http://sedici.unlp.edu.ar:80/handle/10915/190128 Thu, 12 Nov 2026 01:21:50 GMT 2026-11-12T01:21:50Z http://sedici.unlp.edu.ar:80/handle/10915/190769 Objeto de conferencia SICLAUy – agricultural logistics control information system of Uruguay Congreso Argentino de Agroinformática (CAI 2025) - JAIIO 54 (Universidad de Buenos Aires, 4 al 7 de agosto de 2025) La producción de sandías en Rivera, Uruguay, representa el 95% de la producción nacional de sandías, y es un pilar clave en la economía del departamento. Sin embargo, su ubicación fronteriza expone a los productores a competencia desleal, debido al ingreso irregular de productos sin trazabilidad, afectando su competitividad. Para abordar este problema, la Intendencia Departamental de Rivera (IDR), en conjunto con el Ministerio de Ganadería, Agricultura y Pesca (MGAP) y la Dirección Nacional de Aduanas, implementó un protocolo de control basado en remitos físicos. No obstante, la dependencia de documentación en papel dificulta la fiscalización y genera ineficiencias operativas. Este estudio analiza el desarrollo e implementación del Sistema de Información de Control Logístico Agrícola del Uruguay, una plataforma digital diseñada para mejorar la trazabilidad y optimizar el control del transporte agrícola. La metodología utilizada combina entrevistas con actores clave de la IDR, análisis documental de normativas vigentes y la aplicación del enfoque Rapid Application Development (RAD) para un desarrollo ágil. El sistema fue desarrollado con PHP 8.3 y Laravel 11, utilizando FilamentPHP para la generación de interfaces y MySQL 8.4.2 para la gestión de datos, garantizando integridad mediante propiedades ACID. Se incorporaron funcionalidades clave, como gestión de zafras y cultivos, registro de inspecciones, emisión automatizada de remitos electrónicos, control en ruta en tiempo real y un modelo contable automatizado. Además, el sistema cuenta con un modelo de control de acceso basado en roles (Inspector, Productor, Policía y Administrador) y un módulo de auditoría para registrar cambios en la base de datos. Validado por la IDR, su implementación está prevista para la zafra 2025/2026, con futuras optimizaciones basadas en su uso en campo. Su arquitectura escalable permite la incorporación de nuevos cultivos sin cambios estructurales. A futuro, se proyecta la integración de un cuaderno de campo digital y herramientas de análisis predictivo. Los resultados de este trabajo evidencian que la digitalización del proceso de fiscalización agrícola puede mejorar la eficiencia, reducir el fraude comercial yoptimizar la gestión logística en regiones fronterizas. Además, el sistema plantea un modelo replicable en otros sectores productivos que requieran mayor trazabilidad y control en la distribución agrícola.; The production of watermelons in Rivera, Uruguay, accounts for 95% of the national output and is a key pillar of the department's economy. However, its border location exposes producers to unfair competition due to the irregular entry of products without traceability, affecting their competitiveness. To address this problem, the Rivera Departmental Administration (IDR), together with the Ministry of Livestock, Agriculture and Fisheries (MGAP) and the National Customs Directorate, implemented a control protocol based on physical transport documents. Nevertheless, the reliance on paper documentation hinders oversight and creates operational inefficiencies. This study analyzes the development and implementation of the Agricultural Logistics Control Information System of Uruguay, a digital platform designed to improve traceability and optimize the control of agricultural transport. The methodology used combines interviews with key IDR stakeholder, documentary analysis of current regulations, and the application of the Rapid Application Development (RAD) approach for agile development. The system was developed using PHP 8.3 and Laravel 11, with FilamentPHP employed for generating interfaces and MySQL 8.4.2 for data management, ensuring data integrity through ACID properties. Key functionalities were incorporated, including the management of harvests and crops, inspection records, automated issuance of electronic transport documents, real-time enroute control, and an automated accounting model. Additionally, the system features a role-based access control model (Inspector, Producer, Police, and Administrator) and an auditing module to record changes in the database. Validated by the IDR, its implementation is scheduled for the 2025/2026 harvest, with future optimizations planned based on field use. Its scalable architecture allows for the incorporation of new crops without structural changes. In the future, the integration of a digital field notebook and predictive analysis tools is projected. The results of this work demonstrate that digitizing the agricultural oversight process can improve efficiency, reduce commercial fraud, and optimize logistics management in border regions. Moreover, the system presents a replicable model for other productive sectors that require enhanced traceability and control in agricultural distribution. Wed, 01 Jan 2025 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/190769 2025-01-01T00:00:00Z La producción de sandías en Rivera, Uruguay, representa el 95% de la producción nacional de sandías, y es un pilar clave en la economía del departamento. Sin embargo, su ubicación fronteriza expone a los productores a competencia desleal, debido al ingreso irregular de productos sin trazabilidad, afectando su competitividad. Para abordar este problema, la Intendencia Departamental de Rivera (IDR), en conjunto con el Ministerio de Ganadería, Agricultura y Pesca (MGAP) y la Dirección Nacional de Aduanas, implementó un protocolo de control basado en remitos físicos. No obstante, la dependencia de documentación en papel dificulta la fiscalización y genera ineficiencias operativas. Este estudio analiza el desarrollo e implementación del Sistema de Información de Control Logístico Agrícola del Uruguay, una plataforma digital diseñada para mejorar la trazabilidad y optimizar el control del transporte agrícola. La metodología utilizada combina entrevistas con actores clave de la IDR, análisis documental de normativas vigentes y la aplicación del enfoque Rapid Application Development (RAD) para un desarrollo ágil. El sistema fue desarrollado con PHP 8.3 y Laravel 11, utilizando FilamentPHP para la generación de interfaces y MySQL 8.4.2 para la gestión de datos, garantizando integridad mediante propiedades ACID. Se incorporaron funcionalidades clave, como gestión de zafras y cultivos, registro de inspecciones, emisión automatizada de remitos electrónicos, control en ruta en tiempo real y un modelo contable automatizado. Además, el sistema cuenta con un modelo de control de acceso basado en roles (Inspector, Productor, Policía y Administrador) y un módulo de auditoría para registrar cambios en la base de datos. Validado por la IDR, su implementación está prevista para la zafra 2025/2026, con futuras optimizaciones basadas en su uso en campo. Su arquitectura escalable permite la incorporación de nuevos cultivos sin cambios estructurales. A futuro, se proyecta la integración de un cuaderno de campo digital y herramientas de análisis predictivo. Los resultados de este trabajo evidencian que la digitalización del proceso de fiscalización agrícola puede mejorar la eficiencia, reducir el fraude comercial yoptimizar la gestión logística en regiones fronterizas. Además, el sistema plantea un modelo replicable en otros sectores productivos que requieran mayor trazabilidad y control en la distribución agrícola. The production of watermelons in Rivera, Uruguay, accounts for 95% of the national output and is a key pillar of the department's economy. However, its border location exposes producers to unfair competition due to the irregular entry of products without traceability, affecting their competitiveness. To address this problem, the Rivera Departmental Administration (IDR), together with the Ministry of Livestock, Agriculture and Fisheries (MGAP) and the National Customs Directorate, implemented a control protocol based on physical transport documents. Nevertheless, the reliance on paper documentation hinders oversight and creates operational inefficiencies. This study analyzes the development and implementation of the Agricultural Logistics Control Information System of Uruguay, a digital platform designed to improve traceability and optimize the control of agricultural transport. The methodology used combines interviews with key IDR stakeholder, documentary analysis of current regulations, and the application of the Rapid Application Development (RAD) approach for agile development. The system was developed using PHP 8.3 and Laravel 11, with FilamentPHP employed for generating interfaces and MySQL 8.4.2 for data management, ensuring data integrity through ACID properties. Key functionalities were incorporated, including the management of harvests and crops, inspection records, automated issuance of electronic transport documents, real-time enroute control, and an automated accounting model. Additionally, the system features a role-based access control model (Inspector, Producer, Police, and Administrator) and an auditing module to record changes in the database. Validated by the IDR, its implementation is scheduled for the 2025/2026 harvest, with future optimizations planned based on field use. Its scalable architecture allows for the incorporation of new crops without structural changes. In the future, the integration of a digital field notebook and predictive analysis tools is projected. The results of this work demonstrate that digitizing the agricultural oversight process can improve efficiency, reduce commercial fraud, and optimize logistics management in border regions. Moreover, the system presents a replicable model for other productive sectors that require enhanced traceability and control in agricultural distribution. http://sedici.unlp.edu.ar:80/handle/10915/190767 Objeto de conferencia El Galpón: a multiplatform application for agricultural stock management Congreso Argentino de Agroinformática (CAI 2025) - JAIIO 54 (Universidad de Buenos Aires, 4 al 7 de agosto de 2025) Los métodos comunes de gestión de insumos varían desde el software enlatado para computadoras personales hasta la anotación manuscrita, sin ningún tipo de digitalización del proceso. En este trabajo se propone una aplicación original orientada a móviles, para la gestión de insumos agropecuarios y que se motiva por la gran diversidad de metodologías de inventariado empleado por pequeñas y medianas empresas del rubro agrícola, que en particular, no cuentan con sistemas de digitalización. El foco del diseño no de la aplicación que se presenta, hace énfasis en el minimalismo funcional y se destacan el inventariado de envases vacíos y las notificaciones por stock insuficiente y productos próximos a vencerse, como principales características. Continuando la línea de desarrollo publicada en artículos anteriores, se detallan todos los requerimientos y características funcionales para la implementación del software propuesto.; Common methods of input management range from off-the-shelf software for personal computers to handwritten notes, without any digitization of the process. This work proposes an original mobile-oriented application for managing agricultural supplies, motivated by the great diversity of inventory methodologies used by small and medium-sized agricultural enterprises, which, in particular, lack digitization systems. The focus of the application’s design emphasizes functional minimalism, highlighting the inventory of empty containers and notifications for insufficient stock and products nearing expiration as its main features. Following the line of development published in previous articles, all the requirements and functional characteristics for the implementation of the proposed software are detailed. Wed, 01 Jan 2025 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/190767 2025-01-01T00:00:00Z Los métodos comunes de gestión de insumos varían desde el software enlatado para computadoras personales hasta la anotación manuscrita, sin ningún tipo de digitalización del proceso. En este trabajo se propone una aplicación original orientada a móviles, para la gestión de insumos agropecuarios y que se motiva por la gran diversidad de metodologías de inventariado empleado por pequeñas y medianas empresas del rubro agrícola, que en particular, no cuentan con sistemas de digitalización. El foco del diseño no de la aplicación que se presenta, hace énfasis en el minimalismo funcional y se destacan el inventariado de envases vacíos y las notificaciones por stock insuficiente y productos próximos a vencerse, como principales características. Continuando la línea de desarrollo publicada en artículos anteriores, se detallan todos los requerimientos y características funcionales para la implementación del software propuesto. Common methods of input management range from off-the-shelf software for personal computers to handwritten notes, without any digitization of the process. This work proposes an original mobile-oriented application for managing agricultural supplies, motivated by the great diversity of inventory methodologies used by small and medium-sized agricultural enterprises, which, in particular, lack digitization systems. The focus of the application’s design emphasizes functional minimalism, highlighting the inventory of empty containers and notifications