Agricultura de precisión con drones, en el cultivo del olivo. Olivicutura de precisión

Publicado: 31/07/2017 - Actualizado: 02/01/2020

En el artículo de hoy hablaremos de los usos y aplicaciones de los drones en el cultivo del olivo. La agricultura de precisión con drones también es muy interesante para el olivar y su uso puede mejorar notablemente el cultivo y la optimización de sus labores agrícolas. Esto es lo que se ha venido a llamar olivicultura de precisión con drones.

Importancia del cultivo del olivo en España

España es el mayor productor de aceite de oliva del mundo. Las cifras de este sector a nivel nacional son impresionantes.

Se cultivan actualmente 2,6 millones de ha de olivar para aceite en España, de las cuales 168 mil Ha son de olivo ecológico para aceite. Las plantaciones superintensivas, pueden llegar a densidades de hasta 2.000 olivos/ha.

El sector del Aceite de Oliva Español está compuesto por unos 400.000 olivicultores, 1.755 almazaras, 1.500 envasadoras y 22 refinerías.

El negocio del aceite de oliva supone 1.886 millones de € (promedio de 2013 a 2018), lo cual representa el 4,6% de la producción de la rama agraria y el 7,6% de la producción vegetal (Ministerio de Agricultura, 2019).

En fincas de reducidas dimensiones, el agricultor suele conocer bien sus parcelas. Sin embargo, en fincas con decenas o cientos de hectáreas de olivos, como los que se van a estudiar, el conocimiento suele ser menos detallado y preciso.

Tipos de sensores en drones

Algunas de las principales ventajas de los drones en agricultura y por tanto aplicables en el olivar son la capacidad de elevar carga útil, vuelo autónomo basado en GNSS, datos de alta calidad, pequeño tamaño y facilidad de transporte. Pero es la versatilidad para acoplar sensores lo que hace posible el poder recoger datos que de otra manera no sería posible o no sería viable (aviones y satélites).

Los sensores o cámaras más habituales que usan los drones son:

1. Sensor RGB: ortofotografía de alta precisión, que permite realizar modelos digitales superficiales.
2. Sensores multiespectrales:  para obtener mosaicos multiespectrales de alta resolución.
3. Sensor térmico: Permite obtener mosaicos térmicos de alta resolución.

Usos y aplicaciones de los drones en el cultivo del olivo

Dentro de la olivicultura de precisión, los drones tienen diferentes usos o aplicaciones en. Veamos cuales son las más relevantes o que tiene un mayor potencial de uso en la olivicultura de precisión.

Monitorización del estado fitosanitario

En el mundo agrícola los tiempos son cruciales. Un ejemplo de ello es el momento en el que se ara, se siembra o se cosecha. También lo es en otros aspectos como pueden ser la detección y control de plagas.

Los drones se pueden utilizar para evaluar la salud de los cultivos. Lo cual puede ser crucial para la detección y control de plagas en el olivar.

Si no se detectan a tiempo o no se hace un seguimiento correcto, las plagas y enfermedades pueden llegar a causar grandes daños económicos y medio ambientales, como ha ocurrido con la Xylella fastidiosa en el olivo. Los drones en olivar pueden ser muy útiles en esta tarea de identificación y control de plagas.

Los drones permiten una detección temprana de plagas y enfermedades en los cultivos. Esto es posible gracias a al análisis de las imágenes multiespectrales que recogen, lo cual permite detectar los cambios que se producen en las parcelas de olivar.

A partir de los datos que toman con las cámaras multiespectrales que portan, que miden el espectro visible y el NIR, se pueden calcular índices agronómicos como el NDVI (Normalize Difference Vegetatión Index) que aporta información sobre el vigor y la cantidad de cubierta vegetal del cultivo.

En olivicultura hay experiencias del uso de drones para detectar de forma automática árboles atacados por la bacteria Xylella fastidiosa. Se hizo un estudio preliminar en Creta sin llegar a validar la tecnología (Psirofonia et al., 2017).

