http://sedici.unlp.edu.ar:80/handle/10915/176452 2026-07-16T11:27:11Z 2026-07-16T11:27:11Z D'Amico, María Belén Marini, Mario Fabián Calandrini, Guillermo Renzi, JuanPablo Chantre, Guillermo Rubén http://sedici.unlp.edu.ar:80/handle/10915/178464 2025-04-25T20:07:37Z 2024-01-01T00:00:00Z

Objeto de conferencia Congreso Argentino de AgroInformática (CAI 2024) - JAIIO 53 (Universidad Nacional del Sur, 12 al 16 de agosto de 2024) En este trabajo se combinan las imágenes satelitales, los algoritmos de aprendizaje de máquina y las mediciones de campo para analizar si es posible generar un modelo de predicción del rendimiento de la leguminosa Vicia villosa Roth (VV) antes de su cosecha. En un estudio previo, se empleó información satelital de diferentes fechas a lo largo del ciclo fenológico completo de VV cultivada en varios lotes del partido de Guaminí (provincia de Buenos Aires) y se encontró una estrecha relación entre la serie temporal de los índices de vegetación y el rinde de dichos cultivos. En base a esos resultados, se evalúa la posibilidad de predecir el rendimiento a partir de nueve fechas de la campaña 2021-2022 entre la siembra y previas a la cosecha. Las mismas se asocian de distintas maneras determinando su impacto sobre la precisión del modelo entrenado. Los desarrollos evidencian que con el monitoreo remoto de cinco fechas es posible clasificar adecuadamente el rendimiento de VV. Tener un modelo de predicción ayudaría en las decisiones in-situ optimizando el uso que puede darse al cultivo de VV (pastoreo directo, forraje o producción de semillas) en función del rendimiento esperado.

2024-01-01T00:00:00Z En este trabajo se combinan las imágenes satelitales, los algoritmos de aprendizaje de máquina y las mediciones de campo para analizar si es posible generar un modelo de predicción del rendimiento de la leguminosa Vicia villosa Roth (VV) antes de su cosecha. En un estudio previo, se empleó información satelital de diferentes fechas a lo largo del ciclo fenológico completo de VV cultivada en varios lotes del partido de Guaminí (provincia de Buenos Aires) y se encontró una estrecha relación entre la serie temporal de los índices de vegetación y el rinde de dichos cultivos. En base a esos resultados, se evalúa la posibilidad de predecir el rendimiento a partir de nueve fechas de la campaña 2021-2022 entre la siembra y previas a la cosecha. Las mismas se asocian de distintas maneras determinando su impacto sobre la precisión del modelo entrenado. Los desarrollos evidencian que con el monitoreo remoto de cinco fechas es posible clasificar adecuadamente el rendimiento de VV. Tener un modelo de predicción ayudaría en las decisiones in-situ optimizando el uso que puede darse al cultivo de VV (pastoreo directo, forraje o producción de semillas) en función del rendimiento esperado. Del Brio, Dolores Tassile, Valentín Ferndández, Darío Eduardo Bramardi, Sergio Jorge Giménez, Gustavo Nestor Jorge Reeb, Pablo Daniel http://sedici.unlp.edu.ar:80/handle/10915/176986 2025-02-27T20:06:39Z 2024-01-01T00:00:00Z

Objeto de conferencia Congreso Argentino de AgroInformática (CAI 2024) - JAIIO 53 (Universidad Nacional del Sur, 12 al 16 de agosto de 2024) El pronóstico de cosecha a nivel de parcela es una herramienta de gran utilidad en la producción de frutales de pepita. Para realizar pronósticos es necesario conocer el número de frutos presentes en los árboles, el tamaño que alcanzarán a cosecha y el número de árboles de la parcela frutal. Para conocer el número de frutos generalmente se utilizan metodologías de conteo manual, que son costosas y poco precisas. El objetivo de este trabajo fue implementar un modelo predictivo del rendimiento a cosecha para frutales de pepita del Alto Valle de Río Negro y Neuquén. Se trabajó en tres montes frutales de pera cv. "William's" y tres de manzanas cv. "Red chief". Se realizaron estimaciones mediante dos modelos de pronóstico diferentes: uno basado en conteo manual de frutos para obtener la carga, y otro basado en la detección y conteo automático de frutos a partir de imágenes para estimar la carga. Se compararon los costos entre ambas metodologías y la calidad de predicción respecto a los datos reales de cosecha. Además, se realizó una estimación de tamaños comerciales a cosecha. Los rendimientos estimados mediante los pronósticos realizados a partir de conteos manuales de frutos presentaron errores relativos menores al 10% respecto a los rendimientos reales. Por otra parte, en 5 de los 6 montes frutales evaluados, los rendimientos estimados con pronósticos realizados a partir de imágenes presentaron errores relativos que no superaron el 10% respecto a los rendimientos reales y en un monte frutal el error fue del 24,5%. Si bien el pronóstico realizado mediante conteos manuales resultó un poco más preciso, su costo fue 3 veces más alto que el de imágenes. Las estimaciones de distribución de tamaños a cosecha no representaron en forma adecuada las distribuciones obtenidas realmente.

