últimos años y analizar detenidamente el problema existente, se decidió que el proyecto planteado en este Trabajo Fin de Máster propondría una solución a este problema, presentando una innovación en producto/servicio y centrándonos en cultivos de cereal.

Partiendo de esta idea, se estudió qué tecnología nos podría ayudar a plantear una buena solución. Para ello, se revisó las soluciones existentes hasta la fecha y se pudo comprobar el auge reciente del Deep Learning en la Agricultura de Precisión y que aún no existía una solución de aprendizaje profundo para cultivos de cereal (cebada o trigo).

Una vez establecido el tema, se ha realizado la gestión del proyecto, definiendo los objetivos y el impacto esperado, realizando su planificación, un estudio de viabilidad y de explotación de los resultados, todo recogido en la memoria del proyecto.

Juan Francisco Bermejo Martín – Sistema ciberfísico para la optimización de una explotación agropecuaria

El desarrollo de la agricultura, comparada con otras áreas, se encuentra retrasado y avanza lentamente. Además, en los próximos años deberá enfrentarse al reto de abastecer a una población mundial en crecimiento al mismo tiempo que se disminuyen las hectáreas cultivables por persona. Esto implica que se debe aumentar considerablemente la productividad. Para ello, se debe aspirar a una gestión de los cultivos de manera innovadora, profesional y de máxima producción, sobre la base de la observación, la medida y la actuación frente a los datos que se puedan extraer.

Los avances en la ciencia y el desarrollo tecnológico han permitido la implementación de sensores que, junto con la aparición de otras tecnologías como el Big Data y el Internet de las Cosas han hecho posible el avance de las técnicas de agricultura de precisión. Aunque la incorporación de la agricultura inteligente en las etapas del ciclo de producción (preparación del suelo, siembra, gestión de los cultivos, cosecha y almacenamiento del producto final) presenta numerosas ventajas, sigue en etapa de gestación, con bajos niveles de penetración.

El objetivo general que se persigue es la obtención de datos del medio en el que se desarrollan las explotaciones agropecuarias para que pasen a formar parte de una fuente de datos que pueda servir de base para un posterior estudio y análisis que permite la obtención de información útil para la toma de decisiones que afectan al desarrollo de un cultivo.

Este objetivo se concreta en los siguientes objetivos específicos:

Medir diversas magnitudes que puedan afectar, directa o indirectamente, a la eficiencia de la explotación, siendo flexibles y adaptables a los requisitos que marque cada una de ellas.

Transmitir los datos recogidos del medio a un servidor de almacenamiento, donde posteriormente puedan someterse a técnicas de análisis de datos.

Construir un sistema adecuado a las condiciones del medio donde se desarrollan las explotaciones, independiente, en la medida de lo posible, de instalaciones fijas de alimentación y comunicaciones, con un coste bajo y siguiendo en la medida de lo posible la filosofía “Do It Yourself”.

Las conclusiones generales obtenidas tras el desarrollo del proyecto han sido:

Se ha comprobado la flexibilidad ofrecida por las plataformas de hardware abierto, que permiten desarrollar sistemas de coste reducido y muy ajustados a los requisitos buscados.

Sobre estos sistemas, se dispone de mucha documentación general, pero de algunos componentes más específicos, es complicado encontrar información.

Una vez puesto en funcionamiento el sistema, se comprueba que este tipo de dispositivos siguen siendo muy dependientes de instalaciones fijas, como la de alimentación y de comunicaciones.

Se ha comprobado también que es muy sencillo obtener datos del medio que, una vez analizados, pueden servir para obtener algunas conclusiones sencillas sin mucho trabajo y que ayuden a esa mejora de la productividad y eficiencia necesaria para la agricultura.

Raúl Sánchez Rubio –  Detección de cultivos mediante imágenes de satélite y machine learning

El propósito de este proyecto la detección de cultivos mediante el uso de imágenes de satélites y algoritmos de Machine Learning. El uso de las nuevas tecnologías como Machine Learning, Internet of Things o Big Data en el sector agrícola cada vez es más notable como podemos observar en algunas tecnologías como puede ser la agricultura de precisión.

