Proyectos

Investigación y desarrollo. Fondos europeos

Inteligencia artificial aplicada a la recolección del olivar

Introducción

España es el primer productor mundial de aceite de oliva con una cuota de mercado que representa aproximadamente la mitad de la producción mundial.

El olivar en España ocupa una superficie de más de 2.500.000 Has, equivalente al 22.2 % de la superficie mundial dedicada a este cultivo, con más de 300 millones de olivos que se extienden, de forma desigual, por prácticamente toda la geografía española (MAPAMA, 2019).

En concreto, Andalucía, con una superficie de algo más de 1.600.000 Has, concentra el 62,69% del cultivo del olivo español.

ITERIAM forma parte de un consorcio junto a los investigadores de Citoliva y las empresas PiperLab, Komorebi y Sensowave para desarrollar una herramienta para la identificación automática del momento óptimo de recolección en el olivar con el objetivo último de maximizar la producción de aceite de oliva y mejorar su calidad.

Este proyecto está impulsado por la AEl del sector oleícola INOLEO, que está gestionada por Citoliva y cuenta con la financiación del Ministerio de Industria, Comercio y Turismo.

Objetivos

El proyecto se ha denominado BeHTool (Best Harvesting Time Al-based Tools for Olive Groves) y gracias al uso de potentes tecnologías como Inteligencia Artificial, Machine Learning, BigData, loT y/o teledetección, va a permitir el tratamiento masivo de datos de la cadena de valor oleícola para generar modelos predictivos que garanticen un proceso objetivo y automatizado del cálculo del momento óptimo de recolección de la aceituna.

De esta forma, no habrá que tomar muestras de campo, enviarlas a laboratorio y esperar los resultados, ya que BeHilool elimina las desventajas que conlleva la identificación manual del momento idóneo: los desplazamientos a las fincas para el muestreo «in situ», el elevado consumo de tiempo que conlleva el cálculo del índice de madurez y el análisis del rendimiento graso, la imprecisión a la hora de realizar el cálculo y el análisis si no se realiza un adecuado muestreo o la propia incertidumbre cuando se planifica la recolección.

Como resultado, las explotaciones agrarias que utilicen esta solución de smart-agriculture minimizarán los daños que podría sufrir el olivo en la recolección, ya que la resistencia al desprendimiento del fruto es más elevada al inicio; el posible perjuicio a la cosecha del año siguiente, ya que una recolección muy tardía puede inducir vecería: y el coste de la recolección, evitando entre otros aspectos la operación en condiciones adversas con barro o con lluvia. Además, verán maximizada la calidad del aceite de oliva en términos de cantidad obtenida de virgen y virgen extra, así como el rendimiento graso de la aceituna.

Nuestra participación

En particular, el trabajo de ITERIAM en el proyecto se ha focalizado en el desarrollo del Data Management System (DMS) para la recolección, gestión y administración de todos los datos, así como la integración con herramientas de Big Data, Data Analytics y Machine Learning.

Entre los datos recolectados se encuentras fuentes como el Sistema de Información Geográfica de Parcelas Agrícolas (SIGPAC), la Red de Alerta e Información Fitosanitaria de Andalucía (RAIF), los datos de producción de las Cooperativas, los datos del Programa de Observación de la Tierra de la Unión Europea denominado Copernicus, la Red de Información Agroclimática de Andalucía (RIA), la Agencia Estatal de Meteorología (AEMET) o las estaciones de sensores sobre el terrenos puestas a disposición de Sensowave.

En la parte de solución tecnológica, y después de la evaluación de diferentes alternativas, para el DMS se decidió utilizar Microsoft Azure.

Próximos pasos

Una vez finalizada la primera fase, los siguientes pasos serán ampliar los datos a todas las provincias de Andalucía, incluir nuevos datos administrativos complementarios, complementar con fuentes de datos satelitales como Earthdata y Landsat de la NASA, realizar nuevos estudios y relaciones en próximas fuentes de datos y la evaluación y selección de herramientas complementarias.