2024-01-01T00:00:00Z El pronóstico de cosecha a nivel de parcela es una herramienta de gran utilidad en la producción de frutales de pepita. Para realizar pronósticos es necesario conocer el número de frutos presentes en los árboles, el tamaño que alcanzarán a cosecha y el número de árboles de la parcela frutal. Para conocer el número de frutos generalmente se utilizan metodologías de conteo manual, que son costosas y poco precisas. El objetivo de este trabajo fue implementar un modelo predictivo del rendimiento a cosecha para frutales de pepita del Alto Valle de Río Negro y Neuquén. Se trabajó en tres montes frutales de pera cv. "William's" y tres de manzanas cv. "Red chief". Se realizaron estimaciones mediante dos modelos de pronóstico diferentes: uno basado en conteo manual de frutos para obtener la carga, y otro basado en la detección y conteo automático de frutos a partir de imágenes para estimar la carga. Se compararon los costos entre ambas metodologías y la calidad de predicción respecto a los datos reales de cosecha. Además, se realizó una estimación de tamaños comerciales a cosecha. Los rendimientos estimados mediante los pronósticos realizados a partir de conteos manuales de frutos presentaron errores relativos menores al 10% respecto a los rendimientos reales. Por otra parte, en 5 de los 6 montes frutales evaluados, los rendimientos estimados con pronósticos realizados a partir de imágenes presentaron errores relativos que no superaron el 10% respecto a los rendimientos reales y en un monte frutal el error fue del 24,5%. Si bien el pronóstico realizado mediante conteos manuales resultó un poco más preciso, su costo fue 3 veces más alto que el de imágenes. Las estimaciones de distribución de tamaños a cosecha no representaron en forma adecuada las distribuciones obtenidas realmente. Castro, Néstor Candia, Agustín Queiruga, Claudia Alejandra Pagano, Matías Moscoso Ocampo, Markos Díaz, Francisco Javier http://sedici.unlp.edu.ar:80/handle/10915/176985 2025-02-27T20:06:40Z 2024-01-01T00:00:00Z

Objeto de conferencia Congreso Argentino de AgroInformática (CAI 2024) - JAIIO 53 (Universidad Nacional del Sur, 12 al 16 de agosto de 2024) Este trabajo se contextualiza en el proyecto de I+D+i “Predicción automática de enfermedades foliares en cultivos de hoja producidos en invernadero bajo manejo agroecológico” del LINTI-UNLP (Laboratorio de Investigación en Nuevas Tecnologías Informáticas). El objetivo del mismo es contribuir al desarrollo de tecnologías digitales orientadas a la producción agroecológica a escala de agricultura familiar, para el manejo preventivo de las enfermedades foliares generadas por hongos y pseudohongos, a partir del sensado automático de las condiciones microambientales de los invernaderos, mediante el uso de tecnologías IoT. El proyecto se desarrolla en la zona de producción hortícola del periurbano platense, específicamente en dos quintas de familias productoras de la localidad de Arana. La infraestructura de la solución propuesta se basa en tecnologías de comunicación LoRa (del inglés "long range" Largo alcance). En el trabajo aquí presentado se dará cuenta de los aprendizajes de las etapas iniciales del proyecto relacionados con las problemáticas de la comunicación dado el insuficiente nivel de señal de la red LoRaWAN en la zona donde se desarrolla el proyecto y de la escasa autonomía de energización de los nodos LoRa instalados en los invernaderos de las familias productoras.