for insufficient stock and products nearing expiration as its main features. Following the line of development published in previous articles, all the requirements and functional characteristics for the implementation of the proposed software are detailed. http://sedici.unlp.edu.ar:80/handle/10915/190765 Objeto de conferencia Integrated satellite precipitation: combining products, infrared brightness temperature and electrical activity by convolutional neural networks Congreso Argentino de Agroinformática (CAI 2025) - JAIIO 54 (Universidad de Buenos Aires, 4 al 7 de agosto de 2025) El monitoreo de la precipitación es sumamente crucial para la actividad agropecuaria, ya que es un componente fundamental del balance hidrológico que tiene un gran impacto en los rindes. Las observaciones in-situ a través de pluviómetros son escasas, por lo cual se complementa con estimaciones de precipitación provenientes de sensores remotos (i.e. satélites y radares meteorológicos) que incrementan la cobertura espacial y temporal. En este trabajo se propone utilizar un modelo de redes neuronales convolucionales con una arquitectura de tipo UNet a partir de datos provistos por el satélite GOES-16. En particular, se evaluará el uso combinado de temperatura de brillo en infrarrojo (que brinda información de la temperatura del tope de las nubes) y la actividad eléctrica (que brinda información sobre la intensidad de la convección). El entrenamiento del modelo se realiza utilizando datos de precipitación estimada por el radar meteorológico a bordo del satélite GPM.; Precipitation monitoring is extremely crucial for agricultural activities, since it is a fundamental component of the hydrological balance that has a great impact on yields. In-situ observations through rain gauges are scarce, so it is complemented with precipitation estimates from remote sensors (i.e. satellites and meteorological radars) that increase the spatial and temporal coverage. In this work we propose to use a convolutional neural network model with a UNet type architecture, based on data provided by the GOES-16 satellite. In particular, the combined use of infrared brightness temperature (which provides information on cloud top temperature) and electrical activity (which provides information on convection intensity) will be evaluated. Model training is performed using precipitation data estimated by the GPM satellite-borne weather radar. Wed, 01 Jan 2025 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/190765 2025-01-01T00:00:00Z El monitoreo de la precipitación es sumamente crucial para la actividad agropecuaria, ya que es un componente fundamental del balance hidrológico que tiene un gran impacto en los rindes. Las observaciones in-situ a través de pluviómetros son escasas, por lo cual se complementa con estimaciones de precipitación provenientes de sensores remotos (i.e. satélites y radares meteorológicos) que incrementan la cobertura espacial y temporal. En este trabajo se propone utilizar un modelo de redes neuronales convolucionales con una arquitectura de tipo UNet a partir de datos provistos por el satélite GOES-16. En particular, se evaluará el uso combinado de temperatura de brillo en infrarrojo (que brinda información de la temperatura del tope de las nubes) y la actividad eléctrica (que brinda información sobre la intensidad de la convección). El entrenamiento del modelo se realiza utilizando datos de precipitación estimada por el radar meteorológico a bordo del satélite GPM. Precipitation monitoring is extremely crucial for agricultural activities, since it is a fundamental component of the hydrological balance that has a great impact on yields. In-situ observations through rain gauges are scarce, so it is complemented with precipitation estimates from remote sensors (i.e. satellites and meteorological radars) that increase the spatial and temporal coverage. In this work we propose to use a convolutional neural network model with a UNet type architecture, based on data provided by the GOES-16 satellite. In particular, the combined use of infrared brightness temperature (which provides information on cloud top temperature) and electrical activity (which provides information on convection intensity) will be evaluated. Model training is performed using precipitation data estimated by the GPM satellite-borne weather radar. http://sedici.unlp.edu.ar:80/handle/10915/190763 Objeto de conferencia Selection of maize (Zea mays L.) core colletions using an algorithm that maximizes allele richness and diverse genetic distance metrics Congreso Argentino de Agroinformática (CAI 2025) - JAIIO 54 (Universidad de Buenos Aires, 4 al 7 de agosto de 2025) Las colecciones núcleo (CN) son subconjuntos de accesiones que representan una colección más amplia, conservando su diversidad genética y evitando la redundancia. En programas de mejoramiento genético de cultivos, las CN son importantes herramientas para tener disponibles, ya que permiten caracterizar y utilizar los recursos genéticos sin la necesidad de evaluar la totalidad del germoplasma. En este contexto, el presente trabajo tuvo como objetivo evaluar la implementación de un protocolo de selección de CN multipropósito, de máxima variabilidad genética, a fin de asistir al PMG de Maíz del INTA EEAPergamino en futuros estudios de mapeo por asociación a genoma completo y predicción genómica. Para ello, se utilizó un algoritmo basado en un método avanzado de búsqueda local estocástica, Core Hunter 3, capaz de utilizar matrices genotípicas y fenotípicas para maximizar diversos parámetros de distancia y diversidad genética simultáneamente. Se seleccionaron 7 CN del mismo tamaño (n=115) con distintos objetivos de optimización en base a datos genotípicos, y la combinación de éstos con datos fenotípicos desde un panel de mejoramiento (PPMG) conformado por 484 líneas endocriadas de maíz. En todos los casos, las CN seleccionadas retuvieron el 100% de los alelos presentes (CV=1), exhibiendo similares valores promedio para heterocigosidad esperada (HE=0.40) y heterocigosidad observada (HO=0.02) que el PPMG. Luego de evaluar la distribución de 3 caracteres fenotípicos y la representatividad poblacional en las CN seleccionadas por el algoritmo, determinamos que las CN seleccionadas con el objetivo Accesion To Nearest Entry (A-NE) cumplen con los requisitos para ser utilizadas como CN multipropósito en futuras investigaciones.; Core collections (CC) are subsets of accessions that represent a broader collection, preserving their genetic diversity and avoiding redundancy. In plant breeding programs, CC are valuable tools since they enable the characterization and use of genetic resources without the need to evaluate the entire germplasm. In this context, the present work aimed to evaluate the implementation of a protocol to select multipurpose CC, with maximum genetic variability, to assist the INTA EEA-Pergamino Maize breeding program in future genomewide association mapping (GWAS) and genomic prediction (GP) studies. Core Hunter 3, an algorithm based on an advanced stochastic local search method, capable of incorporating genotypic and phenotypic matrices, was used to maximize various distance and genetic diversity parameters simultaneously. Seven CC of the same size (n=115) were selected with different optimization objectives based on genotypic data and its combination with phenotypic data, from a breeding panel (BP) consisting of 484 maize inbred lines. All selected CC retained 100% of the alleles present (CV=1), exhibiting similar average values for expected heterozygosity (HE=0.40) and observed heterozygosity (HO=0.02) as the BP. After evaluating the distribution of three phenotypic traits and the population representativeness of the CC selected by the algorithm, we determined that the CC selected with the A-NE objective meet the requirements to be used as multipurpose CC in future research investigations. Wed, 01 Jan 2025 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/190763 2025-01-01T00:00:00Z Las colecciones núcleo (CN) son subconjuntos de accesiones que representan una colección más amplia, conservando su diversidad genética y evitando la redundancia. En programas de mejoramiento genético de cultivos, las CN son importantes herramientas para tener disponibles, ya que permiten caracterizar y utilizar los recursos genéticos sin la necesidad de evaluar la totalidad del germoplasma. En este contexto, el presente trabajo tuvo como objetivo evaluar la implementación de un protocolo de selección de CN multipropósito, de máxima variabilidad genética, a fin de asistir al PMG de Maíz del INTA EEAPergamino en futuros estudios de mapeo por asociación a genoma completo y predicción genómica. Para ello, se utilizó un algoritmo basado en un método avanzado de búsqueda local estocástica, Core Hunter 3, capaz de utilizar matrices genotípicas y fenotípicas para maximizar diversos parámetros de distancia y diversidad genética simultáneamente. Se seleccionaron 7 CN del mismo tamaño (n=115) con distintos objetivos de optimización en base a datos genotípicos, y la combinación de éstos con datos fenotípicos desde un panel de mejoramiento (PPMG) conformado por 484 líneas endocriadas de maíz. En todos los casos, las CN seleccionadas retuvieron el 100% de los alelos presentes (CV=1), exhibiendo similares valores promedio para heterocigosidad esperada (HE=0.40) y heterocigosidad observada (HO=0.02) que el PPMG. Luego de evaluar la distribución de 3 caracteres fenotípicos y la representatividad poblacional en las CN seleccionadas por el algoritmo, determinamos que las CN seleccionadas con el objetivo Accesion To Nearest Entry (A-NE) cumplen con los requisitos para ser utilizadas como CN multipropósito en futuras investigaciones. Core collections (CC) are subsets of accessions that represent a broader collection, preserving their genetic diversity and avoiding redundancy. In plant breeding programs, CC are valuable tools since they enable the characterization and use of genetic resources without the need to evaluate the entire germplasm. In this context, the present work aimed to evaluate the implementation of a protocol to select multipurpose CC, with maximum genetic variability, to assist the INTA EEA-Pergamino Maize breeding program in future genomewide association mapping (GWAS) and genomic prediction (GP) studies. Core Hunter 3, an algorithm based on an advanced stochastic local search method, capable of incorporating genotypic and phenotypic matrices, was used to maximize various distance and genetic diversity parameters simultaneously. Seven CC of the same size (n=115) were selected with different optimization objectives based on genotypic data and its combination with phenotypic data, from a breeding panel (BP) consisting of 484 maize inbred lines. All selected CC retained 100% of the alleles present (CV=1), exhibiting similar average values for expected heterozygosity (HE=0.40) and observed heterozygosity (HO=0.02) as the BP. After evaluating the distribution of three phenotypic traits and the population representativeness of the CC selected by the algorithm, we determined that the CC selected with the A-NE objective meet the requirements to be used as multipurpose CC in future research investigations. http://sedici.unlp.edu.ar:80/handle/10915/190759 Objeto de conferencia MetaStat: an R shiny app for transforming data into scientific evidence through meta-analysis Congreso Argentino de Agroinformática (CAI 2025) - JAIIO 54 (Universidad de Buenos Aires, 4 al 7 de agosto de 2025) Una revisión sistemática (RS) sintetiza la evidencia a partir de una pregunta de investigación mediante métodos exhaustivos para buscar, identificar, seleccionar, evaluar y extraer datos de estudios primarios publicados. El metaanálisis es una técnica estadística que combina los resultados cuantitativos de estos estudios para generar una estimación conjunta con un intervalo de confianza. El meta-análisis aumentan la potencia estadística, mejoran la precisión y responden preguntas que los estudios individuales no pueden abordar por falta de tamaño muestral. Junto con las RS, proporciona información valiosa para la toma de decisiones basada en evidencia. Realizar un meta-análisis requiere conocimientos en software estadístico, pero a menudo estos softwares carecen de interfaces amigables. Para solucionar esto, desarrollamos MetaStat, una aplicación basada en Shiny que facilita la ejecución de meta-análisis. MetaStat permite cargar, seleccionar modelos adecuados y ajustar modelos de efectos fijos o aleatorios, además de realizar análisis por subgrupos. Los resultados incluyen tablas de estimaciones, pruebas de heterogeneidad y gráficos descargables (forest plot, funnel plot, Baujat plot). MetaStat también permite ajustar meta-regresiones seleccionando una covariable. Disponible como aplicación de escritorio para Windows, en GitHub y en ShinyApps.io, esta herramienta mejora el acceso a meta-análisis con una interfaz intuitiva, disminuyendo la brecha ente el rigor estadístico y la obtención de información a través de los datos.; A systematic review (SR) synthesizes evidence from a research question using comprehensive methods to search, identify, select, evaluate, and extract data from published primary studies. Meta-analysis is a statistical method that combines quantitative results from primary studies addressing the same research question to generate a pooled estimate with a confidence interval. Metaanalyses enhance statistical power, improve precision, and answer questions that individual studies cannot due to limited sample