La aportación que ofrece este proyecto es la creación de una herramienta que nos permita detectar un determinado tipo de cultivo (en este caso la detección de cultivos de tabaco) en base al análisis de un conjunto de imágenes que corresponden a una determinada parcela, las cuales son tomadas por satélites (Landsat-8 para este trabajo, aunque podría utilizarse otro tipo de satélite como el Sentinel-2). Para la detección de los cultivos, previamente se utilizarán técnicas de Machine Learning para determinar las características que diferencian un cultivo de otro y con ellas poder detectar con precisión el cultivo al que pertenece el conjunto de imágenes que queremos analizar.

En cuanto a las imágenes de satélite, nos encontramos con una tecnología que se encuentra en auge y que en los próximos años aumentará con el lanzamiento de más satélites. Estos satélites son los que proporcionan las imágenes que utilizaremos para poder conseguir el objetivo de la detección de cultivos. Estas imágenes serán utilizadas por los algoritmos de Machine Learning para poder obtener información de ellas y poder determinar las características que se ven reflejadas en esas imágenes para poder determinar en qué fase de cultivo (sin siembra, siembra y crecimiento) se encuentra una parcela en una determinada fecha.

En el proyecto se ha desarrollado una  herramienta que permite obtener las imágenes del satélite Landsat-8 en función de las características que necesite en usuario. Estas características serán utilizadas para obtener las imágenes de una parcela (definida por el usuario) y posteriormente utilizarlas para calcular el NDVI. Con las imágenes procesadas con el índice NDVI podremos crear una Red Neuronal Convolucional que permita detectar la fase de cultivo en la que se encuentran en base a las características de esas imágenes.

Premio conjunto: Miguel Ros Rincón – Almacenamiento masivo de datos de cultivos desde satélite y cálculo de índices de vegetación  y   Guillermo Siesto Sánchez – Detección de bordes de parcelas de cultivos a través de imágenes satelitales

Se trata de dos proyectos complementarios, diseñados para trabajar de forma conjunta.

a)  Almacenamiento masivo de datos de cultivos desde satélite y cálculo de índices de vegetación

El objetivo principal de este trabajo es disponer de un sistema completo que, realizando la descarga de imágenes del satélite Sentinel 2, sean recortadas y almacenadas de forma masiva en una base de datos, junto con los índices de vegetación calculados de cada parcela.

Para conseguir todo esto debemos, en primer lugar, realizar la descarga de las imágenes del satélite, para ello debemos indicar el área de la parcela a descargar, la fecha y qué deseamos descargar del satélite Sentinel 2. Como respuesta nos dará un listado con las imágenes que cumplen con las condiciones que nosotros le hemos indicado, descargamos preferentemente la imagen con sistema de coordenadas de huso 30.

Una vez que descargamos la imagen hay que tener en cuenta que no se descarga exactamente el área que nosotros hemos solicitado, sino que se descarga una imagen mucho más amplia que la contiene. Por consiguiente, debemos recortar de la imagen original la parcela que nos interesa analizar.

Posteriormente, realizamos el cálculo de los índices, ya que cada pixel contiene la información necesaria. Son numerosos los índices que deseamos calcular, como por ejemplo el índice de clorofila en la planta (NDI45) o el índice de agua (NDWI).

Una vez realizado el cálculo de los índices se almacena toda la información en la base de datos. La información que se va a almacenar es la referente de las parcelas, las imágenes recortadas (la imagen original descargada se borrará), los valores de los índices calculados en cada área, los datos de cada tipo de cultivo y estadísticas de cada ejecución.

b) Detección de bordes de parcelas de cultivos a través de imágenes satelitales

Los objetivos desarrollados son:

Desarrollo de un sistema que utiliza algoritmos de tratamiento masivo de imágenes para eliminar los bordes de los recintos de cultivo. Este proceso es de interés si se quieren utilizar estos datos como entrada en un sistema de redes neuronales.

Análisis de estos datos carentes de ruido para el cálculo de los valores medios de los indicadores y bandas de frecuencia.

Diseño de una herramienta web para la visualización mediante sistemas de gráficas y un mapeado de los datos geográficos (sin ruido) sobre un proveedor de mapas web.

Desde esta herramienta se pueden hacer búsquedas de distintas parcelas dinámicamente, además de poder tener una visión global de los valores medios de evolución de un cultivo en un año completo.