Teledetección satelital y redes neuronales
La información espectral es detectada por los satélites Sentinel del Programa CopernicUs de la UE (ESA).
Los datos espectrales se procesan con algoritmos y AI en el agroserver cloud.
Mediante una serie de índices se conoce las condiciones ambientales de las plantas.
En la gestión diaria, los agricultores asociados al programa validan el etiquetado del proceso de Deep Learning para proveer predicciones basadas en Inteligencia Artificial.
El proceso permite establecer análisis predictivo de escenarios, un sistema de alerta y el asistente inteligente SPES.
Resumen Tecnológico
Deep Learning
Desarrollado con Convolutional Neural
Networks (temporal predictions), YOLO y OpenCV (detección de árboles y conteo de frutos). Tensorflow ,Scikit Learn.
Teledetección
Sentinel del programa Copernicus.
Dispositivo portátil medidor de NDVI
Raspberry PI, cámara PiNoiR, filtro azul ROSC y GPS integrados en carcasa en desarrollo.
Plataforma Cliente
Python, HTML, CSS, JavaScript, Mongo DB.
Detección en Campo
Sensorización ambiental desarrollada con PLC ESP32 y sensores programados en C Language. Código y esquemas a libre disposición de todos los agricultores para montarlos ellos mismos.
Plataforma IoT
No decidida, ahora usando Ubidots.
¿Cómo obtiene resultados agrobserver?
Fase I: Sensorización Remota y Agro IoT
agrobserver procesa información espectométrica del Sentinel 2 (Programa Coperniso, ESA) para crear diferentes indices asociados a magnitudes ambientales de la granja, tales como estrés, nutrientes de la tierra, exceso de agua, entre otros.
Es posible descubrir diveras áreas con respecto a estos indices para localizar zonas donde existan condiciones adversas.
Fase II: Validación y Modelado de IA
Una vez que los datos han sido procesados y almacenados se etiqueta cada uno de los escenarios detectados. Esto con la finalidad de añadir las condiciones reales en cada una de las zonas.
Posteriormente esto permite aplicar algoritmos de Machine Learning para construir un modelo que realiza prediciones de variables críticas.
Fase III: Operación, Predicción Diaria y Optimización
El sistema esta listo para predecir escenarios y sugerir acciones para optimizar el cultivo 24×365.
NDVI, midiendo el estrés de la vegatación
Índice utilizado para como indicador del estado de salud de una planta. Mediante el calculo de este indice tanto desde el aire como desde la tierra se puede producir una imagen del estado del cultivo.