Detección automática de plagas y enfermedades en cultivos.
Todos los procesos biológicos han podido ser descritos en base a modelos matemáticos. Debido a lo anterior, se han convertido en la base de data science en agricultura. Además de poder estimar y predecir rendimientos de cosecha y planificaciones de riego, con esta revolución de datos también podremos estimar la incidencia y severidad de enfermedades que afectan a nuestros cultivos con el fin de planificar actividades de mitigación y manejo de las mismas a tiempo y de forma preventiva.
Nunca es tarde si observamos a tiempo.
Esto aplica con las enfermedades y plagas en plantas, la base inicial de ellas es poderlas identificar en sus estados tempranos de infección (cuando nos referimos a patógenos) e infestación (a insectos dañinos). La identificación temprana de los factores mencionados previamente, junto con la ejecución de una estrategia de control preventiva permite minimizar los costos y en última instancia mejorar el resultado operacional de los cultivos.
Lo esencial es invisible a los ojos.
Por eso la manera de identificación de enfermedades y plagas por que la gran mayoría son microscópicos y pequeños y por ende, se ocupan imágenes ojala de alta resolución que son base de la metodología de visión computacional y machine learning.
Existen diversos estudios sobre la detección en etapas tempranas mediante imágenes, machine learning y redes neuronales profundas. Podemos destacar el trabajo de Canh Nguyen (2021), con su trabajo con esas técnicas para la detección del virus del aclaramiento de nervaduras (GVCV) utilizando imágenes multiespectrales y redes convolucionales 2d y 3d, con precisiones sobre el 70% los cuales puede seguir mejorando si se incrementa el número de imágenes de entrenamiento.
Otra técnica novedosa la realizó Ausin y Rodrigues (2015), para la detección del hongo Plasmora vitticola, también llamada Mildiu. Ellos utilizan un modelo basado en información metereológica para estimar las condiciones ideales de reproducción del hongo y así recomendar el momento preciso para la aplicación.
Por último, los trabajos de Boulent y St-Charles (2020), que utilizaron deep learning para la detección de síntomas de la flavescencia dorada. Alimentaron el modelo mediante una serie de imágenes de entrenamiento obtenidas en terreno. Los resultados de detección rondaron entre el 98.5% para la cepa Chardonnay.
Los parámetros climáticos esenciales en el desarrollo de plagas y enfermedades.
En epidemiología de enfermedades e inclusive en la dinámica poblacional de insectos desde los años 70s en la revolución verde, se han afianzado la descripción de los mismos basándose en modelos matemáticos con el fin de encontrar los periodos iniciales y predecir el nivel de incidencia y severidad (microorganismos) y daño (insectos). Por ejemplo, las enfermedades causadas por microorganismos en plantas que se dividen en monocíclicas (un ciclo de infección) y policíclicas (múltiples ciclos de infección): esto en base de las teorías de Van Der Pank en los años 70s se han podido explicar con modelos exponenciales y logarítmicos principalmente. Además, dentro del principio del triángulo de enfermedades es indiscutible que el proceso de infección/infestación tiene una interacción no solo con los factores fisiológicos de las plantas, sino también con los parámetros climáticos. Con data science, tanto estos factores climáticos, de plantas y los factores de virulencia de los patógenos e insectos dañinos se puede realizar un análisis más completo del patosistema y así saber cuándo, cuánto y con qué producto se debe realizar la aplicación.
Menos agroquímicos, más manejos en agroecología.
Por eso es tan importante identificar a tiempo las enfermedades y plagas para poder aplicar productos biológicos inductores de resistencia y disminuir los síntomas y daños de nuestros cultivos. Porque normalmente, no se detectan a tiempo y se hacen aplicaciones agresivas de agroquímicos en modo curativo. Esto ha traído consecuencias, no solo causar resistencia de estos patógenos a estos agroquímicos y disminución de rendimientos por las secuelas de las enfermedades, sino también residualidad de estos en suelos y agua de riego.
Austral Falcon, ahora incursiona en detecciones tempranas de enfermedades y plagas, con la aplicación de distintas técnicas de visión computacional y procesamiento de imágenes multiespectrales mediante pipelines de machine learning.
Si te interesó esta entrada de nuestro blog y quieres saber más sobre cómo Austral Falcon puede ayudarte a tomar decisiones basadas en datos agenda una reunión con nuestros ejecutivos aquí.