2024-01-01T00:00:00Z Este trabajo se contextualiza en el proyecto de I+D+i “Predicción automática de enfermedades foliares en cultivos de hoja producidos en invernadero bajo manejo agroecológico” del LINTI-UNLP (Laboratorio de Investigación en Nuevas Tecnologías Informáticas). El objetivo del mismo es contribuir al desarrollo de tecnologías digitales orientadas a la producción agroecológica a escala de agricultura familiar, para el manejo preventivo de las enfermedades foliares generadas por hongos y pseudohongos, a partir del sensado automático de las condiciones microambientales de los invernaderos, mediante el uso de tecnologías IoT. El proyecto se desarrolla en la zona de producción hortícola del periurbano platense, específicamente en dos quintas de familias productoras de la localidad de Arana. La infraestructura de la solución propuesta se basa en tecnologías de comunicación LoRa (del inglés "long range" Largo alcance). En el trabajo aquí presentado se dará cuenta de los aprendizajes de las etapas iniciales del proyecto relacionados con las problemáticas de la comunicación dado el insuficiente nivel de señal de la red LoRaWAN en la zona donde se desarrolla el proyecto y de la escasa autonomía de energización de los nodos LoRa instalados en los invernaderos de las familias productoras. González Prieto, Mariana Sorichetti, Antonela E. Blanco, Aníbal Manuel Savoretti, Andrea Bandoni, Alberto Moreno, M. Susana http://sedici.unlp.edu.ar:80/handle/10915/176984 2025-02-27T20:06:43Z 2024-01-01T00:00:00Z

Objeto de conferencia Congreso Argentino de AgroInformática (CAI 2024) - JAIIO 53 (Universidad Nacional del Sur, 12 al 16 de agosto de 2024) Contar con estimaciones de los envases vacíos de fitosanitarios para cada temporada agronómica a lo largo del territorio contribuye a organizar la logística inversa de estos residuos peligrosos. SimuENV es un simulador de generación de envases vacíos de fitosanitarios. En su versión actual permite estimar, para cada partido de la provincia de Buenos Aires, el perfil temporal de generación de envases con una discretización mensual, modificando distintos parámetros relacionados con el planteo técnico y la superficie sembrada de cada cultivo. Se contabilizan envases de fitosanitarios de polietileno de alta y baja densidad vinculados con cultivos extensivos para ganadería y agricultura, y cultivos intensivos, básicamente horticultura y floricultura. La necesidad de un simulador radica en que la información relacionada con la generación de envases varía en el tiempo y en el territorio, es decir, tanto los planteos técnicos como las superficies destinadas a cada cultivo en cada partido se van actualizando año a año y a nivel partido. La disponibilidad de un simulador permite ir incorporando fácilmente la información actualizada tan pronto como esté disponible. Este trabajo describe la aplicación web desarrollada, haciendo especial énfasis en el mecanismo de actualización e ingreso de la información.

2024-01-01T00:00:00Z Contar con estimaciones de los envases vacíos de fitosanitarios para cada temporada agronómica a lo largo del territorio contribuye a organizar la logística inversa de estos residuos peligrosos. SimuENV es un simulador de generación de envases vacíos de fitosanitarios. En su versión actual permite estimar, para cada partido de la provincia de Buenos Aires, el perfil temporal de generación de envases con una discretización mensual, modificando distintos parámetros relacionados con el planteo técnico y la superficie sembrada de cada cultivo. Se contabilizan envases de fitosanitarios de polietileno de alta y baja densidad vinculados con cultivos extensivos para ganadería y agricultura, y cultivos intensivos, básicamente horticultura y floricultura. La necesidad de un simulador radica en que la información relacionada con la generación de envases varía en el tiempo y en el territorio, es decir, tanto los planteos técnicos como las superficies destinadas a cada cultivo en cada partido se van actualizando año a año y a nivel partido. La disponibilidad de un simulador permite ir incorporando fácilmente la información actualizada tan pronto como esté disponible. Este trabajo describe la aplicación web desarrollada, haciendo especial énfasis en el mecanismo de actualización e ingreso de la información. Gasparoni, Wendell Lüdtke Ferreira, Ana Paula Moraes Genro, Teresa Cristina http://sedici.unlp.edu.ar:80/handle/10915/176983 2025-02-27T20:06:43Z 2024-01-01T00:00:00Z

Objeto de conferencia Congreso Argentino de AgroInformática (CAI 2024) - JAIIO 53 (Universidad Nacional del Sur, 12 al 16 de agosto de 2024) A pecuária de corte exige uma boa estimativa da quantidade de alimento no pasto para evitar situações de sub e sobrepastejo. A altura da vegetação correlaciona com a quantidade de matéria seca e pode ser usada como métrica para estimativas da disponibilidade de alimento no pasto. Este trabalho propõe uma solução para a determinação da altura média da vegetação baseada em visão computacional, utilizando redes neurais convolucionais. As espécies de pasto usadas nos modelos são vegetação nativa dos campos sul-brasileiros, azevém e capim-sudão, mas a técnica pode ser usada para qualquer outro tipo de vegetação. A coleta de dados usa imagens capturadas pelo aplicativo H-Pasture a partir de celulares comuns, diminuindo custos operacionais e aumentando a agilidade nos processos de tomada de decisão, promovendo uma gestão sustentável dos recursos naturais. Os resultados obtidos apresentam coeficientes de correlação de 0,9249 para pastagens nativas, 0,9312 para azevém e 0,7292 para capim-sudão. Os resultados ainda podem ser aprimorados, mas destacam o potencial da técnica proposta para o aprimoramento do manejo de pastagens, com possíveis aplicações nos modelos de negócio baseados em pecuária extensiva.

