Blog

Inicio/Blog/

Producción de energía renovable gracias a los microbios de las aguas residuales

Producción de energía renovable gracias a los microbios de las aguas residuales

Este artículo tiene como objetivo describir un sistema novedoso de producción de energía que se va a implantar en la ciudad de Valladolid, dentro de la convocatoria 2019 de Subvenciones para Proyectos de Fomento de Economía Circular y Ecoinnovación en el municipio vallisoletano. Consiste en la utilización de pilas de combustible microbiano (MFCs) para conseguir la alimentación de pequeños dispositivos eléctricos de bajo consumo, a través de los microorganismos presentes en las aguas residuales. En la entrada anterior de nuestro blog, que os recomendamos ver aquí, ya dimos algunas pinceladas.

De esta forma se consigue por un la lado, proporcionar energía renovable a sensores situados en lugares inaccesibles, y por el otro, monitorizar la medición de parámetros de las aguas residuales a tiempo real.

 

¿Qué son y como funcionan las MFCs?

Las MFC son dispositivos bioelectroquímicos, que convierten la energía química, generada por los microbios de las aguas residuales, en energía eléctrica. Están formadas por un ánodo y cátodo, separados por un membrana. Cuando las aguas residuales llegan al ánodo se produce una reacción de oxidación de la materia orgánica en la que se va a generar electrones, protones y CO2. Los electrones son captados por el electrodo y transferidos por un circuito externo, provisto de una resistencia, donde se genera la energía. Los protones pasarán por la membrana de intercambio hasta el cátodo, donde al juntarse con el oxígeno del aire formarán agua depurada.

MFC

MFC

Esquema de una pila de combustible microbiana. Fuente: Science Direct.

Tipos y usos de las MFCs

Las MFsC son una tecnología experimental, en la que se han diseñados múltiples prototipos, que se pueden dividir en dos grades grupos:

  • MFCs de doble cámara.
  • MFCs de una cámara (anódica) y cátodo al aire.

Todos los modelos se están experimentando con el objetivo de conseguir resultados prometedores en varios ámbitos, como son: la generación de energía renovable, biorrecuperación y tratamiento de aguas residuales, etc.


Microbial Fuel Cell de doble cámara en forma de H (izq) y de una cámara y cátodo al aire (dcha).

¿Cómo se van a utilizar?

Las MFCs en la ciudad de Valladolid van a ser utilizadas (si todo sigue según lo previsto) en la red de aguas residuales, donde hasta el momento era difícil colocar dispositivos eléctricos, al ser sitios de difícil acceso y de complicado funcionamiento para otro tipo de energías renovables como son la solar o la eólica.

Tras el proceso previo de investigación en un laboratorio, se diseñará un modelo de MFC que se adapte a las condiciones de la red de alcantarillado. Será un dispositivo flotante de ánodo sumergido y cátodo al aire, alimentado por el flujo continuo de aguas residuales. A cada MFC se incorporará una placa de hardware libre Arduino y sensores para medir: la temperatura, el pH y la turbidez, cuya información será procesada automáticamente y enviada por vía telemática hasta su destinatario.

Esperamos en los próximos meses, haceros partícipes de la difusión del avance de este para nosotros, importante proyecto. Síguenos en nuestras redes sociales

.

Producción de energía renovable gracias a los microbios de las aguas residuales2020-10-06T19:11:10+00:00

LUCAS – microbiaL fUel Cells pAra Smartcities

Después de algún tiempo sin contaros vuestras novedades, volvemos con un nuevo post para informaros de alguno de los proyectos de Economía Circular en los que estamos trabajando.