sizes. Combined with SR, they provide valuable insights for evidence-based decision-making. Performing a meta-analysis requires knowledge of statistical software, but this software often lack user-friendly interfaces. To address this, we developed MetaStat, an R Shiny application that simplifies meta-analysis use. MetaStat allows users to select data types (continuous or discrete), upload datasets, and choose appropriate metaanalysis models. It supports fixed/random effects models and subgroup analyses. Results include estimation tables, heterogeneity statistics, and diagnostic measures. The app also generates downloadable forest plots, funnel plots, and Baujat plots. Moreover, MetaStat enables meta-regression by selecting a covariate from the dataset. It is available as a standalone Windows application, via GitHub, or online at ShinyApps.io. This tool enhances accessibility to metaanalysis, bridging the gap between statistical rigor and usability. Wed, 01 Jan 2025 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/190759 2025-01-01T00:00:00Z Una revisión sistemática (RS) sintetiza la evidencia a partir de una pregunta de investigación mediante métodos exhaustivos para buscar, identificar, seleccionar, evaluar y extraer datos de estudios primarios publicados. El metaanálisis es una técnica estadística que combina los resultados cuantitativos de estos estudios para generar una estimación conjunta con un intervalo de confianza. El meta-análisis aumentan la potencia estadística, mejoran la precisión y responden preguntas que los estudios individuales no pueden abordar por falta de tamaño muestral. Junto con las RS, proporciona información valiosa para la toma de decisiones basada en evidencia. Realizar un meta-análisis requiere conocimientos en software estadístico, pero a menudo estos softwares carecen de interfaces amigables. Para solucionar esto, desarrollamos MetaStat, una aplicación basada en Shiny que facilita la ejecución de meta-análisis. MetaStat permite cargar, seleccionar modelos adecuados y ajustar modelos de efectos fijos o aleatorios, además de realizar análisis por subgrupos. Los resultados incluyen tablas de estimaciones, pruebas de heterogeneidad y gráficos descargables (forest plot, funnel plot, Baujat plot). MetaStat también permite ajustar meta-regresiones seleccionando una covariable. Disponible como aplicación de escritorio para Windows, en GitHub y en ShinyApps.io, esta herramienta mejora el acceso a meta-análisis con una interfaz intuitiva, disminuyendo la brecha ente el rigor estadístico y la obtención de información a través de los datos. A systematic review (SR) synthesizes evidence from a research question using comprehensive methods to search, identify, select, evaluate, and extract data from published primary studies. Meta-analysis is a statistical method that combines quantitative results from primary studies addressing the same research question to generate a pooled estimate with a confidence interval. Metaanalyses enhance statistical power, improve precision, and answer questions that individual studies cannot due to limited sample sizes. Combined with SR, they provide valuable insights for evidence-based decision-making. Performing a meta-analysis requires knowledge of statistical software, but this software often lack user-friendly interfaces. To address this, we developed MetaStat, an R Shiny application that simplifies meta-analysis use. MetaStat allows users to select data types (continuous or discrete), upload datasets, and choose appropriate metaanalysis models. It supports fixed/random effects models and subgroup analyses. Results include estimation tables, heterogeneity statistics, and diagnostic measures. The app also generates downloadable forest plots, funnel plots, and Baujat plots. Moreover, MetaStat enables meta-regression by selecting a covariate from the dataset. It is available as a standalone Windows application, via GitHub, or online at ShinyApps.io. This tool enhances accessibility to metaanalysis, bridging the gap between statistical rigor and usability. http://sedici.unlp.edu.ar:80/handle/10915/190758 Objeto de conferencia Kriging of yield scenario maps for extensive crops in the Pampas Region Congreso Argentino de Agroinformática (CAI 2025) - JAIIO 54 (Universidad de Buenos Aires, 4 al 7 de agosto de 2025) Este trabajo presenta la aplicación de la técnica de Kriging Ordinario para la elaboración de mapas de escenarios de rinde para cultivos extensivos en la Región Pampeana. Se busca potenciar las estimaciones de rindes previos a la cosecha que la CONAE ha desarrollado y publica en el marco de la misión SAOCOM (Satélite Argentino Con Microondas). A través de modelos de cultivos de la familia DSSAT, se generan predicciones de producciones locales de soja u otras plantas. Los valores se extienden espacialmente mediante Kriging, permitiendo una representación más suave y continua de los datos. Los resultados muestran una mejora significativa en la calidad de los mapas, refinando las antiguas estimaciones que se publican por zonas homogéneas, y facilitando su interpretación y uso por productores y agentes del sector agroindustrial.; This paper presents the application of the Ordinary Kriging technique for the development of yield scenario maps for extensive crops in the Pampas Region. It seeks to enhance the pre-harvest yield estimates that CONAE has been developing and publishing within the framework of the SAOCOM (Argentine Satellite With Microwaves) mission. By means of crop models from the DSSAT family, predictions of soybean or other plants local productions are generated. The values are spatially extended using Kriging, allowing for a smoother and more continuous representation of the data. The results show a significant improvement in the quality of the maps, refining the old estimates published by homogeneous areas and facilitating their interpretation and use by farmers and stakeholders in the agriculture industry. Wed, 01 Jan 2025 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/190758 2025-01-01T00:00:00Z Este trabajo presenta la aplicación de la técnica de Kriging Ordinario para la elaboración de mapas de escenarios de rinde para cultivos extensivos en la Región Pampeana. Se busca potenciar las estimaciones de rindes previos a la cosecha que la CONAE ha desarrollado y publica en el marco de la misión SAOCOM (Satélite Argentino Con Microondas). A través de modelos de cultivos de la familia DSSAT, se generan predicciones de producciones locales de soja u otras plantas. Los valores se extienden espacialmente mediante Kriging, permitiendo una representación más suave y continua de los datos. Los resultados muestran una mejora significativa en la calidad de los mapas, refinando las antiguas estimaciones que se publican por zonas homogéneas, y facilitando su interpretación y uso por productores y agentes del sector agroindustrial. This paper presents the application of the Ordinary Kriging technique for the development of yield scenario maps for extensive crops in the Pampas Region. It seeks to enhance the pre-harvest yield estimates that CONAE has been developing and publishing within the framework of the SAOCOM (Argentine Satellite With Microwaves) mission. By means of crop models from the DSSAT family, predictions of soybean or other plants local productions are generated. The values are spatially extended using Kriging, allowing for a smoother and more continuous representation of the data. The results show a significant improvement in the quality of the maps, refining the old estimates published by homogeneous areas and facilitating their interpretation and use by farmers and stakeholders in the agriculture industry. http://sedici.unlp.edu.ar:80/handle/10915/190757 Objeto de conferencia Impact of regionalization on predictive models of frost for horticultural and fruit crops in Patagonia, Argentina Congreso Argentino de Agroinformática (CAI 2025) - JAIIO 54 (Universidad de Buenos Aires, 4 al 7 de agosto de 2025) La predicción de heladas es un desafío central para la protección de cultivos frutihortícolas, ya que depende de complejas interacciones entre factores meteorológicos, geográficos y micro climáticos. Si bien los modelos numéricos globales pueden anticipar eventos fríos, su precisión disminuye cuando no consideran las condiciones locales. Factores regionales como la topografía, la vegetación, el viento, la humedad del suelo y la dinámica atmosférica influyen en las temperaturas nocturnas y la formación de heladas, lo que requiere modelos calibrados localmente. Este trabajo en progreso enfatiza la integración de información geográfica multizona y climatología de sitio en modelos predictivos para mejorar la gestión del riesgo. Los estudios de caso emplearán datos meteorológicos de la Cuenca del Golfo San Jorge y del noreste de Santa Cruz, Argentina.; Frost prediction is a major challenge for protecting fruit and vegetable crops, as it depends on complex interactions among meteorological, geographical, and microclimatic factors. While global numerical models can forecast cold events, their accuracy decreases when local conditions are overlooked. Regional features—such as topography, vegetation, wind, soil moisture, and atmospheric dynamics—shape nocturnal temperatures and frost formation, requiring locally calibrated models. This work in progress emphasizes the integration of multizone geographic and site-specific climate data to improve predictive models and support risk management. Case studies will use meteorological data from the San Jorge Gulf Basin and northeastern Santa Cruz, Argentina. Wed, 01 Jan 2025 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/190757 2025-01-01T00:00:00Z La predicción de heladas es un desafío central para la protección de cultivos frutihortícolas, ya que depende de complejas interacciones entre factores meteorológicos, geográficos y micro climáticos. Si bien los modelos numéricos globales pueden anticipar eventos fríos, su precisión disminuye cuando no consideran las condiciones locales. Factores regionales como la topografía, la vegetación, el viento, la humedad del suelo y la dinámica atmosférica influyen en las temperaturas nocturnas y la formación de heladas, lo que requiere modelos calibrados localmente. Este trabajo en progreso enfatiza la integración de información geográfica multizona y climatología de sitio en modelos predictivos para mejorar la gestión del riesgo. Los estudios de caso emplearán datos meteorológicos de la Cuenca del Golfo San Jorge y del noreste de Santa Cruz, Argentina. Frost prediction is a major challenge for protecting fruit and vegetable crops, as it depends on complex interactions among meteorological, geographical, and microclimatic factors. While global numerical models can forecast cold events, their accuracy decreases when local conditions are overlooked. Regional features—such as topography, vegetation, wind, soil moisture, and atmospheric dynamics—shape nocturnal temperatures and frost formation, requiring locally calibrated models. This work in progress emphasizes the integration of multizone geographic and site-specific climate data to improve predictive models and support risk management. Case studies will use meteorological data from the San Jorge Gulf Basin and northeastern Santa Cruz, Argentina. http://sedici.unlp.edu.ar:80/handle/10915/190756 Objeto de conferencia Disciplinary convergence enhances the value of agronomic data Congreso Argentino de Agroinformática (CAI 2025) - JAIIO 54 (Universidad de Buenos Aires, 4 al 7 de agosto de 2025) De la libreta de papel a los agentes de inteligencia artificial: en el medio un largo proceso de resistencias, pruebas y errores, innovaciones, dispositivos, que marcan el pulso de la revolución digital. En esa búsqueda, dos aspectos toman relevancia las agrotecnologías (AgTech) que buscan aportar distintas soluciones de valor al agro y los usuarios que no terminan de encontrar el “zapato a su medida”. La vertiginosa transformación del agro en los últimos 20 años, impulsada por las tecnologías exponenciales han favorecido la creación de startups, empresas de base tecnológicas, emprendimientos de digitalización que transcienden los perfiles tradicionales de los profesionales agronó- micos. Emergen actores de otras disciplinas y especializaciones que reconfiguran el mapa de articulaciones del campo. Según el mapeo en curso que están realizando entre CEPAL e INTA, las casi 400 startups que forman parte del ecosistema AgTech argentino están modificando los modos de hacer y pensar los sistemas productivos en nuestro país. Este diagnóstico incluyó una primera etapa de definición de categorías de relevamiento, de criterios de clasificación y de delimitación del alcance. El proceso de análisis de la información recolectada genera una clasificación temática por áreas de aplicación, y aporta, además, aspectos tecnológicos diferenciales de cada empresa, que permitirá acercar la oferta tecnológica de modo más cercano a los productores. Los datos agronómicos, recolectados a campo o históricos, en tiempo real o predictivos, o desde distintos dispositivos son la base que alimenta el proceso de transformación digital y de optimización de la toma decisiones para una agricultura más eficiente y sostenible."La integración de datos agronómicos en plataformas digitales permite un cambio de paradigma: de decisiones intuitivas a una agricultura basada en datos, fomentando la sostenibilidad y la competitividad" (Wolfert et al.: 2023). El esfuerzo de recolección e integración de datos no alcanzará su máximo potencial de