2024-01-01T00:00:00Z A pecuária de corte exige uma boa estimativa da quantidade de alimento no pasto para evitar situações de sub e sobrepastejo. A altura da vegetação correlaciona com a quantidade de matéria seca e pode ser usada como métrica para estimativas da disponibilidade de alimento no pasto. Este trabalho propõe uma solução para a determinação da altura média da vegetação baseada em visão computacional, utilizando redes neurais convolucionais. As espécies de pasto usadas nos modelos são vegetação nativa dos campos sul-brasileiros, azevém e capim-sudão, mas a técnica pode ser usada para qualquer outro tipo de vegetação. A coleta de dados usa imagens capturadas pelo aplicativo H-Pasture a partir de celulares comuns, diminuindo custos operacionais e aumentando a agilidade nos processos de tomada de decisão, promovendo uma gestão sustentável dos recursos naturais. Os resultados obtidos apresentam coeficientes de correlação de 0,9249 para pastagens nativas, 0,9312 para azevém e 0,7292 para capim-sudão. Os resultados ainda podem ser aprimorados, mas destacam o potencial da técnica proposta para o aprimoramento do manejo de pastagens, com possíveis aplicações nos modelos de negócio baseados em pecuária extensiva. Teixeira Paiva, Bryan Lüdtke Ferreira, Ana Paula Bastiani Perez, Naylor http://sedici.unlp.edu.ar:80/handle/10915/176982 2025-02-27T20:06:43Z 2024-01-01T00:00:00Z

Objeto de conferencia Congreso Argentino de AgroInformática (CAI 2024) - JAIIO 53 (Universidad Nacional del Sur, 12 al 16 de agosto de 2024) Os sistemas de produção pecuária têm um papel fundamental na economia brasileira, sendo uma das principais fontes de renda do país. Durante diversas etapas da produção – incluindo procedimentos veterinários, pesagem e transporte – os animais são submetidos a diferentes níveis de manejo, cada um com potencial para lhes causar estresse. O estresse animal impacta significativamente as propriedades da carne, incluindo a redução da qualidade a ponto de torná-la inadequada para consumo humano. Este trabalho analisou vocalizações de bovinos sob duas condições psicologicamente distintas: confinamento e manejo. O objetivo principal foi desvendar situações de estresse por meio de padrões sonoros emitidos em cada situação. Foi realizada uma análise estatística dos parâmetros acústicos das vocalizações animais, como frequência fundamental (F0), formantes espectrais (F1-F4), jitter, shimmer, harmonia e intensidade. Os resultados da análise acústica revelaram diferenças significativas (p<0,001) entre os parâmetros de vocalizações estressadas e não estressadas na maioria dos parâmetros, destacando a viabilidade do emprego de recursos acústicos para identificar o estado emocional dos animais durante o manejo.

2024-01-01T00:00:00Z Os sistemas de produção pecuária têm um papel fundamental na economia brasileira, sendo uma das principais fontes de renda do país. Durante diversas etapas da produção – incluindo procedimentos veterinários, pesagem e transporte – os animais são submetidos a diferentes níveis de manejo, cada um com potencial para lhes causar estresse. O estresse animal impacta significativamente as propriedades da carne, incluindo a redução da qualidade a ponto de torná-la inadequada para consumo humano. Este trabalho analisou vocalizações de bovinos sob duas condições psicologicamente distintas: confinamento e manejo. O objetivo principal foi desvendar situações de estresse por meio de padrões sonoros emitidos em cada situação. Foi realizada uma análise estatística dos parâmetros acústicos das vocalizações animais, como frequência fundamental (F0), formantes espectrais (F1-F4), jitter, shimmer, harmonia e intensidade. Os resultados da análise acústica revelaram diferenças significativas (p<0,001) entre os parâmetros de vocalizações estressadas e não estressadas na maioria dos parâmetros, destacando a viabilidade do emprego de recursos acústicos para identificar o estado emocional dos animais durante o manejo. Teixeira Paiva, Bryan Lüdtke Ferreira, Ana Paula Bastiani Pérez, Naylor http://sedici.unlp.edu.ar:80/handle/10915/176980 2025-02-27T20:06:43Z 2024-01-01T00:00:00Z

