La Macrophomina y la Prosopis farcta son grandes enemigos de las fresas y los melones. Sin el uso de un dron, un agrónomo o trabajador de campo debe recorrer todo el terreno para detectar los problemas manualmente. Las inspecciones con drones, combinadas con el procesamiento de datos en un software de análisis como ATLAS de SPH Engineering, no solo ahorran tiempo al responsable de la inspección, sino que también preservan la vida de las plantas. Agro Drone, una empresa israelí estrechamente vinculada a la agricultura, comparte su experiencia en la detección de zonas problemáticas mediante el uso de drones e inteligencia artificial.
#fresa
Los campos de fresas son propensos a diversas enfermedades durante el periodo de crecimiento. Una de ellas, la macrophomina, provoca la muerte de las plantas, lo que obliga a los trabajadores a recorrer todo el campo para detectar y reemplazar los ejemplares afectados. Mediante el uso de imágenes RGB capturadas por drones a una altitud de 20 metros sobre las parcelas, el procesamiento de las imágenes para generar un ortomosaico y su posterior carga en el software de análisis ATLAS, un agrónomo pudo crear un detector de plantas enfermas y aplicarlo a toda la parcela. ATLAS detectó las plantas defectuosas y generó dos tipos de resultados:
- Conteo y visualización de las plantas defectuosas en el mapa ortomosaico.
- Estimación de la cobertura de las plantas defectuosas en relación con el área total.
La preparación y el vuelo duraron aproximadamente una hora, y el análisis en ATLAS tomó cerca de 30 minutos.
Imágenes/ Resultados de detección generados en ATLAS: Parcela de 2 hectáreas.
#melones
El cultivo de sandías al aire libre es propenso a la aparición de malas hierbas como la Prosopis farcta, que puede resultar muy perjudicial para las cosechas.
Un vuelo con cámara RGB sobre el campo genera un conjunto de imágenes que se procesan en DroneGIS. Posteriormente, se utiliza el Detector para examinar de cerca y localizar las plantas invasoras, empleando la función de entrenamiento de ATLAS para identificar el área de muestra y, a continuación, detectar la presencia de estas plantas en todo el campo. Se requirieron de 2 a 3 interacciones para alcanzar un alto porcentaje de detección.
David Behr, CEO de Agro-Drone, comenta: “El uso de DroneGIS permitió a un agrónomo obtener información rápida y precisa sobre las especies invasoras sin tener que recorrer todo el campo, llegando solo a las áreas problemáticas”.
Cliente: Agro-Drone (Israel)
Industria: Agricultura, inspección con drones, procesamiento de datos
Proceso:
- DJI M2P con cámara RGB
- Almacenamiento y procesamiento de mapas en DroneGIS:
- Anotación manual: aprox. 20-25 minutos.
- Entrenamiento inicial del detector de aprendizaje automático en DroneGIS: aprox. 35 minutos.
Resultado:
DroneGIS genera un informe para agrónomos y productores. Evita tener que recorrer todo el campo, permitiendo dirigirse únicamente a las zonas infestadas. Además, DroneGIS muestra la cobertura del área.