aprovechamiento si no se fortalece y consolida una real convergencia de los distintos componentes: de las herramientas tecnológicas entre sí; y de esos recursos con las distintas disciplinas, profesionales, instituciones y todos actores del ecosistema; y a su vez, con las capacidades de adopción de las soluciones generadas, para que los datos adquieran valor, y sean mucho más que solo datos.; From the paper notebook to artificial intelligence agents: in between, a long process of resistance, trials and errors, innovations, and devices that mark the pace of the digital revolution. In this search, two aspects become relevant: agrotechnologies (AgTech), which seek to provide various value solutions to agriculture, and users who still have not found the “shoe that fits.” The dizzying transformation of agriculture in the past 20 years, driven by exponential technologies, has fostered the creation of startups, technology-based companies, and digitalization ventures that go beyond the traditional profiles of agronomic professionals. Actors from other disciplines and specializations are emerging, reconfiguring the map of interactions in the agricultural sector. According to the mapping we are carrying out between CEPAL and INTA, the nearly 400 startups that are part of the Argentine AgTech ecosystem are changing the ways of doing and thinking about productive systems in our country. This diagnosis included an initial stage of defining survey categories, classification criteria, and scope delimitation. The analysis process of the collected information generates a thematic classification by application areas and also contributes differential technological aspects of each company, which will allow for a closer alignment of the technological offerings with producers. Agronomic data collected in the field or historical, real-time or predictive, or from various devices are the foundation that feeds the process of digital transformation and decision-making optimization for more efficient and sustainable agriculture. “The integration of agronomic data into digital platforms enables a paradigm shift: from intuitive decisions to data-driven agriculture, fostering sustainability and competitiveness” (Wolfert et al., 2020). The effort to collect and integrate data will not reach its full potential unless a real convergence of the different components is strengthened and consolidated: of technological tools with each other; of those resources with the various disciplines, professionals, institutions, and all ecosystem actors; and, in turn, with the adoption capacities of the generated solutions, so that data gain value and become much more than just data. Wed, 01 Jan 2025 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/190756 2025-01-01T00:00:00Z De la libreta de papel a los agentes de inteligencia artificial: en el medio un largo proceso de resistencias, pruebas y errores, innovaciones, dispositivos, que marcan el pulso de la revolución digital. En esa búsqueda, dos aspectos toman relevancia las agrotecnologías (AgTech) que buscan aportar distintas soluciones de valor al agro y los usuarios que no terminan de encontrar el “zapato a su medida”. La vertiginosa transformación del agro en los últimos 20 años, impulsada por las tecnologías exponenciales han favorecido la creación de startups, empresas de base tecnológicas, emprendimientos de digitalización que transcienden los perfiles tradicionales de los profesionales agronó- micos. Emergen actores de otras disciplinas y especializaciones que reconfiguran el mapa de articulaciones del campo. Según el mapeo en curso que están realizando entre CEPAL e INTA, las casi 400 startups que forman parte del ecosistema AgTech argentino están modificando los modos de hacer y pensar los sistemas productivos en nuestro país. Este diagnóstico incluyó una primera etapa de definición de categorías de relevamiento, de criterios de clasificación y de delimitación del alcance. El proceso de análisis de la información recolectada genera una clasificación temática por áreas de aplicación, y aporta, además, aspectos tecnológicos diferenciales de cada empresa, que permitirá acercar la oferta tecnológica de modo más cercano a los productores. Los datos agronómicos, recolectados a campo o históricos, en tiempo real o predictivos, o desde distintos dispositivos son la base que alimenta el proceso de transformación digital y de optimización de la toma decisiones para una agricultura más eficiente y sostenible."La integración de datos agronómicos en plataformas digitales permite un cambio de paradigma: de decisiones intuitivas a una agricultura basada en datos, fomentando la sostenibilidad y la competitividad" (Wolfert et al.: 2023). El esfuerzo de recolección e integración de datos no alcanzará su máximo potencial de aprovechamiento si no se fortalece y consolida una real convergencia de los distintos componentes: de las herramientas tecnológicas entre sí; y de esos recursos con las distintas disciplinas, profesionales, instituciones y todos actores del ecosistema; y a su vez, con las capacidades de adopción de las soluciones generadas, para que los datos adquieran valor, y sean mucho más que solo datos. From the paper notebook to artificial intelligence agents: in between, a long process of resistance, trials and errors, innovations, and devices that mark the pace of the digital revolution. In this search, two aspects become relevant: agrotechnologies (AgTech), which seek to provide various value solutions to agriculture, and users who still have not found the “shoe that fits.” The dizzying transformation of agriculture in the past 20 years, driven by exponential technologies, has fostered the creation of startups, technology-based companies, and digitalization ventures that go beyond the traditional profiles of agronomic professionals. Actors from other disciplines and specializations are emerging, reconfiguring the map of interactions in the agricultural sector. According to the mapping we are carrying out between CEPAL and INTA, the nearly 400 startups that are part of the Argentine AgTech ecosystem are changing the ways of doing and thinking about productive systems in our country. This diagnosis included an initial stage of defining survey categories, classification criteria, and scope delimitation. The analysis process of the collected information generates a thematic classification by application areas and also contributes differential technological aspects of each company, which will allow for a closer alignment of the technological offerings with producers. Agronomic data collected in the field or historical, real-time or predictive, or from various devices are the foundation that feeds the process of digital transformation and decision-making optimization for more efficient and sustainable agriculture. “The integration of agronomic data into digital platforms enables a paradigm shift: from intuitive decisions to data-driven agriculture, fostering sustainability and competitiveness” (Wolfert et al., 2020). The effort to collect and integrate data will not reach its full potential unless a real convergence of the different components is strengthened and consolidated: of technological tools with each other; of those resources with the various disciplines, professionals, institutions, and all ecosystem actors; and, in turn, with the adoption capacities of the generated solutions, so that data gain value and become much more than just data. http://sedici.unlp.edu.ar:80/handle/10915/190755 Objeto de conferencia Leaf severity calculator Congreso Argentino de Agroinformática (CAI 2025) - JAIIO 54 (Universidad de Buenos Aires, 4 al 7 de agosto de 2025) Se presenta el desarrollo de una aplicación para dispositivos Android que calcula el grado de enfermedad (Severidad) de una muestra de hojas de cebada afectadas por mancha en red y/o mancha borrosa. Las hojas de la muestra deben estar colocadas sobre un fondo blanco. La aplicación permite tomar una foto de la muestra o utilizar una imagen almacenada en la galería del dispositivo. El procesamiento de la imagen segmenta el fondo de las hojas y a su vez segmenta la porción de las hojas sanas respecto de las enfermas. La Severidad se calcula como el cociente entre el número de píxeles de las porciones de hojas enfermas respecto del total de píxeles de las hojas, expresado en forma porcentual. La aplicación se escribió en Python basándose en las librerías Toga, taTogaLib, Pillow, OpenCV, OpencvRollingBall y NumPy. La compilación para Android se realizó con Briefcase.; An application for Android devices which calculates the disease Severity of a sample of barley leaves affected by net blotch and/or spot blotch is presented. The sample leaves must be placed on a white background. The application allows users to take a photo of the sample or use an image stored in the device's gallery. Image processing segments the background of the leaves and, in turn, segments the portion of healthy leaves from the diseased ones. The disease Severity is calculated as the ratio of diseased leaf pixels to the total leaf pixels, expressed as a percentage. The application was written in Python based on the Toga, taTogaLib, Pillow, OpenCV, OpencvRollingBall, and NumPy libraries. It was compiled for Android using Briefcase. Wed, 01 Jan 2025 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/190755 2025-01-01T00:00:00Z Se presenta el desarrollo de una aplicación para dispositivos Android que calcula el grado de enfermedad (Severidad) de una muestra de hojas de cebada afectadas por mancha en red y/o mancha borrosa. Las hojas de la muestra deben estar colocadas sobre un fondo blanco. La aplicación permite tomar una foto de la muestra o utilizar una imagen almacenada en la galería del dispositivo. El procesamiento de la imagen segmenta el fondo de las hojas y a su vez segmenta la porción de las hojas sanas respecto de las enfermas. La Severidad se calcula como el cociente entre el número de píxeles de las porciones de hojas enfermas respecto del total de píxeles de las hojas, expresado en forma porcentual. La aplicación se escribió en Python basándose en las librerías Toga, taTogaLib, Pillow, OpenCV, OpencvRollingBall y NumPy. La compilación para Android se realizó con Briefcase. An application for Android devices which calculates the disease Severity of a sample of barley leaves affected by net blotch and/or spot blotch is presented. The sample leaves must be placed on a white background. The application allows users to take a photo of the sample or use an image stored in the device's gallery. Image processing segments the background of the leaves and, in turn, segments the portion of healthy leaves from the diseased ones. The disease Severity is calculated as the ratio of diseased leaf pixels to the total leaf pixels, expressed as a percentage. The application was written in Python based on the Toga, taTogaLib, Pillow, OpenCV, OpencvRollingBall, and NumPy libraries. It was compiled for Android using Briefcase. http://sedici.unlp.edu.ar:80/handle/10915/190754 Objeto de conferencia From accelerometers to circadian rhythms: applications of synchrosqueezing and wavelet coherence for assessing behavior in farm poultry Congreso Argentino de Agroinformática (CAI 2025) - JAIIO 54 (Universidad de Buenos Aires, 4 al 7 de agosto de 2025) La creciente demanda de mejorar el bienestar de las aves de corral en sistemas de cría intensiva requiere estrategias que vayan más allá del monitoreo de variables productivas, como el peso y la postura de huevos, e incluyan la evaluación del comportamiento individual. Para ello, proponemos combinar sensores inerciales (acelerómetros) con análisis de series temporales para extraer información biológicamente relevante. Dado que el comportamiento animal está naturalmente asociado al ciclo diario de 24 horas de luz y oscuridad, en este trabajo proponemos el uso de aproximaciones wavelet para evaluar la modulación de dichos ritmos en respuesta a cambios en el ambiente de cría. Específicamente, utilizamos la transformada Syncrosqueezing para caracterizar ritmos de 24 horas en distintas señales de comportamiento obtenidas a partir del vector de aceleración y coherencia wavelet para evaluar la relación entre estas señales. Esta metodología fue aplicada a la actividad y los baños de arena en codornices japonesas, monitoreadas durante 11 días con registros de aceleración obtenidos a 25 Hz bajo tres condiciones de sustrato de cría (piso de reja, suelo de viruta, o suelo de viruta con un arenero). Nuestros resultados muestran que el poder de los ritmos de baños de arena y la coherencia entre ambos ritmos de comportamiento pueden variar según el sustrato. Por ello, esta aproximación basada en wavelets proporciona una herramienta útil para el monitoreo continuo de ritmos de comportamiento relevantes en la valoración del bienestar animal.; The growing demand for welfare improvement of poultry in intensive farming systems requires strategies that go beyond monitoring productive variables, such as weight and egg-laying, and include the assessment of individual behaviour. To this end, we propose combining inertial sensors (such as accelerometers) with time-series analysis to extract biologically relevant information. Since animal behavior is naturally associated with the 24-hour daily cycle of light and darkness, in this study, we propose the use of wavelet-based approaches to evaluate the modulation of these rhythms in response to changes in the rearing environment. Specifically, we use Synchrosqueezing to characterize 24- hour rhythms in various behavioral