La vista de pájaro que nos permiten tener los drones constituye una herramienta operativa para el seguimiento de las actuaciones que realizamos sobre el olivar. En esta línea, se ha estudiado el impacto producido por la poda en las copas de los olivos, mediante el análisis de imágenes tomadas con drones (Jiménez-Brenes et al., 2017)

Optimización del riego

Los drones pueden conseguir un manejo más eficiente del agua. El estrés hídrico siempre es sinónimo de problemas en el rendimiento de las plantaciones intensivas de olivar. Sin embargo, gracias a las imágenes tomadas por los drones con sus sensores se puede establecer un plan de riego eficiente y localizado.

Los drones equipados con sensores térmicos, multiespectrales o hiperespectrales, son capaces de detectar el estrés hídrico de las plantas y proporcionan información muy útil sobre el funcionamiento los sistemas de riego.

En el ámbito de la olivicultura, se han realizado estudios para detectar estrés hídrico y cuantificar la cubierta vegetal. Para ello se combinaron los datos obtenidos mediante cámaras termográficas (7.5–13 µm, 40 cm de resolución) y cámaras multiespectrales (400-800 nm, con 20 cm de resolución espacial). Estos datos permitieron calcular el Índice de Área Foliar (Leaf Area Index, LAI) y el Índice de Estrés Hídrico (Crop Water Stress Index, CWSI). Los resultados fueron positivos y se validó la metodología empleada  (Berni et al., 2009b, 2009a).

Fertilización diferenciada

La agricultura con drones también posibilita un uso óptimo de los fertilizantes. Detectar el estrés nutricional en los cultivos, es posible a partir de los datos de los sensores multiespectrales que estiman el desarrollo vegetativo, lo cual permite la aplicación de fertilizantes sólo en las zonas en las que es necesario.

En el cultivo del olivo también se han hecho pruebas con drones para estimar el estado nutricional de los árboles, concretamente en el proyecto DRONEOLIVE se han utilizado sensores basados en fluorescencia y en NIR (Innovaagri, 2019).

Detección de malas hierbas

Otro de los objetivos de agricultura de precisión con drones es el realizar tratamientos localizados con herbicidas, que sólo afecten a las zonas infestadas y poder ajustar la dosis y el tipo de herbicida más idóneo a la flora adventicia (malas hierbas) que se quieren erradicar. Esto es posible si se detectan los focos o rodales de malas hierbas y se toman datos geolocalizados.

La detección de malas hierbas en olivares mediante drones, se comenzó a investigar en el marco del proyecto TOAS. En dicho proyecto se trabajó durante 4 años en como optimizar el uso de drones y el análisis de imagen para optimizar la aplicación de herbicidas en olivo, álamo, maíz y girasol (Peña et al., 2014). Sin embargo, en el caso del olivo el trabajo se centró más en el modelado 3D de las plantaciones, sin llegar a identificar las malas hierbas (Torres-Sánchez et al., 2018).

Pulverización localizada

En la revisión del estado del arte no han aparecido experiencias de pulverización localizada con drones en olivar.

Inventario de arbolado y mapeado 3D

El conteo e inventariado de plantas también es importante, por ejemplo, a la hora de tasar, valorar o vender una finca o si es necesario justificar subvenciones por árbol.

Esto se ha desarrollado y aplicado con éxito en los olivares, en  el proyecto TOAS anteriormente mencionado (Torres-Sánchez et al., 2018, 2015).

El mapeado 3D y el inventario geolocalizado de los árboles ha permitido también el estudio de los deslizamientos o corrimientos de tierra en las plantaciones de olivos (Fernández et al., 2016).

También para las peritaciones, la posibilidad de volar sobre la parcela afectada y obtener imágenes multiespectrales de la finca puede ser una herramienta objetiva en los procesos de peritación.