Las pilas de combustible microbianas (MFC)

En esta ocasión, y acorde a la multidisciplinariedad y las ganas de innovar que caracterizan a nuestro equipo técnico, hablaremos del uso de pilas de combustible microbianas (microbial fuel cells – MFC). Se trata de una tecnología novedosa, mediante la cual es posible obtener pequeñas cantidades de energía de una forma limpia, basándose en la actividad vital de los microbios, concretamente las bacterias. Estos seres vivos oxidan la materia orgánica, generando una pequeña corriente eléctrica que puede ser suficiente para el funcionamiento de dispositivos eléctricos o electrónicos de bajo consumo. Se consigue así una nueva fuente de energía renovable y no contaminante, que tiene la principal ventaja con respecto a otras como la solar o la eólica, de no depender de factores externos como la luz solar o el viento, para la producción de energía. En este caso es suficiente con el «alimento» o sustrato que se aporta a las bacterias, en el ánodo de la MFC.

Se trata de una tecnología que ya se conoce desde algunos años, y sobre la que aún se sigue investigando. Actualmente, sus usos habituales se dan en los ámbitos de la biorremediación y la depuración de aguas residuales, ya que durante su funcionamiento reducen de forma importante la carga contaminante del agua. Desde Paraje Innovación y Consultoría queremos buscarle una aplicación que facilite su mayor desarrollo y conocimiento, a través de su aprovechamiento económico.

 

MFC esquema


Esquema de una pila de combustible microbiana. Fuente: Wikimedia commons.

La Economía Circular

Es por ello que, en busca de una fuente de financiación para el desarrollo de este proyecto, hemos presentado una propuesta a la convocatoria de Subvenciones para Proyectos de Fomento de Economía Circular y Ecoinnovación en el municipio de Valladolid en el año 2019. Ya se han celebrado tres ediciones de estas ayudas a proyectos del ámbito de la Economía Circular que impulsa el Ayuntamiento de Valladolid, en la primera de las cuales (2017), Paraje ya fue concesionaria a través de la iniciativa FUNGYBLE, sobre la que hablaremos en otra ocasión. Se trata de unas subvenciones que resultan fundamentales para el impulso de nuevas ideas que de otra manera sería muy complicado que pudiesen ser llevadas a cabo, especialmente por pequeñas empresas como nosotros. En esta ocasión hemos resultado de nuevo seleccionados, con un meritorio segundo puesto en cuanto a la puntuación global, lo cual nos anima para conseguir el objetivo que se busca con este proyecto. Así, lo hemos denominado LUCAS – microbiaL fUel Cells pAra Smartcities , estando encuadrado en la línea de acción 3 de la convocatoria: Estudios de investigación y/o proyectos demostrativos de nuevos productos o servicios y de reutilización de productos, dado el carácter eminentemente de I+D+i que conlleva.

 

Logo Economía Circular

Economía Circular en Valladolid.

El objetivo

Volviendo a la temática del proyecto, es conocido que las smartcities, con el claro ejemplo de nuestra ciudad, Valladolid, deben estar dotadas de una enorme red de sensores que permitan la recolección de datos de muy diversos tipos a tiempo real, con el fin de dotarles de esa inteligencia que les permitirá llevar a cabo una gestión moderna y optimizada. Estos sensores, para su funcionamiento, necesitan de energía eléctrica que debe serles aportada de alguna manera; en ocasiones, esta energía puede llegar desde una línea eléctrica cercana, una pila o batería convencional, o incluso desde un pequeño panel solar. Sin embargo, habrá ocasiones en que el sensor no esté ubicado en una zona expuesta a la luz o al viento (por ejemplo, en la red de alcantarillado) y por tanto no pueda serle suministrada energía limpia. Mediante este proyecto se pretende el desarrollo de MFCs que puedan suplir esta carencia, aportando a los dispositivos de control, una fuente energía respetuosa con el medio ambiente y que contribuya a la lucha contra el Cambio Climático.

 

 

MFC


Ejemplo de MFC experimental. Fuente: Penn State University.