signals derived from the acceleration vector and wavelet coherence to assess the relationship between these signals. This methodology was applied to activity and dust-bathing behaviors in Japanese quails, monitored over 11 days with acceleration data recorded at 25 Hz under three rearing substrate conditions (i.e., mesh floor, wood shavings floor, or wood shavings floor with a sandpit). Our results show that the strength of dust-bathing rhythms and the coherence between both behavioral rhythms can vary depending on the substrate. Therefore, this wavelet-based approach provides a valuable tool for the continuous monitoring of relevant behavioral rhythms in assessing animal welfare. Wed, 01 Jan 2025 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/190754 2025-01-01T00:00:00Z La creciente demanda de mejorar el bienestar de las aves de corral en sistemas de cría intensiva requiere estrategias que vayan más allá del monitoreo de variables productivas, como el peso y la postura de huevos, e incluyan la evaluación del comportamiento individual. Para ello, proponemos combinar sensores inerciales (acelerómetros) con análisis de series temporales para extraer información biológicamente relevante. Dado que el comportamiento animal está naturalmente asociado al ciclo diario de 24 horas de luz y oscuridad, en este trabajo proponemos el uso de aproximaciones wavelet para evaluar la modulación de dichos ritmos en respuesta a cambios en el ambiente de cría. Específicamente, utilizamos la transformada Syncrosqueezing para caracterizar ritmos de 24 horas en distintas señales de comportamiento obtenidas a partir del vector de aceleración y coherencia wavelet para evaluar la relación entre estas señales. Esta metodología fue aplicada a la actividad y los baños de arena en codornices japonesas, monitoreadas durante 11 días con registros de aceleración obtenidos a 25 Hz bajo tres condiciones de sustrato de cría (piso de reja, suelo de viruta, o suelo de viruta con un arenero). Nuestros resultados muestran que el poder de los ritmos de baños de arena y la coherencia entre ambos ritmos de comportamiento pueden variar según el sustrato. Por ello, esta aproximación basada en wavelets proporciona una herramienta útil para el monitoreo continuo de ritmos de comportamiento relevantes en la valoración del bienestar animal. The growing demand for welfare improvement of poultry in intensive farming systems requires strategies that go beyond monitoring productive variables, such as weight and egg-laying, and include the assessment of individual behaviour. To this end, we propose combining inertial sensors (such as accelerometers) with time-series analysis to extract biologically relevant information. Since animal behavior is naturally associated with the 24-hour daily cycle of light and darkness, in this study, we propose the use of wavelet-based approaches to evaluate the modulation of these rhythms in response to changes in the rearing environment. Specifically, we use Synchrosqueezing to characterize 24- hour rhythms in various behavioral signals derived from the acceleration vector and wavelet coherence to assess the relationship between these signals. This methodology was applied to activity and dust-bathing behaviors in Japanese quails, monitored over 11 days with acceleration data recorded at 25 Hz under three rearing substrate conditions (i.e., mesh floor, wood shavings floor, or wood shavings floor with a sandpit). Our results show that the strength of dust-bathing rhythms and the coherence between both behavioral rhythms can vary depending on the substrate. Therefore, this wavelet-based approach provides a valuable tool for the continuous monitoring of relevant behavioral rhythms in assessing animal welfare. http://sedici.unlp.edu.ar:80/handle/10915/190752 Objeto de conferencia A new AI-based similarity measure for recommending optimal long-term crop rotation alternatives Congreso Argentino de Agroinformática (CAI 2025) - JAIIO 54 (Universidad de Buenos Aires, 4 al 7 de agosto de 2025) Presentamos una herramienta que permite realizar recomendaciones personalizadas a productores agrícolas, ofreciendo alternativas de rotaciones de cultivos a largo plazo que optimicen simultáneamente la eficiencia económica y ambiental considerada en múltiples variables. Para ello, proponemos una nueva métrica de similitud entre secuencias de decisiones agronómicas, basada en técnicas de redes neuronales utilizadas en la disciplina del procesamiento de lenguaje natural. Esta métrica permite seleccionar, dentro de un conjunto de soluciones óptimas en sentido de Pareto (obtenidas por el sistema de simulación y optimización AgrOptim) aquellas secuencias más similares a las prácticas típicas y usuales de cada productor. De este modo, se busca minimizar las barreras de adopción de recomendaciones generadas por AgrOptim, facilitando la puesta en práctica de secuencias de cultivo y decisiones productivas más sostenibles y eficientes.; We present a tool that enables personalized recommendations for agricultural producers by offering long-term crop rotation alternatives that simultaneously optimize economic and environmental efficiency across multiple variables. To achieve this, we propose a new similarity metric between sequences of agronomic decisions, based on neural network techniques commonly used in the field of natural language processing. This metric allows us to select, from a set of Pareto-optimal solutions (generated by the AgrOptim simulation and optimization system), those sequences that are most similar to the typical and customary practices of each producer. In this way, we aim to reduce the barriers to adopting the recommendations generated by AgrOptim, facilitating the implementation of more sustainable and efficient cropping sequences and production decisions. Wed, 01 Jan 2025 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/190752 2025-01-01T00:00:00Z Presentamos una herramienta que permite realizar recomendaciones personalizadas a productores agrícolas, ofreciendo alternativas de rotaciones de cultivos a largo plazo que optimicen simultáneamente la eficiencia económica y ambiental considerada en múltiples variables. Para ello, proponemos una nueva métrica de similitud entre secuencias de decisiones agronómicas, basada en técnicas de redes neuronales utilizadas en la disciplina del procesamiento de lenguaje natural. Esta métrica permite seleccionar, dentro de un conjunto de soluciones óptimas en sentido de Pareto (obtenidas por el sistema de simulación y optimización AgrOptim) aquellas secuencias más similares a las prácticas típicas y usuales de cada productor. De este modo, se busca minimizar las barreras de adopción de recomendaciones generadas por AgrOptim, facilitando la puesta en práctica de secuencias de cultivo y decisiones productivas más sostenibles y eficientes. We present a tool that enables personalized recommendations for agricultural producers by offering long-term crop rotation alternatives that simultaneously optimize economic and environmental efficiency across multiple variables. To achieve this, we propose a new similarity metric between sequences of agronomic decisions, based on neural network techniques commonly used in the field of natural language processing. This metric allows us to select, from a set of Pareto-optimal solutions (generated by the AgrOptim simulation and optimization system), those sequences that are most similar to the typical and customary practices of each producer. In this way, we aim to reduce the barriers to adopting the recommendations generated by AgrOptim, facilitating the implementation of more sustainable and efficient cropping sequences and production decisions. http://sedici.unlp.edu.ar:80/handle/10915/190725 Objeto de conferencia Computer vision artificial intelligence to establish variety and quality of soybean grains Congreso Argentino de Agroinformática (CAI 2025) - JAIIO 54 (Universidad de Buenos Aires, 4 al 7 de agosto de 2025) Este trabajo presenta un sistema de inteligencia artificial basado en técnicas de visión por computadora para evaluar la calidad de granos de soja, proponiendo una alternativa rápida y económica frente a los métodos manuales, al automatizar la evaluación de atributos como el tamaño, la forma, el color de los granos, la presencia de insectos y materias extrañas. Para ello, se recolectaron muestras de granos de soja sanos y dañados por diversas causas, incluyendo contaminación con materias extrañas e insectos. Se aplicaron distintas estrategias de clasificación automática de imágenes, que incluyeron modelos de Machine Learning con extracción manual de características y modelos de Deep Learning que no requieren este paso. Los resultados obtenidos demuestran que los modelos de Deep Learning superan en desempeño a los de Machine Learning en la tarea de clasificación de calidad de granos de soja.; This work presents an artificial intelligence system based on computer vision techniques to assess soybean grain quality, offering a fast and cost-effective alternative to manual methods by automating the evaluation of attributes such as grain size, shape, color, and the presence of insects and foreign materials. To this end, samples of healthy and damaged soybean grains were collected, including those contaminated with foreign materials and insects. Various image classification strategies were applied, including Machine Learning models with manual feature extraction and Deep Learning models that do not require this step. The results show that Deep Learning models outperform Machine Learning models in the task of classifying soybean grain quality. Wed, 01 Jan 2025 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/190725 2025-01-01T00:00:00Z Este trabajo presenta un sistema de inteligencia artificial basado en técnicas de visión por computadora para evaluar la calidad de granos de soja, proponiendo una alternativa rápida y económica frente a los métodos manuales, al automatizar la evaluación de atributos como el tamaño, la forma, el color de los granos, la presencia de insectos y materias extrañas. Para ello, se recolectaron muestras de granos de soja sanos y dañados por diversas causas, incluyendo contaminación con materias extrañas e insectos. Se aplicaron distintas estrategias de clasificación automática de imágenes, que incluyeron modelos de Machine Learning con extracción manual de características y modelos de Deep Learning que no requieren este paso. Los resultados obtenidos demuestran que los modelos de Deep Learning superan en desempeño a los de Machine Learning en la tarea de clasificación de calidad de granos de soja. This work presents an artificial intelligence system based on computer vision techniques to assess soybean grain quality, offering a fast and cost-effective alternative to manual methods by automating the evaluation of attributes such as grain size, shape, color, and the presence of insects and foreign materials. To this end, samples of healthy and damaged soybean grains were collected, including those contaminated with foreign materials and insects. Various image classification strategies were applied, including Machine Learning models with manual feature extraction and Deep Learning models that do not require this step. The results show that Deep Learning models outperform Machine Learning models in the task of classifying soybean grain quality. http://sedici.unlp.edu.ar:80/handle/10915/190724 Objeto de conferencia Assessment and challenges in forecasting heatwaves as a precursor of flash droughts in southern South America Congreso Argentino de Agroinformática (CAI 2025) - JAIIO 54 (Universidad de Buenos Aires, 4 al 7 de agosto de 2025) Las sequías de rápido desarrollo (SRD) son un tipo particular de sequía que se desarrolla repentinamente, pudiendo generar impactos significativos en el sector agrícola. Si bien las sequías en general son desastres de evolución lenta, con efectos de gran extensión espacial y larga duración, las SRD se caracterizan por un rápido agotamiento de la humedad del suelo, provocado por una combinación de déficit de precipitación, olas de calor y baja humedad atmosférica. A pesar de su importancia, el conocimiento sobre las SRD sigue siendo limitado, desde su detección y caracterización hasta el desarrollo de indicadores de monitoreo y herramientas de pronóstico. Aunque el Sistema de Información sobre Sequías para el Sur de Sudamérica (SISSA) ha avanzado en el monitoreo, el pronóstico de las SRD y de las olas de calor, siguen siendo un gran desafío debido a la escala temporal en la que se desarrollan y su baja frecuencia de ocurrencia, dificultando ciertos enfoques de machine learning. Este estudio busca evaluar la predictibilidad de eventos de ola de calor y SRD mediante el uso del Extreme Forecast Index (EFI) del modelo por ensambles del ECMWF y del Artificial Intelligence Forecast System (AIFS). Por otro lado, se analizará la utilización de regresiones logísticas univariada/multivariada a variables atmosféricas y del suelo de los reanálisis del ERA5-Land para estimar la probabilidad de ocurrencia de SRD.; Flash droughts (FDs) are a particular type of drought that develops rapidly and causes significant impacts, especially in the agricultural sector. While droughts in general are slow-evolving disasters with broad spatial extent and long duration, FDs are characterized by a fast depletion of soil moisture, triggered by a combination of precipitation deficits, heatwaves, and low atmospheric humidity. Despite their importance, knowledge about FDs remains limited—from their detection