Productividad del cultivo

En el caso de los olivos, se ha estudiado el desarrollo de la copa de los árboles durante la campaña, para correlacionarlo con la productividad. La limitación del estudio, es que se ha hecho en plantaciones de olivar tradicionales e intensivas. Ya que este tipo de metodología no es aplicable a las plantaciones superintensivas, donde el tamaño de la copa se mantiene estable durante todo el ciclo de cultivo, al ser podadas en forma de seto (Sola-Guirado et al., 2017)

Espero que os haya gustado, os dejo un vídeo interesante de un estudio llevado a cabo por investigadores del CSIC, en el que se sintetiza en apenas dos minutos las  aplicaciones más importantes de los drones. Un saludo.

Referencias bibliográficas

Este artículo está basado en los siguientes estudios científicos:

1. Berni, J.A.J., Zarco-Tejada, P.J., Sepulcre-Cantó, G., Fereres, E., Villalobos, F., 2009a. Mapping canopy conductance and CWSI in olive orchards using high resolution thermal remote sensing imagery. Remote Sens. Environ. 113, 2380–2388.
2. Berni, J.A.J., Zarco-Tejada, P.J., Suárez, L., González-Dugo, V., Fereres, E., 2009b. Remote sensing of vegetation from UAV platforms using lightweight multispectral and thermal imaging sensors. Int. Arch. Photogramm. Remote Sens. Spat. Inform. Sci 38, 6.
3. Fernández, T., Pérez, J.L., Cardenal, J., Gómez, J.M., Colomo, C., Delgado, J., 2016. Analysis of Landslide Evolution Affecting Olive Groves Using UAV and Photogrammetric Techniques. Remote Sens. 8. https://doi.org/10.3390/rs8100837
4. Innovaagri, 2019. Proyecto Droneolive: anticipar el estado fisiológico y las necesidades nutricionales del olivar con drones.
5. Jiménez-Brenes, F.M., López-Granados, F., de Castro, A.I., Torres-Sánchez, J., Serrano, N., Peña, J.M., 2017. Quantifying pruning impacts on olive tree architecture and annual canopy growth by using UAV-based 3D modelling. Plant Methods 13, 55. https://doi.org/10.1186/s13007-017-0205-3
6. Ministerio de Agricultura, P. y A., 2019. Encuesta sobre Superficies y Rendimientos Cultivos (ESYRCE).
7. Peña, J.M., Torres-Sánchez, J., de Castro, A.I., López-Granados, F., Dorado, J., 2014. The TOAS project: UAV technology for optimizing herbicide applications in weed-crop systems, in: 12th International Conference on Precision Agriculture ISPA: Monticello, IL, USA Https://Www. Ispag. Org/Media/ConferenceAbstracts2014_FINAL. Pdf.
8. Psirofonia, P., Samaritakis, V., Eliopoulos, P., Potamitis, I., 2017. Use of Unmanned Aerial Vehicles for Agricultural Applications with Emphasis on Crop Protection: Three Novel Case—Studies. Int. J. Agric. Sci. Technol 5, 30–39.
9. Sola-Guirado, R.R., Castillo-Ruiz, F.J., Jiménez-Jiménez, F., Blanco-Roldan, G.L., Castro-Garcia, S., Gil-Ribes, J.A., 2017. Olive Actual “on Year” Yield Forecast Tool Based on the Tree Canopy Geometry Using UAS Imagery. Sensors 17. https://doi.org/10.3390/s17081743
10. Torres-Sánchez, J., López-Granados, F., Borra-Serrano, I., Peña, J.M., 2018. Assessing UAV-collected image overlap influence on computation time and digital surface model accuracy in olive orchards. Precis. Agric. 19, 115–133. https://doi.org/10.1007/s11119-017-9502-0
11. Torres-Sánchez, J., López-Granados, F., Serrano, N., Arquero, O., Peña, J.M., 2015. High-throughput 3-D monitoring of agricultural-tree plantations with unmanned aerial vehicle (UAV) technology. PLoS One 10, e0130479.

(14 votos, media: 4,93 de máximo 5)

Cargando…