Con el fin de llevarlo a cabo, hemos diseñado un proyecto consistente en distintas fases, desde la búsqueda de la configuración óptima de la MFC, el testeo de pilotos en primer lugar en los laboratorios de nuestro partner Itagra.CT (Centro Tecnológico Agrario y Agroalimentario), para posteriormente hacer pruebas demostrativas en nuestra ciudad en el entorno real; finalizaremos con un estudio de los costes de despliegue y mantenimiento de los dispositivos, a fin de evaluar su aplicabilidad.

Esperamos en los próximos meses, haceros partícipes de la difusión del avance de este para nosotros, importante proyecto. Síguenos en nuestras redes sociales.

LUCAS – microbiaL fUel Cells pAra Smartcities2020-04-12T19:46:26+00:00

Concurso «Renaturaliza tu ciudad» – Valladolid

El Ayuntamiento de Valladolid ha lanzado el I Concurso de ideas de participación ciudadana sobre renaturalización urbana «Renaturaliza tu ciudad» cuyo objetivo es el fomento de la participación ciudadana y la difusión pública del proyecto Horizonte 2020 URBAN GreenUP, en el que la ciudad participa, y de la Green Week europea, consiguiendo además la sensibilización de los ciudadanos en materias ambientales como el cambio  climático o la gestión de residuos y agua, entre otros. A continuación os mostramos un resumen de las bases del concurso, las cuales podréis consultar completas en este enlace.

jardín vertical concurso renaturalización urbana renaturaliza tu ciudad green week urban green up valladolid

Logo proyecto URBAN GreenUP

¿A quién está destinado el concurso?

A colectivos y no a personas individuales, existiendo dos categorías participantes (siempre con sede o actividad en la ciudad de Valladolid):

  • Centros educativos, pudiendo presentarse las clases por separado.
  • Otros colectivos y asociaciones de toda índole.

¿Cuáles son los requisitos de participación?

  • Proponer ideas para la renaturalización de espacios públicos (ej. plazas, barrios, calles…) o privados con visibilidad pública (ej. fachadas), claramente localizables y siempre ubicados en la ciudad de Valladolid.
  • Las ideas deben estar basadas en las conocidas como infraestructuras «verdes» y «azules» (o de gestión del agua en la ciudad). Algunos ejemplos de estas infraestructuras son los jardines verticales, los tejados verdes, la plantación de árboles, los huertos urbanos, etc.
  • Las ideas deben estar representadas de forma artística, mediante medios físicos (maquetas, póster, dibujo y pintura…) o digitales (vídeos, infografías…). Además, deben estar justificadas y descritas adecuadamente.
  • Las ideas han de cumplir en la medida de lo posible las tres siguientes características: originales, innovadoras y realistas.
jardín vertical concurso renaturalización urbana renaturaliza tu ciudad green week urban green up valladolid

Jardín vertical

¿Cómo puedo participar?

Para la presentación a concurso de cada idea, es necesario aportar la siguiente documentación:

  • Solicitud cumplimentada (Anexo I de las Bases).
  • Copia del DNI, NIF o pasaporte del representante del colectivo a concurso.
  • Idea representada artísticamente, acompañada de un nombre de colectivo, de idea o representante que permitan identificarla inequívocamente.
  • Fotografía tamaño A4 ó A5, en el que aparezca el colectivo o su representante mostrando la representación artística junto al cartel de la Green Week impreso (Anexo II de las bases).

Una vez preparada la propuesta completa, puede presentarse de dos formas:

  • Las ideas con representación física, en la conserjería de la sede de la Agencia de Innovación y Desarrollo Económico de Valladolid (C/Vega Sicilia 2 Bis bajo), en horario de mañana.
  • Las ideas con soporte digital, enviándolas al correo electrónico ugu@ava.es, acompañando la documentación en formato PDF.

¿Hasta cuándo puedo entregar nuestra propuesta?

Las propuestas podrán ser entregadas como máximo hasta el día 18 de mayo (15:00 para las ideas con representación física y 23:59 para las ideas con soporte digital).

¿Quién y como valora las propuestas?