and characterization to the development of monitoring indicators and forecasting tools. Although the South American Drought Information System (SISSA) has made progress in monitoring, forecasting FDs and heat waves remains a major challenge due to the temporal scale at which they develop and their low frequency of occurrence, making certain machine learning approaches difficult to apply. This study aims to assess the predictability of heat wave and FD events through the use of the Extreme Forecast Index (EFI) from the ECMWF ensemble model and the Artificial Intelligence Forecast System (AIFS). Additionally, the study will analyze the application of univariate and multivariate logistic regressions to atmospheric and soil variables from the ERA5-Land reanalysis to estimate the probability of FD occurrence. Wed, 01 Jan 2025 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/190724 2025-01-01T00:00:00Z Las sequías de rápido desarrollo (SRD) son un tipo particular de sequía que se desarrolla repentinamente, pudiendo generar impactos significativos en el sector agrícola. Si bien las sequías en general son desastres de evolución lenta, con efectos de gran extensión espacial y larga duración, las SRD se caracterizan por un rápido agotamiento de la humedad del suelo, provocado por una combinación de déficit de precipitación, olas de calor y baja humedad atmosférica. A pesar de su importancia, el conocimiento sobre las SRD sigue siendo limitado, desde su detección y caracterización hasta el desarrollo de indicadores de monitoreo y herramientas de pronóstico. Aunque el Sistema de Información sobre Sequías para el Sur de Sudamérica (SISSA) ha avanzado en el monitoreo, el pronóstico de las SRD y de las olas de calor, siguen siendo un gran desafío debido a la escala temporal en la que se desarrollan y su baja frecuencia de ocurrencia, dificultando ciertos enfoques de machine learning. Este estudio busca evaluar la predictibilidad de eventos de ola de calor y SRD mediante el uso del Extreme Forecast Index (EFI) del modelo por ensambles del ECMWF y del Artificial Intelligence Forecast System (AIFS). Por otro lado, se analizará la utilización de regresiones logísticas univariada/multivariada a variables atmosféricas y del suelo de los reanálisis del ERA5-Land para estimar la probabilidad de ocurrencia de SRD. Flash droughts (FDs) are a particular type of drought that develops rapidly and causes significant impacts, especially in the agricultural sector. While droughts in general are slow-evolving disasters with broad spatial extent and long duration, FDs are characterized by a fast depletion of soil moisture, triggered by a combination of precipitation deficits, heatwaves, and low atmospheric humidity. Despite their importance, knowledge about FDs remains limited—from their detection and characterization to the development of monitoring indicators and forecasting tools. Although the South American Drought Information System (SISSA) has made progress in monitoring, forecasting FDs and heat waves remains a major challenge due to the temporal scale at which they develop and their low frequency of occurrence, making certain machine learning approaches difficult to apply. This study aims to assess the predictability of heat wave and FD events through the use of the Extreme Forecast Index (EFI) from the ECMWF ensemble model and the Artificial Intelligence Forecast System (AIFS). Additionally, the study will analyze the application of univariate and multivariate logistic regressions to atmospheric and soil variables from the ERA5-Land reanalysis to estimate the probability of FD occurrence. http://sedici.unlp.edu.ar:80/handle/10915/190723 Objeto de conferencia Blockchain application proposal to the pork supply chain in Misiones Congreso Argentino de Agroinformática (CAI 2025) - JAIIO 54 (Universidad de Buenos Aires, 4 al 7 de agosto de 2025) Las organizaciones se encuentran atravesando la cuarta revolución industrial, la industria alimentaria no se encuentra exenta a este fenómeno, sumado a una creciente demanda del público en tener trazabilidad desde el origen de lo que se consume. Se observa a la industria porcina como un mercado para llevar adelante esto, dado su situación en alza tanto a nivel país como en la provincia de Misiones y hacer uso de la tecnología podría ser la respuesta. Por ello, en el presente artículo, se realiza la propuesta de una cadena de producción trazable por medio de Blockchain para la industria porcina misionera, a fin de lograr un registro inalterable y consistente del orden, secuencia y tareas que se realizan en cada eslabón de la cadena productiva. Para esto, se hace uso de revisión de bibliográfica existente en la materia y entrevistas a distintos expertos, dando como resultado adicional un análisis de factibilidad de su aplicación desde aspectos tecnológicos, técnicos y económicos.; Organizations are going through the fourth industrial revolution, the food industry is not exempt from this phenomenon, added to a growing public demand for traceability from the origin of what is consumed. The pork industry is seen as a market to carry this out, given its rising situation both at the national level and in the province of Misiones and making use of technology could be the answer. Therefore, in this article, a traceable production chain is proposed through Blockchain for the Misiones pork industry, in order to achieve an unalterable and consistent record of the order, sequence and tasks carried out in each link of the production chain. For this, a review of existing bibliography on the subject and interviews with different experts are used, resulting in an additional feasibility analysis of its application from technological, technical and economic aspects. Wed, 01 Jan 2025 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/190723 2025-01-01T00:00:00Z Las organizaciones se encuentran atravesando la cuarta revolución industrial, la industria alimentaria no se encuentra exenta a este fenómeno, sumado a una creciente demanda del público en tener trazabilidad desde el origen de lo que se consume. Se observa a la industria porcina como un mercado para llevar adelante esto, dado su situación en alza tanto a nivel país como en la provincia de Misiones y hacer uso de la tecnología podría ser la respuesta. Por ello, en el presente artículo, se realiza la propuesta de una cadena de producción trazable por medio de Blockchain para la industria porcina misionera, a fin de lograr un registro inalterable y consistente del orden, secuencia y tareas que se realizan en cada eslabón de la cadena productiva. Para esto, se hace uso de revisión de bibliográfica existente en la materia y entrevistas a distintos expertos, dando como resultado adicional un análisis de factibilidad de su aplicación desde aspectos tecnológicos, técnicos y económicos. Organizations are going through the fourth industrial revolution, the food industry is not exempt from this phenomenon, added to a growing public demand for traceability from the origin of what is consumed. The pork industry is seen as a market to carry this out, given its rising situation both at the national level and in the province of Misiones and making use of technology could be the answer. Therefore, in this article, a traceable production chain is proposed through Blockchain for the Misiones pork industry, in order to achieve an unalterable and consistent record of the order, sequence and tasks carried out in each link of the production chain. For this, a review of existing bibliography on the subject and interviews with different experts are used, resulting in an additional feasibility analysis of its application from technological, technical and economic aspects. http://sedici.unlp.edu.ar:80/handle/10915/190722 Objeto de conferencia Imputation of missing genotypes using machine learning algorithms Congreso Argentino de Agroinformática (CAI 2025) - JAIIO 54 (Universidad de Buenos Aires, 4 al 7 de agosto de 2025) La imputación o inferencia de genotipos faltantes utilizando correlaciones entre variantes obtenidas a partir de paneles de referencia puede ser llevada a cabo por programas específicos basados en la utilización de información genética familiar y/o poblacional o mediante la implementación de algoritmos de machine learning. El objetivo de este trabajo fue evaluar la precisión en la imputación lograda mediante distintas estrategias de machine learning, tras comparar genotipos imputados con los obtenidos por genotipificación con un microarreglo de mediana densidad de SNPs. Sobre una base de datos con genotipos de 966 ovinos en 57.876 SNPs, con 53,4% de genotipos faltantes, se exploraron tres estrategias de imputación basadas en el algoritmo random forest. Un subconjunto de los genotipos imputados, correspondientes a 232 animales en 30.924 SNPs, fue comparado con genotipos obtenidos por genotipificación. El porcentaje de concordancia obtenido para las tres estrategias fue de alrededor de 60%. Este bajo porcentaje puede atribuirse a la gran cantidad de genotipos no asignados del archivo de partida. Una estrategia para aumentar la precisión de la imputación podría ser aumentar el número de animales en la población de referencia y, de este modo, reducir la proporción de genotipos faltantes en el conjunto de datos.; The imputation or inference of missing genotypes using correlations between variants obtained from reference panels can be carried out by specific programs that utilize family and/or population genetic information or by implementing machine learning algorithms. The objective of this study was to evaluate the imputation accuracy achieved using different machine learning strategies by comparing imputed genotypes with those obtained by genotyping with a medium-density SNP microarray. To compare the performance of three imputation strategies using the random forest algorithm, we analyzed a database containing 966 sheep genotyped at 57,876 SNPs, where 53.4% of the data was missing. A subset of the imputed genotypes, corresponding to 232 animals at 30,924 SNPs, was compared with genotypes obtained by genotyping. The percentage of concordance obtained for the three strategies was approximately 60%. This low percentage can be attributed to the large number of missing genotypes in the source file. One strategy for increasing imputation accuracy would be to increase the number of animals in the reference population and thus reduce the proportion of missing genotypes in the data set. Wed, 01 Jan 2025 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/190722 2025-01-01T00:00:00Z La imputación o inferencia de genotipos faltantes utilizando correlaciones entre variantes obtenidas a partir de paneles de referencia puede ser llevada a cabo por programas específicos basados en la utilización de información genética familiar y/o poblacional o mediante la implementación de algoritmos de machine learning. El objetivo de este trabajo fue evaluar la precisión en la imputación lograda mediante distintas estrategias de machine learning, tras comparar genotipos imputados con los obtenidos por genotipificación con un microarreglo de mediana densidad de SNPs. Sobre una base de datos con genotipos de 966 ovinos en 57.876 SNPs, con 53,4% de genotipos faltantes, se exploraron tres estrategias de imputación basadas en el algoritmo random forest. Un subconjunto de los genotipos imputados, correspondientes a 232 animales en 30.924 SNPs, fue comparado con genotipos obtenidos por genotipificación. El porcentaje de concordancia obtenido para las tres estrategias fue de alrededor de 60%. Este bajo porcentaje puede atribuirse a la gran cantidad de genotipos no asignados del archivo de partida. Una estrategia para aumentar la precisión de la imputación podría ser aumentar el número de animales en la población de referencia y, de este modo, reducir la proporción de genotipos faltantes en el conjunto de datos. The imputation or inference of missing genotypes using correlations between variants obtained from reference panels can be carried out by specific programs that utilize family and/or population genetic information or by implementing machine learning algorithms. The objective of this study was to evaluate the imputation accuracy achieved using different machine learning strategies by comparing imputed genotypes with those obtained by genotyping with a medium-density SNP microarray. To compare the performance of three imputation strategies using the random forest algorithm, we analyzed a database containing 966 sheep genotyped at 57,876 SNPs, where 53.4% of the data was missing. A subset of the imputed genotypes, corresponding to 232 animals at 30,924 SNPs, was compared with genotypes obtained by genotyping. The percentage of concordance obtained for the three strategies was approximately 60%. This low percentage can be attributed to the large number of missing genotypes in the source file. One strategy for increasing imputation accuracy would be to increase the number of animals in the reference population and thus reduce the proportion of missing genotypes in the data set. http://sedici.unlp.edu.ar:80/handle/10915/190721 Objeto de conferencia Automatic detection of centre-pivot irrigation from high-resolution satellite imagery in northern Buenos Aires (2016-2023) Congreso Argentino de Agroinformática (CAI 2025) - JAIIO 54 (Universidad de Buenos Aires, 4 al 7 de agosto de 2025) El riego por pivote central permite aumentar la productividad agrícola y adaptarse a la variabilidad climática ante la creciente demanda alimentaria y la escasez de agua. Este estudio