Objeto de conferencia Congreso Argentino de AgroInformática (CAI 2024) - JAIIO 53 (Universidad Nacional del Sur, 12 al 16 de agosto de 2024) O controle do estresse animal nos sistemas de produção de gado de corte assegura o bem-estar animal, a qualidade da carne e os ganhos financeiros em toda a cadeia produtiva. As diversas etapas da produção que envolvem a interação humano-animal fazem com que os animais sejam submetidos a situações de estresse, causando aumento do pH da carne e agitação que pode causar hematomas e ferimentos, tornando a carne imprópria para consumo humano. Este artigo objetiva avaliar o uso de três arquiteturas de Redes Neurais Convolucionais para identificação de estresse em vocalizações de bovino. A implementação consiste em uma arquitetura básica, uma intermediária e uma robusta, utilizando Coeficientes Cepstrais de Frequência-MEL para extração de características acústicas. Os resultados mostram que as arquiteturas bá- sica, intermediária e robusta alcançaram F1-score de 96,97%, 97,90% e 98,74%, respectivamente. A análise estatística mostrou uma diferença significativa entre as arquiteturas básica e robusta.

2024-01-01T00:00:00Z O controle do estresse animal nos sistemas de produção de gado de corte assegura o bem-estar animal, a qualidade da carne e os ganhos financeiros em toda a cadeia produtiva. As diversas etapas da produção que envolvem a interação humano-animal fazem com que os animais sejam submetidos a situações de estresse, causando aumento do pH da carne e agitação que pode causar hematomas e ferimentos, tornando a carne imprópria para consumo humano. Este artigo objetiva avaliar o uso de três arquiteturas de Redes Neurais Convolucionais para identificação de estresse em vocalizações de bovino. A implementação consiste em uma arquitetura básica, uma intermediária e uma robusta, utilizando Coeficientes Cepstrais de Frequência-MEL para extração de características acústicas. Os resultados mostram que as arquiteturas bá- sica, intermediária e robusta alcançaram F1-score de 96,97%, 97,90% e 98,74%, respectivamente. A análise estatística mostrou uma diferença significativa entre as arquiteturas básica e robusta. Gutiérrez, Julián Trillini, Mariano Vallese, Federico Danilo de Oliveira Ramos, Railson Vanzolini, Juan Ignacio de Almeida, Valber Elias de Brito Neto, José Felix Santos, Rodrigo Pistonesi, Marcelo Fabián http://sedici.unlp.edu.ar:80/handle/10915/176979 2025-02-27T20:06:44Z 2024-01-01T00:00:00Z

Objeto de conferencia Congreso Argentino de AgroInformática (CAI 2024) - JAIIO 53 (Universidad Nacional del Sur, 12 al 16 de agosto de 2024) En el ámbito de las ciencias del suelo, el análisis de textura del suelo es esencial, ya que proporciona información crucial sobre la composición y las propiedades físicas del mismo. Por ello, su estudio, cálculo e interpretación son fundamentales. Se propone un modelo basado en aprendizaje de máquina para predecir la textura del suelo, utilizando datos de área de píxeles de las partículas de arena, limo y arcilla obtenidos a través de imágenes digitales. Adicionalmente, datos de materia orgánica y conductividad eléctrica se integrarán al modelo como atributos. El conjunto de datos se organizará incluyendo variables objetivo como el porcentaje de arena, el porcentaje de limo y la clasificación de la textura del suelo, basada en el método de Bouyoucos, que sirve como referencia estándar de laboratorio. El desarrollo de este trabajo busca simplificar los tiempos operativos, reducir tamaño de muestra y lograr una determinación sencilla y no destructiva de la granulometría del suelo.

2024-01-01T00:00:00Z En el ámbito de las ciencias del suelo, el análisis de textura del suelo es esencial, ya que proporciona información crucial sobre la composición y las propiedades físicas del mismo. Por ello, su estudio, cálculo e interpretación son fundamentales. Se propone un modelo basado en aprendizaje de máquina para predecir la textura del suelo, utilizando datos de área de píxeles de las partículas de arena, limo y arcilla obtenidos a través de imágenes digitales. Adicionalmente, datos de materia orgánica y conductividad eléctrica se integrarán al modelo como atributos. El conjunto de datos se organizará incluyendo variables objetivo como el porcentaje de arena, el porcentaje de limo y la clasificación de la textura del suelo, basada en el método de Bouyoucos, que sirve como referencia estándar de laboratorio. El desarrollo de este trabajo busca simplificar los tiempos operativos, reducir tamaño de muestra y lograr una determinación sencilla y no destructiva de la granulometría del suelo. Lozza, Homero Revol, Santiago Bustos Mogadouro, Jonatan Soldano, Álvaro Thomas, Pablo http://sedici.unlp.edu.ar:80/handle/10915/176977 2025-02-27T20:06:44Z 2024-01-01T00:00:00Z

