Se pretende mejorar una herramienta ya desarrollada por la empresa ec2ce para predecir la evolución de la plaga hasta con cuatro semanas de anticipación, evitando su explosión y minimizando el uso de pesticidas. 

Investigadores de la Universidad Pablo de Olavide, bajo la coordinación del profesor Francisco Martínez Álvarez, participan en un proyecto liderado por la empresa ec2ce que pretende el desarrollo de un modelo predictivo para controlar la plaga que afecta al olivar (Bactrocera Oleae o mosca de la fruta) adelantando la toma de decisiones, lo que favorece una aplicación controlada de fitosanitarios mejorando la sostenibilidad del olivar. 

El proyecto titulado "IA2GIP: Inteligencia Artificial aplicada a la gestión integrada de plagas (Referencia: RTC201655242)" ha sido inanciado por el Ministerio de Economía, Industria y Competitividad en la convocatoria Retos Colaboración del Programa Estatal de Investigación, Desarrollo e Innovación Orientada a los Retos de la Sociedad, en el marco del Plan Estatal de Investigación Científica y Técnica y de Innovación 2013-2016 y participan además las entidades Novadrone, el Instituto Andaluz de Tecnología (IAT) y la Universidad de Sevilla.

La mosca del olivo es la principal plaga que afecta a los productores de aceite de oliva generando pérdidas de hasta el 80% del valor de la cosecha tanto por pérdidas de producción como de calidad del aceite. En algunos casos de explotaciones dedicadas a aceitunas de mesa, las pérdidas pueden incluso suponer el 100% de la cosecha. Y es que este insecto ataca directamente al fruto y provoca la disminución de la producción y la calidad del producto. Además evoluciona de forma explosiva dificultando su control y suponiendo muy significativos para el productor. 

El uso de modelos predictivos que permitan determinar cuándo y en qué medida se va a producir una explosión de la afección de la mosca al fruto, haría posible aplicar los sistemas de control en el momento óptimo, reduciendo al mismo tiempo las cantidades de pesticidas a emplear, y por tanto ayudando a mejorar la sosntenibilidad de la producción de aceite de oliva. 

Hasta cuatro semanas de adelanto

El proyecto en el que participa la UPO pretende incorporar a los modelos predictivos actuales nuevas técnicas de aprendizaje y nuevas variables de entradas basadas en imágenes obtenidas mediante vuelo de drones y así desarrollar un nuevo sistemas de modelado predictivo que permita adelantar la evolución de la plaga de la mosca del olivo hasta cuatro semanas antes. 

Tal y como informan los responsables del proyecto "se va a mejorar con las técnicas más avanzadas una herramienta capaz de ayudar a optimizar la gestión y la toma de decisiones en la producción del aceite de oliva y que mejore la sostenibilidad del cultivo". 

Esta herramientas mejorada será de fácil uso por los agricultores y les dirá qué hacer. Con ella podrán mejorar su producción, aumentar la calidad del aceite y disminuir el uso de pesticidas, protegiendo de esta forma el medio ambiente y poniendo en práctica una agricultura más sostenible. 

Modelización matemática e inteligencia artificial

La principal innovación del proyecto es la integración de la modelización matemática, de la inteligencia artificial y de sensores para proporcionar recomendaciones para el agricultor. Se requiere pues el desarrollo y combinación de diversas tecnologías que incluirán el uso de deep learning, algoritmos genéticos, redes neuronales, lógica borrosa y técnica de optimización (y en general de aprendizaje automático) que permiten la utilización de enormes cantidades de información en tiempo real.

Los trabajos en desarrollo en este proyecto combinan el uso de grandes volúmenes de datos (big data) con el modelos mediante sistemas de inteligencia artificial para crear una herramienta que soporte el proceso de toma de decisiones en los sistemas de control de plagas. 

Para ello, se va a partir de datos públicos y privados y se añadirán datos de campo, tomados de forma tradicional y otros tomados mediante Sistemas Aéreos Tripulados Remotamente y equipados con los sensores adecuados.

Fuente: Oficina de Transferencia de Resultados de Investigación (OTRI) de la UPO.

20 de junio de 2017