analiza su expansión en el norte de la provincia de Buenos Aires, Argentina entre 2016 y 2023 mediante el uso de imágenes satelitales Sentinel-2 del programa Copernicus y algoritmos de detección automática. Se calcularon índices espectrales como el NDVI, EVI y WRI, que sirvieron como insumos para el modelo Grounding DINO. Este modelo combina la visión por computadora e inteligencia artificial (IA) basada en lenguaje natural y se adaptó para identificar los patrones circulares típicos del riego por pivote en una región caracterizada por vegetación continua que dificulta la detección automatizada. La metodología desarrollada permitió detectar un aumento del 159% en la cantidad de sistemas de riego durante el período de estudio, asociado a eventos de sequía agrícola que impulsaron su adopción. El modelo alcanzó una métrica F1-Score del 73,2%, que mostró su efectividad en la Pampa Húmeda. Los resultados demuestran que la integración de teledetección e IA permiten monitorear de forma eficiente la expansión de esta tecnología agrícola. Asimismo, se destaca la necesidad de continuar con los modelos de IA para mejorar la detección y caracterización de objetos geográficos, que contribuyan a una gestión sostenible de los recursos hídricos.; Center-pivot irrigation enhances agricultural productivity and adapts to climate variability amid growing food demand and water scarcity. This study analyzes its expansion in northern Buenos Aires Province, Argentina, between 2016 and 2023 using Sentinel-2 satellite imagery from the Copernicus program and automated detection algorithms. Spectral indices such as NDVI, EVI, and WRI were calculated and served as inputs for the Grounding DINO model. This model combines computer vision and natural language-based artificial intelligence (AI) and was adapted to identify the circular patterns typical of center-pivot irrigation in a region characterized by continuous vegetation, which complicates automated detection. The developed methodology detected a 159% increase in irrigation systems during the study period, linked to agricultural drought events that drove their adoption. The model achieved an F1-Score of 73.2%, demonstrating its effectiveness in the Pampa Húmeda region. The results show that integrating remote sensing and AI enables efficient monitoring of this agricultural technology's expansion. Furthermore, the study highlights the need to continue developing AI models to improve the detection and characterization of geographic features, supporting sustainable water resource management. Wed, 01 Jan 2025 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/190721 2025-01-01T00:00:00Z El riego por pivote central permite aumentar la productividad agrícola y adaptarse a la variabilidad climática ante la creciente demanda alimentaria y la escasez de agua. Este estudio analiza su expansión en el norte de la provincia de Buenos Aires, Argentina entre 2016 y 2023 mediante el uso de imágenes satelitales Sentinel-2 del programa Copernicus y algoritmos de detección automática. Se calcularon índices espectrales como el NDVI, EVI y WRI, que sirvieron como insumos para el modelo Grounding DINO. Este modelo combina la visión por computadora e inteligencia artificial (IA) basada en lenguaje natural y se adaptó para identificar los patrones circulares típicos del riego por pivote en una región caracterizada por vegetación continua que dificulta la detección automatizada. La metodología desarrollada permitió detectar un aumento del 159% en la cantidad de sistemas de riego durante el período de estudio, asociado a eventos de sequía agrícola que impulsaron su adopción. El modelo alcanzó una métrica F1-Score del 73,2%, que mostró su efectividad en la Pampa Húmeda. Los resultados demuestran que la integración de teledetección e IA permiten monitorear de forma eficiente la expansión de esta tecnología agrícola. Asimismo, se destaca la necesidad de continuar con los modelos de IA para mejorar la detección y caracterización de objetos geográficos, que contribuyan a una gestión sostenible de los recursos hídricos. Center-pivot irrigation enhances agricultural productivity and adapts to climate variability amid growing food demand and water scarcity. This study analyzes its expansion in northern Buenos Aires Province, Argentina, between 2016 and 2023 using Sentinel-2 satellite imagery from the Copernicus program and automated detection algorithms. Spectral indices such as NDVI, EVI, and WRI were calculated and served as inputs for the Grounding DINO model. This model combines computer vision and natural language-based artificial intelligence (AI) and was adapted to identify the circular patterns typical of center-pivot irrigation in a region characterized by continuous vegetation, which complicates automated detection. The developed methodology detected a 159% increase in irrigation systems during the study period, linked to agricultural drought events that drove their adoption. The model achieved an F1-Score of 73.2%, demonstrating its effectiveness in the Pampa Húmeda region. The results show that integrating remote sensing and AI enables efficient monitoring of this agricultural technology's expansion. Furthermore, the study highlights the need to continue developing AI models to improve the detection and characterization of geographic features, supporting sustainable water resource management. http://sedici.unlp.edu.ar:80/handle/10915/190720 Objeto de conferencia Satellite-ground linking for agronomic monitoring using the PlantAR application Congreso Argentino de Agroinformática (CAI 2025) - JAIIO 54 (Universidad de Buenos Aires, 4 al 7 de agosto de 2025) Se presenta PlantAR, una aplicación experimental de código abierto para smartphones diseñada para apoyar el monitoreo agronómico georreferenciado mediante la adquisición automatizada de imágenes terrestres vinculadas a puntos de interés detectados por imágenes satelitales. La aplicación permite capturas manuales o automáticas, acompañadas de metadatos temporales, geográficos y de sensores del dispositivo (acelerómetro y magnetómetro). Incluye un mapa en tiempo real y emite alertas sonoras que activan la captura automática al ingresar en un radio predefinido. Como prueba inicial, el trabajo se centró en automatizar la adquisición de imágenes georreferenciadas en zonas cercanas a rutas, vinculadas a series temporales NDVI obtenidas de imágenes satelitales. Las rutas fueron guiadas por coordenadas y áreas de interés cargadas en formato GeoJSON. Las imágenes terrestres fueron recolectadas y comparadas con la curva temporal de NDVI. Los resultados muestran una clara correspondencia temporal entre los estadios de crecimiento del cultivo y la evolución de la señal NDVI, respaldada por una correlación estadística con índices RGB calculados a partir de las imágenes terrestres, destacándose el índice cromático verde (GCC). PlantAR demostró ser una herramienta práctica y adaptable, con flexibilidad para capturar imágenes desde la ruta o en proximidad al cultivo. La aplicación constituye una solución escalable para el monitoreo visual de campos y establece una base sólida para futuros desarrollos en integración de datos satelitales y terrestres.; PlantAR is an open-source smartphone application designed to support georeferenced agronomic monitoring through the acquisition of ground-level images linked to points of interest detected via satellite imagery. The application allows manual or automated image capture, supported by temporal, geographic, and sensor metadata (accelerometer and magnetometer). It provides real-time mapping and audio alerts that trigger automatic image capture when entering a predefined radius. As an initial validation, the study focused on automating the acquisition of georeferenced ground-level images near roads, linked to satellite-based NDVI time series. PlantAR guided the acquisition based on coordinates and areas of interest loaded in GeoJSON format. Ground-level images were collected along designated routes and compared to the satellite-derived NDVI curve. The results show a strong temporal correspondence between the evolution of crop growth stages and the NDVI signal, supported by a statistical correlation with RGB indices (notably the Green Chromatic Coordinate, GCC) calculated from the terrestrial images. PlantAR proved to be practical and adaptable, offering flexibility to capture images from the road or in closer proximity to the crop. The application provides a scalable solution for visual field monitoring and serves as a foundation for future developments in satellite–ground data integration. Wed, 01 Jan 2025 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/190720 2025-01-01T00:00:00Z Se presenta PlantAR, una aplicación experimental de código abierto para smartphones diseñada para apoyar el monitoreo agronómico georreferenciado mediante la adquisición automatizada de imágenes terrestres vinculadas a puntos de interés detectados por imágenes satelitales. La aplicación permite capturas manuales o automáticas, acompañadas de metadatos temporales, geográficos y de sensores del dispositivo (acelerómetro y magnetómetro). Incluye un mapa en tiempo real y emite alertas sonoras que activan la captura automática al ingresar en un radio predefinido. Como prueba inicial, el trabajo se centró en automatizar la adquisición de imágenes georreferenciadas en zonas cercanas a rutas, vinculadas a series temporales NDVI obtenidas de imágenes satelitales. Las rutas fueron guiadas por coordenadas y áreas de interés cargadas en formato GeoJSON. Las imágenes terrestres fueron recolectadas y comparadas con la curva temporal de NDVI. Los resultados muestran una clara correspondencia temporal entre los estadios de crecimiento del cultivo y la evolución de la señal NDVI, respaldada por una correlación estadística con índices RGB calculados a partir de las imágenes terrestres, destacándose el índice cromático verde (GCC). PlantAR demostró ser una herramienta práctica y adaptable, con flexibilidad para capturar imágenes desde la ruta o en proximidad al cultivo. La aplicación constituye una solución escalable para el monitoreo visual de campos y establece una base sólida para futuros desarrollos en integración de datos satelitales y terrestres. PlantAR is an open-source smartphone application designed to support georeferenced agronomic monitoring through the acquisition of ground-level images linked to points of interest detected via satellite imagery. The application allows manual or automated image capture, supported by temporal, geographic, and sensor metadata (accelerometer and magnetometer). It provides real-time mapping and audio alerts that trigger automatic image capture when entering a predefined radius. As an initial validation, the study focused on automating the acquisition of georeferenced ground-level images near roads, linked to satellite-based NDVI time series. PlantAR guided the acquisition based on coordinates and areas of interest loaded in GeoJSON format. Ground-level images were collected along designated routes and compared to the satellite-derived NDVI curve. The results show a strong temporal correspondence between the evolution of crop growth stages and the NDVI signal, supported by a statistical correlation with RGB indices (notably the Green Chromatic Coordinate, GCC) calculated from the terrestrial images. PlantAR proved to be practical and adaptable, offering flexibility to capture images from the road or in closer proximity to the crop. The application provides a scalable solution for visual field monitoring and serves as a foundation for future developments in satellite–ground data integration. http://sedici.unlp.edu.ar:80/handle/10915/190719 Objeto de conferencia Comparison of spectral decompositions in locomotion time series Congreso Argentino de Agroinformática (CAI 2025) - JAIIO 54 (Universidad de Buenos Aires, 4 al 7 de agosto de 2025) Este trabajo se centra en comparación de tres métodos de detección y extracción de descomposición aditiva de ritmos en señales no estacionarias, con ruido con características cercanas a la correlación de largo alcance. Dos de estos métodos se basan en descomposición de tiempo frecuencia usando la transformada wavelet continua, (CWT y SST), óptimos para el caso no estacionario, y el tercero es (SSA), un método algebraico definido para señales débilmente estacionarias que descompone en valores singulares la matriz de trayectorias trasladadas por un paso fijo. El análisis comparativo reveló un ritmo circadiano robusto detectado por los tres métodos con las tres ventanas de suavizado. Sin embargo, la detección de ciclos ultradianos fue menos consistente, mostrando algunas diferencias entre los métodos, relativo al problema de definición del modelo del ruido asociado.; This work focuses on comparing three methods for detecting and extracting rhythms through additive decomposition in non-stationary signals with noise and characteristics similar to those of long-range correlation. Two of these methods are based on time-frequency decomposition using the Continuous Wavelet Transform (CWT) and the Synchrosqueezing Transform (SST), which are optimal for non-stationary cases. The third method is Singular Spectrum Analysis (SSA), an algebraic method for analysing weakly stationary signals, which decomposes the trajectory matrix into singular values. The comparative analysis revealed a robust circadian rhythm detected by all three methods across the three tested smoothing windows. However, the detection of ultradian cycles was less consistent, showing differences between the