Objeto de conferencia Congreso Argentino de AgroInformática (CAI 2024) - JAIIO 53 (Universidad Nacional del Sur, 12 al 16 de agosto de 2024) La humedad de suelo (HS) es una magnitud fundamental para el análisis meteorológico, hidrológico y agronómico aunque de difícil estimación. Este trabajo aborda una solución al desafío de visualizar y comunicar series temporales de variables geoespaciales como la HS y, en particular, revertir su bajo conocimiento. Para ello se describe una aplicación web diseñada e implementada para la consulta, representación y descarga de los datos de la evolución de la humedad en la zona radicular, calculada con modelos de cultivos usados para la Región Pampeana en el marco de las aplicaciones estratégicas de la Misión SAOCOM. Asimismo, se evalúan sus predicciones con datos in-situ de sensores a fin de consolidar la confianza en su correcto desempeño. Finalmente, se espera que esta nueva información colabore en refinar los tratamientos que se aplicarán a los cultivos.

2024-01-01T00:00:00Z La humedad de suelo (HS) es una magnitud fundamental para el análisis meteorológico, hidrológico y agronómico aunque de difícil estimación. Este trabajo aborda una solución al desafío de visualizar y comunicar series temporales de variables geoespaciales como la HS y, en particular, revertir su bajo conocimiento. Para ello se describe una aplicación web diseñada e implementada para la consulta, representación y descarga de los datos de la evolución de la humedad en la zona radicular, calculada con modelos de cultivos usados para la Región Pampeana en el marco de las aplicaciones estratégicas de la Misión SAOCOM. Asimismo, se evalúan sus predicciones con datos in-situ de sensores a fin de consolidar la confianza en su correcto desempeño. Finalmente, se espera que esta nueva información colabore en refinar los tratamientos que se aplicarán a los cultivos. González, Sergio H. Vidal, Luciano Ruiz, Juan J. Negri, Pablo A. Silvarrey Barruffa, Alejo A. http://sedici.unlp.edu.ar:80/handle/10915/176975 2025-02-27T20:06:44Z 2024-01-01T00:00:00Z

Objeto de conferencia Congreso Argentino de AgroInformática (CAI 2024) - JAIIO 53 (Universidad Nacional del Sur, 12 al 16 de agosto de 2024) La precipitación es uno de los principales componentes del balance hidrológico y su cuantificación es fundamental para el modelado preciso de dicho balance. Debido a la escasez de datos observados in-situ, se recurre a sensores remotos para poder incrementar la cobertura espacial y temporal. Sin embargo, las estimaciones basadas en sensores remotos, presentan sesgos que afectan su calidad.En este trabajo, se propone el uso de un modelo de redes convolucionales profundas para corregir parcialmente los errores sesgos del algoritmo de estimación de precipitación del satélite GOES-16. El entrenamiento de la red se lleva a cabo utilizando datos del radar meteorológico a bordo del satélite GPM. El modelo basado en redes neuronales, se compara con una técnica ampliamente utilizada en corrección de sesgos basada en datos históricos y con estimaciones de precipitación proveniente del producto PDIR-Now. El desempeño de todos los productos es evaluado con observaciones de estaciones pluviométricas. Las estimaciones del modelo propuesto reducen la raíz cuadrada del error cuadrático medio en un 164% (9%) respecto de las estimaciones del GOES-16 (PDIR-Now) y en 5% de la corrección basadas en datos históricos.

2024-01-01T00:00:00Z La precipitación es uno de los principales componentes del balance hidrológico y su cuantificación es fundamental para el modelado preciso de dicho balance. Debido a la escasez de datos observados in-situ, se recurre a sensores remotos para poder incrementar la cobertura espacial y temporal. Sin embargo, las estimaciones basadas en sensores remotos, presentan sesgos que afectan su calidad.En este trabajo, se propone el uso de un modelo de redes convolucionales profundas para corregir parcialmente los errores sesgos del algoritmo de estimación de precipitación del satélite GOES-16. El entrenamiento de la red se lleva a cabo utilizando datos del radar meteorológico a bordo del satélite GPM. El modelo basado en redes neuronales, se compara con una técnica ampliamente utilizada en corrección de sesgos basada en datos históricos y con estimaciones de precipitación proveniente del producto PDIR-Now. El desempeño de todos los productos es evaluado con observaciones de estaciones pluviométricas. Las estimaciones del modelo propuesto reducen la raíz cuadrada del error cuadrático medio en un 164% (9%) respecto de las estimaciones del GOES-16 (PDIR-Now) y en 5% de la corrección basadas en datos históricos. Capraro, Flavio Campillo, Pedro Gimenez, Rodrigo Ortiz, Alida Gentili, Luciana Pierantozzi, Pierluigi http://sedici.unlp.edu.ar:80/handle/10915/176974 2025-02-27T20:06:44Z 2024-01-01T00:00:00Z