Una comisión compuesta por miembros del Ayuntamiento de Valladolid y de entidades colaboradoras (entre ellos, algunos miembros de Paraje Innovación y Consultoría) realizará las funciones de jurado, valorando las propuestas mediante los siguientes criterios:

  • Idea: originalidad, impacto ambiental y social, grado de realismo en su aplicación, adecuación al concurso (hasta 50 puntos).
  • Representación de la idea: características técnicas y estéticas, modo de presentación, materiales empleados (hasta 50 puntos).

¿Cuáles son los premios?

  • Centros educativos:

Primer premio: actividad lúdico-cultural a definir por el Ayuntamiento de Valladolid, acorde con el número de participantes y edades.

Accésit con una aportación económica (300 €) para el centro educativo que acumule mayor puntuación en la suma de las propuestas de participación de las clases que presenten a concurso, que deberá emplearse en la financiación de acciones relacionadas con la/s propuesta/s de renaturalización presentada/s.

  • Otros colectivos y asociaciones de toda índole.

Primer premio: 500 €.

Segundo premio: accésit de 200 €.

¿Cuándo será la entrega de premios?

Se llevará a cabo en un acto público durante celebración de la Green Week europea que se celebra entre los días 21 al 25 de mayo de 2018, donde será obligatoria la presencia del representante o representantes de los colectivos ganadores.

¿Y si tenemos dudas?

En primer lugar, te recomendamos leer las bases completas que puedes descargar aquí; y si aún tienes dudas, dirígelas mediante correo electrónico a la dirección ugu@ava.es.

 

¡¡Desde Paraje Innovación y Consultoría os animamos a participar y os deseamos mucha SUERTE!!

Concurso «Renaturaliza tu ciudad» – Valladolid2020-04-12T19:26:34+00:00

Aplicación de la teledetección para evaluar el vigor vegetativo de las masas forestales

Introducción (n. de Luis Carlos Fernández García): en Paraje Innovación y Consultoría, contamos de vez en cuando con personas que buscan desarrollar sus capacidades profesionales en nuestra empresa, tras haber llevado a cabo su periodo de estudios. Así, contamos con personas en prácticas procedentes principalmente de la Universidad de Valladolid.  En esta ocasión contamos para este artículo enfocado en aplicaciones de la Teledetección en ámbitos forestales, con la colaboración de María Eugenia Martínez Tottil, Ingeniera Ambiental y recientemente egresada, con muy buenas calificaciones, del Máster en Tecnologías Avanzadas para el Desarrollo Agroforestal, que se imparte en la Escuela Técnica Superior de Ingenierías Agrarias de Palencia. Como ya sabréis los que nos seguís, una de nuestras principales áreas de actividad reside en la cartografía y las aplicaciones de los GIS y la teledetección en el sector agroforestal. Por ello el interés que suscita para nosotros este trabajo, del que fui Director. Sin más, a continuación podéis disfrutar de este interesante artículo y no dudéis en poneros en contacto con nosotros si deseáis más información sobre estos servicios, aplicables por ejemplo, a explotaciones forestales comerciales (choperas, etc.):


 

El seguimiento de masas forestales mediante teledetección

En este artículo se presenta de forma general los resultados obtenidos tras aplicar herramientas de teledetección en el seguimiento de medidas aplicadas a un bosque mediterráneo que venía sufriendo a lo largo de los años una disminución de su vigor vegetativo. Estos bosques, dentro de un contexto de cambio climático, donde el aumento de las temperaturas con el consiguiente aumento de la evapotranspiración de la vegetación y una disminución de la precipitación, pueden sufrir una serie de problemas como es el caso del decaimiento forestal, que conlleva a una impactos que atentan contra su sostenibilidad y su potencialidad para ser sumideros de carbono.

