Contenido principal del artículo

Miguel Noguera
Centro de Investigación en Tecnología, Energía y Sostenibilidad, Universidad de Huelva
España
Borja Millan
Departamento de Ingeniería Eléctrica, Electrónica, Informática y de Sistemas, Universidad de Oviedo
España
https://orcid.org/0000-0001-9313-5104
Rocio Moro
Centro de Investigación en Tecnología, Energía y Sostenibilidad, Universidad de Huelva
España
José Manuel Andújar
Centro de Investigación en Tecnología, Energía y Sostenibilidad, Universidad de Huelva
España
https://orcid.org/0000-0002-0631-0021
Núm. 45 (2024), Robótica
DOI: https://doi.org/10.17979/ja-cea.2024.45.10918
Recibido: jun. 5, 2024 Aceptado: jul. 3, 2024 Publicado: jul. 19, 2024
Derechos de autor

Resumen

El olivar es un cultivo de gran importancia en los países de la cuenca mediterránea. En las últimas décadas, el sector olivarero ha experimentado una modernización en busca de incrementar la rentabilidad y productividad de sus explotaciones. En este contexto, la gestión basada en agricultura de precisión está mostrando un potencial prometedor. En este sentido, el presente trabajo muestra una metodología para la caracterización del contenido foliar de P en olivares superintensivos. El método propuesto se basa en redes neuronales artificiales alimentadas con información espectral extraída de imágenes adquiridas por un robot terrestre con capacidad para la navegación autónoma. Para evaluar la metodología propuesta se definió un planteamiento experimental basado en exponer una parcela de olivos superintensivos a tratamientos de fertirriego diferenciales para generar variabilidad en cuanto al contenido foliar de P.  El índice de correlación entre los valores de obtenidos por análisis químico y la respuesta del modelo (R2=0.72) sugieren la idoneidad de la metodología propuesta.

Detalles del artículo

Citas

Barranco Navero, Diego, Fernandez Escobar, Ricardo, Rallo Romero, L. 2017. El cultivo del olivo. Mundi-Prensa Libros, Madrid.

Berger, K., Verrelst, J., Féret, J. B., Wang, Z., Wocher, M., Strathmann, M., Danner, M., Mauser, W., Hank, T., 2020. Crop nitrogen monitoring: Recent progress and principal developments in the context of imaging spectroscopy missions. Remote Sensing of Environment, 242, 111758. DOI: 10.1016/j.rse.2020.111758 DOI: https://doi.org/10.1016/j.rse.2020.111758

Gómez-Casero, M. T., López-Granados, F., Peña-Barragán, J. M., Jurado-Expósito, M., García-Torres, L., Fernández-Escobar, R., 2007. Assessing nitrogen and potassium deficiencies in olive orchards through discriminant analysis of hyperspectral data. Journal of the American Society for Horticultural Science, 132(5), 611–618. DOI: 10.21273/jashs.132.5.611 DOI: https://doi.org/10.21273/JASHS.132.5.611

Hank, T. B., Berger, K., Bach, H., Clevers, J. G. P. W., Gitelson, A., Zarco-Tejada, P., Mauser, W. 2019. Spaceborne Imaging Spectroscopy for Sustainable Agriculture: Contributions and Challenges. Surveys in Geophysics, 40, 515–551. DOI: 10.1007/s10712-018-9492-0 DOI: https://doi.org/10.1007/s10712-018-9492-0

Lo Bianco, R., Proietti, P., Regni, L., & Caruso, T., 2021. Planting Systems for Modern Olive Growing: Strengths and Weaknesses. Agriculture 2021. 494, 11(6). DOI: 10.3390/AGRICULTURE11060494 DOI: https://doi.org/10.3390/agriculture11060494

Michael Thompson, J. N. W., 2012. Handbook of Inductively Coupled Plasma Spectrometry.Blackie, New York. DOI: 10.1007/978-1-4613-0697-9 DOI: https://doi.org/10.1007/978-1-4613-0697-9

Roma, E., Catania, P., 2022. Precision Oliviculture: Research Topics, Challenges, and Opportunities—A Review. Remote Sensing, 14(7), 1668. DOI: 10.3390/rs14071668 DOI: https://doi.org/10.3390/rs14071668

Rotbart, N., Schmilovitch, Z., Cohen, Y., Alchanatis, V., Erel, R., Ignat, T., Shenderey, C.. Dag, A.,Yermiyahu, U., 2013. Estimating olive leaf nitrogen concentration using visible and near-infrared spectral reflectance. Biosystems Engineering, 114(4), 426–434. DOI: 10.1016/j.biosystemseng.2012.09.005 DOI: https://doi.org/10.1016/j.biosystemseng.2012.09.005

Rubio-Delgado, J., Carlos, ·, Pérez, J., Vega-Rodríguez, M. A., Es, J., 2020. Predicting leaf nitrogen content in olive trees using hyperspectral data for precision agriculture. 22, 1–21. DOI: 10.1007/s11119-020-09727-1 DOI: https://doi.org/10.1007/s11119-020-09727-1

Verrelst, J., Malenovský, Z., Van der Tol, C., Camps-Valls, G., Gastellu-Etchegorry, J.-P., Lewis, P., North, P., Moreno, J., 2019. Quantifying Vegetation Biophysical Variables from Imaging Spectroscopy Data: A Review on Retrieval Methods. Surveys in Geophysics, 40(3), 589–629. DOI: 10.1007/s10712-018-9478-y DOI: https://doi.org/10.1007/s10712-018-9478-y