Objeto de conferencia Congreso Argentino de AgroInformática (CAI 2024) - JAIIO 53 (Universidad Nacional del Sur, 12 al 16 de agosto de 2024) En el trabajo se presenta la instalación y puesta en marcha de un sistema de medición, registro y monitoreo de variables en una zona cultivada utilizando nuevas tecnologías de Agricultura Digital, como es el uso de estaciones de medición en campo que registran sistemáticamente la humedad del suelo, la presión de sistema de riego, la cantidad de agua aportada, la temperatura ambiente y la temperatura del cultivo; además una estación meteorológica automática que registra todas las variables ambientales y estima la evapotranspiración de referencia del cultivo. Esta información es complementada con mapas de índices del cultivo que se generan con imágenes termográficas y multiespectrales tomadas desde un dron que vuela sobre la zona cultivada. Actualmente, en la olivicultura moderna se implantan olivares con marcos de plantación intensivos y superintensivos lo cual ha motivado la generación de nuevas investigaciones que permitan establecer factores que favorezcan la adaptación climática y uso del agua en el riego. Conforme a ello, se realizó una experiencia en un olivar joven superintensivo ubicado en la provincia de San Juan, Argentina. Con el objetivo de monitorizar y evaluar el desarrollo y estado hídrico de los olivos, se implementaron cuatro tratamientos de riego con reposición del 100 % y 70 % de la demanda hídrica real durante todo el ciclo (riego deficitario sostenido) y con reposición del 50 % y 25 % de la demanda hídrica real en distintos periodos del ciclo (riego deficitario controlado). Finalmente se presentan los primeros resultados preliminares alcanzados en la etapa inicial de experimentación durante los primeros meses de uso del sistema, en el monitoreo de las principales variables intervinientes y en la gestión de las estrategias de riego en cada tratamiento.

2024-01-01T00:00:00Z En el trabajo se presenta la instalación y puesta en marcha de un sistema de medición, registro y monitoreo de variables en una zona cultivada utilizando nuevas tecnologías de Agricultura Digital, como es el uso de estaciones de medición en campo que registran sistemáticamente la humedad del suelo, la presión de sistema de riego, la cantidad de agua aportada, la temperatura ambiente y la temperatura del cultivo; además una estación meteorológica automática que registra todas las variables ambientales y estima la evapotranspiración de referencia del cultivo. Esta información es complementada con mapas de índices del cultivo que se generan con imágenes termográficas y multiespectrales tomadas desde un dron que vuela sobre la zona cultivada. Actualmente, en la olivicultura moderna se implantan olivares con marcos de plantación intensivos y superintensivos lo cual ha motivado la generación de nuevas investigaciones que permitan establecer factores que favorezcan la adaptación climática y uso del agua en el riego. Conforme a ello, se realizó una experiencia en un olivar joven superintensivo ubicado en la provincia de San Juan, Argentina. Con el objetivo de monitorizar y evaluar el desarrollo y estado hídrico de los olivos, se implementaron cuatro tratamientos de riego con reposición del 100 % y 70 % de la demanda hídrica real durante todo el ciclo (riego deficitario sostenido) y con reposición del 50 % y 25 % de la demanda hídrica real en distintos periodos del ciclo (riego deficitario controlado). Finalmente se presentan los primeros resultados preliminares alcanzados en la etapa inicial de experimentación durante los primeros meses de uso del sistema, en el monitoreo de las principales variables intervinientes y en la gestión de las estrategias de riego en cada tratamiento. Rosales, Pablo Jara, Nabil Caniza, Tomas Vidili, Facundo Alvarez, Lucas Martin Alcoleas, Romulo Micheletto, Matías Manavella, Fernando De Marziani, Carlos http://sedici.unlp.edu.ar:80/handle/10915/176973 2025-02-27T20:06:45Z 2024-01-01T00:00:00Z