methods, mainly related to the challenge of defining the associated noise model. Wed, 01 Jan 2025 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/190719 2025-01-01T00:00:00Z Este trabajo se centra en comparación de tres métodos de detección y extracción de descomposición aditiva de ritmos en señales no estacionarias, con ruido con características cercanas a la correlación de largo alcance. Dos de estos métodos se basan en descomposición de tiempo frecuencia usando la transformada wavelet continua, (CWT y SST), óptimos para el caso no estacionario, y el tercero es (SSA), un método algebraico definido para señales débilmente estacionarias que descompone en valores singulares la matriz de trayectorias trasladadas por un paso fijo. El análisis comparativo reveló un ritmo circadiano robusto detectado por los tres métodos con las tres ventanas de suavizado. Sin embargo, la detección de ciclos ultradianos fue menos consistente, mostrando algunas diferencias entre los métodos, relativo al problema de definición del modelo del ruido asociado. This work focuses on comparing three methods for detecting and extracting rhythms through additive decomposition in non-stationary signals with noise and characteristics similar to those of long-range correlation. Two of these methods are based on time-frequency decomposition using the Continuous Wavelet Transform (CWT) and the Synchrosqueezing Transform (SST), which are optimal for non-stationary cases. The third method is Singular Spectrum Analysis (SSA), an algebraic method for analysing weakly stationary signals, which decomposes the trajectory matrix into singular values. The comparative analysis revealed a robust circadian rhythm detected by all three methods across the three tested smoothing windows. However, the detection of ultradian cycles was less consistent, showing differences between the methods, mainly related to the challenge of defining the associated noise model. http://sedici.unlp.edu.ar:80/handle/10915/190718 Objeto de conferencia Precipitation estimation using remote sensing and numerical simulation through neural networks Congreso Argentino de Agroinformática (CAI 2025) - JAIIO 54 (Universidad de Buenos Aires, 4 al 7 de agosto de 2025) La precipitación es uno de los componentes más importantes del balance hidrológico, y su cuantificación es esencial para el modelado preciso de dicho balance. Debido a la escasez de datos observacionales in situ, se recurre a sensores remotos para ampliar la cobertura espacial y temporal de las condiciones atmosféricas, y a modelos estadísticos o basados en aprendizaje automático que permiten vincular las variables sensadas con la precipitación. En este trabajo, se ha desarrollado un modelo para la estimación cuantitativa de precipitación utilizando redes neuronales profundas. La red neuronal se alimenta con datos de temperatura de brillo en el rango del infrarrojo proporcionados por el GOES-16, y se propuso también incluir pronósticos numéricos del agua precipitable provistos por el GFS. El modelo propuesto se entrena contra las tasas de precipitación instantáneas estimadas a partir del radar a bordo del satélite GPM. Los resultados al utilizar únicamente la temperatura de brillo fueron satisfactorios; sin embargo, al incorporar las simulaciones, las métricas en el conjunto de prueba mejoraron y se logró una mejor representación de los máximos de precipitación.; Precipitation is one of the most critical components of the hydrological balance, and its accurate quantification is essential for reliable modeling. Due to the limited availability of in-situ observational data, remote sensing is used to enhance the spatial and temporal coverage of atmospheric conditions. Additionally, statistical and machine learning models are employed to link remotely sensed variables with precipitation. In this work, a deep neural network model was developed for quantitative precipitation estimation. The network is fed with infrared brightness temperature data from the GOES-16 satellite, and numerical forecasts of precipitable water from the GFS were also considered as input. The proposed model is trained against instantaneous precipitation rates estimated from the GPM satellite’s onboard radar. Results using only brightness temperature as input were satisfactory; however, the inclusion of the numerical forecasts improved performance on the test dataset and allowed for a better representation of maximum precipitation. Wed, 01 Jan 2025 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/190718 2025-01-01T00:00:00Z La precipitación es uno de los componentes más importantes del balance hidrológico, y su cuantificación es esencial para el modelado preciso de dicho balance. Debido a la escasez de datos observacionales in situ, se recurre a sensores remotos para ampliar la cobertura espacial y temporal de las condiciones atmosféricas, y a modelos estadísticos o basados en aprendizaje automático que permiten vincular las variables sensadas con la precipitación. En este trabajo, se ha desarrollado un modelo para la estimación cuantitativa de precipitación utilizando redes neuronales profundas. La red neuronal se alimenta con datos de temperatura de brillo en el rango del infrarrojo proporcionados por el GOES-16, y se propuso también incluir pronósticos numéricos del agua precipitable provistos por el GFS. El modelo propuesto se entrena contra las tasas de precipitación instantáneas estimadas a partir del radar a bordo del satélite GPM. Los resultados al utilizar únicamente la temperatura de brillo fueron satisfactorios; sin embargo, al incorporar las simulaciones, las métricas en el conjunto de prueba mejoraron y se logró una mejor representación de los máximos de precipitación. Precipitation is one of the most critical components of the hydrological balance, and its accurate quantification is essential for reliable modeling. Due to the limited availability of in-situ observational data, remote sensing is used to enhance the spatial and temporal coverage of atmospheric conditions. Additionally, statistical and machine learning models are employed to link remotely sensed variables with precipitation. In this work, a deep neural network model was developed for quantitative precipitation estimation. The network is fed with infrared brightness temperature data from the GOES-16 satellite, and numerical forecasts of precipitable water from the GFS were also considered as input. The proposed model is trained against instantaneous precipitation rates estimated from the GPM satellite’s onboard radar. Results using only brightness temperature as input were satisfactory; however, the inclusion of the numerical forecasts improved performance on the test dataset and allowed for a better representation of maximum precipitation. http://sedici.unlp.edu.ar:80/handle/10915/190717 Objeto de conferencia Sustainable integrated management of agro-industrial waste Congreso Argentino de Agroinformática (CAI 2025) - JAIIO 54 (Universidad de Buenos Aires, 4 al 7 de agosto de 2025) La gestión sostenible de residuos agroindustriales presenta desafíos ambientales, económicos y logísticos. La creciente generación de residuos y su dispersión geográfica dificultan soluciones centralizadas para su gestión, la cual puede verse beneficiada por la adopción de modelos matemáticos y herramientas computacionales para optimizar la infraestructura y la eficiencia del sistema. En este contexto, los modelos de localización de instalaciones, gestión de inventarios y ruteo de vehículos son clave para mejorar la logística de recolección, reducir costos y minimizar el impacto ambiental. Esta investigación integra modelos de optimización, Sistemas de Información Geográfica (SIG) y ciencia de datos para apoyar la toma de decisiones en la localización de plantas de tratamiento y valorización de residuos. El estudio se focaliza inicialmente en el sudoeste de la provincia de Buenos Aires, considerando una red integrada de generación, acopio, reciclaje y tratamiento de residuos (incineración, pirólisis, biogás, compostaje, entre otros). Se busca minimizar costos, reducir la huella de carbono y maximizar el impacto social mediante el desarrollo de modelos matemáticos y el análisis espacial con SIG. Los resultados preliminares sobre la logística inversa para el caso particular de envases vacíos de fitosanitarios muestran un potencial de mejora significativa en eficiencia, reducción de costos y emisiones de CO₂. La integración de estas herramientas permite diseñar estrategias adaptadas a condiciones locales. Futuras líneas de trabajo incluyen la aplicación de esta metodología a otros residuos y regiones, fortaleciendo la sostenibilidad agroindustrial y la economía circular.; The sustainable management of agro-industrial waste presents environmental, economic, and logistical challenges. The increasing waste generation and its geographical dispersion hinder centralized management solutions, which could benefit from adopting mathematical models and computational tools to optimize the infrastructure and efficiency of the management system. In this context, facility location, inventory management, and vehicle routing models are key to improving collection logistics, reducing costs, and minimizing environmental impact. This research integrates optimization models, Geographic Information Systems (GIS), and data science to support decision-making in the location of treatment and recovery plants. The study initially focuses on the southwest of the Buenos Aires province, considering an integrated network of waste generation, collection, recycling, and treatment (incineration, pyrolysis, biogas, composting, among others). The objective is to minimize costs, reduce the carbon footprint, and maximize social impact through the development of mathematical models and spatial analysis with GIS. Preliminary results on reverse logistics for empty pesticide containers show significant improvements in efficiency, cost reduction, and CO₂ emissions. The integration of GIS and mathematical models allows for the design of strategies tailored to local conditions. Future lines of work include applying this methodology to other waste products and regions, strengthening agro-industrial sustainability and the circular economy. Wed, 01 Jan 2025 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/190717 2025-01-01T00:00:00Z La gestión sostenible de residuos agroindustriales presenta desafíos ambientales, económicos y logísticos. La creciente generación de residuos y su dispersión geográfica dificultan soluciones centralizadas para su gestión, la cual puede verse beneficiada por la adopción de modelos matemáticos y herramientas computacionales para optimizar la infraestructura y la eficiencia del sistema. En este contexto, los modelos de localización de instalaciones, gestión de inventarios y ruteo de vehículos son clave para mejorar la logística de recolección, reducir costos y minimizar el impacto ambiental. Esta investigación integra modelos de optimización, Sistemas de Información Geográfica (SIG) y ciencia de datos para apoyar la toma de decisiones en la localización de plantas de tratamiento y valorización de residuos. El estudio se focaliza inicialmente en el sudoeste de la provincia de Buenos Aires, considerando una red integrada de generación, acopio, reciclaje y tratamiento de residuos (incineración, pirólisis, biogás, compostaje, entre otros). Se busca minimizar costos, reducir la huella de carbono y maximizar el impacto social mediante el desarrollo de modelos matemáticos y el análisis espacial con SIG. Los resultados preliminares sobre la logística inversa para el caso particular de envases vacíos de fitosanitarios muestran un potencial de mejora significativa en eficiencia, reducción de costos y emisiones de CO₂. La integración de estas herramientas permite diseñar estrategias adaptadas a condiciones locales. Futuras líneas de trabajo incluyen la aplicación de esta metodología a otros residuos y regiones, fortaleciendo la sostenibilidad agroindustrial y la economía circular. The sustainable management of agro-industrial waste presents environmental, economic, and logistical challenges. The increasing waste generation and its geographical dispersion hinder centralized management solutions, which could benefit from adopting mathematical models and computational tools to optimize the infrastructure and efficiency of the management system. In this context, facility location, inventory management, and vehicle routing models are key to improving collection logistics, reducing costs, and minimizing environmental impact. This research integrates optimization models, Geographic Information Systems (GIS), and data science to support decision-making in the location of treatment and recovery plants. The study initially focuses on the southwest of the Buenos Aires province, considering an integrated network of waste generation, collection, recycling, and treatment (incineration, pyrolysis, biogas, composting, among others). The objective is to minimize costs, reduce the carbon footprint, and maximize social impact through the development of mathematical models and spatial analysis with GIS. Preliminary results on reverse logistics for empty pesticide containers show significant improvements in efficiency, cost reduction, and CO₂ emissions. The integration of GIS and mathematical models allows for the design of strategies tailored to local conditions. Future lines of work include applying this methodology to other waste products and regions, strengthening agro-industrial sustainability and the circular economy.