Objeto de conferencia Congreso Argentino de AgroInformática (CAI 2024) - JAIIO 53 (Universidad Nacional del Sur, 12 al 16 de agosto de 2024) En este trabajo se describe la implementación de una red de comunicación de mensajería de datos provistos por estaciones meteorológicas bajo el estándar de Internet de las Cosas MQTT (Message Queuing Telemetry Transport). Esta necesidad fue identificada por la Agencia de Extensión Rural INTA de Los Antiguos para cubrir la demanda de los productores de cereza como complemento a los sistemas de control de heladas instalados en los diferentes cultivos que presentan la particularidad de tener sistemas sensores con hardware y software de diversos fabricantes y las cuales publican sus datos en la nube ofrecida por cada uno de ellos. A partir de esta disponibilidad de datos, a través de un broker de comunicación EMQX de código abierto y altamente escalable es posible transmitir de forma segura a un sistema central los datos recopilados por diferentes estaciones meteorológicas que publican sus datos en la web. Asimismo, se dispone de una aplicación para dispositivos móviles a fin de acceder de manera rápida y sencilla a la información disponible de cada estación meteorológica para monitorear el estado de los cultivos cercanos. El empleo de esta propuesta resulta ser flexible ya que permite tener una escalabilidad sencilla de la red, permitiendo incorporar de manera rápida diversos dispositivos comerciales o no, incluso aquellos que no publican en línea sus datos actualmente, mejorando la granularidad de datos a fin de generar alertas tempranas de heladas con una baja latencia y de manera precisa. Así será posible mejorar la eficiencia de los sistemas antiheladas instalados en particular haciendo un uso racional del agua de los sistemas de prevención de heladas.

2024-01-01T00:00:00Z En este trabajo se describe la implementación de una red de comunicación de mensajería de datos provistos por estaciones meteorológicas bajo el estándar de Internet de las Cosas MQTT (Message Queuing Telemetry Transport). Esta necesidad fue identificada por la Agencia de Extensión Rural INTA de Los Antiguos para cubrir la demanda de los productores de cereza como complemento a los sistemas de control de heladas instalados en los diferentes cultivos que presentan la particularidad de tener sistemas sensores con hardware y software de diversos fabricantes y las cuales publican sus datos en la nube ofrecida por cada uno de ellos. A partir de esta disponibilidad de datos, a través de un broker de comunicación EMQX de código abierto y altamente escalable es posible transmitir de forma segura a un sistema central los datos recopilados por diferentes estaciones meteorológicas que publican sus datos en la web. Asimismo, se dispone de una aplicación para dispositivos móviles a fin de acceder de manera rápida y sencilla a la información disponible de cada estación meteorológica para monitorear el estado de los cultivos cercanos. El empleo de esta propuesta resulta ser flexible ya que permite tener una escalabilidad sencilla de la red, permitiendo incorporar de manera rápida diversos dispositivos comerciales o no, incluso aquellos que no publican en línea sus datos actualmente, mejorando la granularidad de datos a fin de generar alertas tempranas de heladas con una baja latencia y de manera precisa. Así será posible mejorar la eficiencia de los sistemas antiheladas instalados en particular haciendo un uso racional del agua de los sistemas de prevención de heladas. Beron de la Puente, Federico Javier Montico, Anabella Revollo, Natalia V. Gil, Verónica Zapperi, Paula A. http://sedici.unlp.edu.ar:80/handle/10915/176972 2025-02-27T20:06:45Z 2024-01-01T00:00:00Z

Objeto de conferencia Congreso Argentino de AgroInformática (CAI 2024) - JAIIO 53 (Universidad Nacional del Sur, 12 al 16 de agosto de 2024) La obtención de información geográfica de usos y coberturas del suelo (LULC) es crucial para el monitoreo espacio-temporal de la actividad agrícola y de sus efectos sobre el ambiente. En este marco, el objetivo del trabajo fue comparar la performance de Google Earth Engine (GEE) y del complemento Semi-automatic Classification Plugin (SCP) dentro de QGis para clasificar LULC en imágenes multiespectrales Sentinel-2. Los modelos fueron aplicados a una región del centro-sur del sistema de Ventania, en el suroeste de la provincia de Buenos Aires, Argentina y validados con información medida in situ. Los resultados indican que ambos modelos son capaces de clasificar LULC con una precisión entre 77.6 % y 97.8%, habiendo obtenido mejores resultados con GEE.

2024-01-01T00:00:00Z La obtención de información geográfica de usos y coberturas del suelo (LULC) es crucial para el monitoreo espacio-temporal de la actividad agrícola y de sus efectos sobre el ambiente. En este marco, el objetivo del trabajo fue comparar la performance de Google Earth Engine (GEE) y del complemento Semi-automatic Classification Plugin (SCP) dentro de QGis para clasificar LULC en imágenes multiespectrales Sentinel-2. Los modelos fueron aplicados a una región del centro-sur del sistema de Ventania, en el suroeste de la provincia de Buenos Aires, Argentina y validados con información medida in situ. Los resultados indican que ambos modelos son capaces de clasificar LULC con una precisión entre 77.6 % y 97.8%, habiendo obtenido mejores resultados con GEE.