Dentro de este contexto se ha desarrollado el proyecto LIFE11 ENV/ES/535 – Operation CO2, en un bosque de pino silvestre (Pinus sylvestris) bajo manejo en Lleida, Cataluña, donde se han implementado cortas de adaptación al cambio climático a fin incrementar la fijación de carbono, entre julio y noviembre de 2015. Con el fin de evaluar que efectos han tenido dichas medidas, se han utilizado Índices de Vegetación obtenidos a partir de imágenes satelitales de libre distribución, gratuitas y desarrolladas para su aplicación agroforestal, como son las procedentes de los satélites Sentinel-2 y Landsat 7 y 8. Las fechas de análisis necesarias para la evaluación o seguimiento de las masas son lógicamente anteriores (2010, 2014 y 2015) y posteriores (2016 y 2017) a la realización de los trabajos forestales y de ello la necesidad de usar los tres satélites, ya que Sentinel-2 fue lanzado en 2015 mientras que Landsat 8 lo fue en 2013.

Zona estudio aplicación forestal de la teledetección

Zona de estudio aplicación forestal de la teledetección

Los índices de vegetación

Los índices de vegetación se pueden definir como parámetros calculados a partir de los valores de reflectancia obtenidos a partir de imágenes satelitales y que buscan extraer información relacionada con la vegetación minimizando otros factores externos como son las propiedades ópticas del suelo o la irradiancia solar. A partir de los índices de vegetación determinados se puede evaluar el vigor de la vegetación. Para el presente estudio se utilizaron dos índices, uno de los cuales es el más usado y conocido en teledetección durante las dos últimas décadas, el NDVI, y el SAVI, similar al anterior pero que busca minimizar el efecto de la reflectancia del suelo mediante la introducción de un factor L en la formula del NDVI. Estos índices utilizan los valores de reflectancia de las bandas del infrarrojo cercano y del rojo visible.

Corrección atmosférica y topográfica de las imágenes

Estos índices fueron diseñados para poder calcularse a partir de reflectancia de superficie (reflectancia BOA), es decir imágenes corregidas atmosféricamente, por lo que fue necesario procesar las imágenes Sentinel-2 empleando su algoritmo Sen2Cor, ya que dadas las fechas necesarias para el análisis, estaban disponibles entonces sólo en valores de reflectancia por encima de la atmósfera o reflectancia TOA (recordad que desde hace un par de meses es posible descargarlas en valores de reflectancia BOA: enlace). Este procesamiento no fue necesario para las imágenes Landsat ya que éstas se encuentran disponibles para su descarga ya con la corrección atmosférica realizada. Por otro lado, a fin de poder comparar imágenes de diferentes fechas también es necesaria la corrección del efecto atmosférico, por lo que este procesamiento tiene un doble objetivo.

Además, al tratarse de una zona con acusado relieve, se consideró necesario realizar una corrección topográfica con la que compensar las diferencias en la radiancia que detecta un sensor remoto como consecuencia de la distinta pendiente y orientación de las laderas. Por ello, todas las imágenes satelitales utilizadas pasaron también por este pre procesamiento.

Resultados

Una vez procesadas las imágenes se pudo determinar ambos índices de vegetación empleando la ecuación correspondiente para cada una de ellas, y finalmente fueron reclasificadas en cinco categorías (desde muy bajo a muy alto vigor) para facilitar la comparación visual de cada una de las imágenes, obteniéndose los siguientes resultados:

Secuencia NDVI 2010 - 2017

Secuencia NDVI 2010 – 2017

Secuencia SAVI 2010 - 2017

Secuencia SAVI 2010 – 2017

En los resultados mostrados por ambos índices, se puede evaluar claramente cómo ha ido evolucionando la masa forestal en términos de vigor vegetativo. Y es posible también identificar claramente las cortas ejecutadas entre julio y noviembre de 2015, que muestran sus efectos en la imagen del 2016. Así también tras dos años posteriores a las acciones implementadas, se puede inferir alguna mejora en el vigor de la vegetación del bosque, observando la imagen de 2017. Se aprecia que para la zona de estudio, ambos índices de vegetación presentan un similar comportamiento, difiriendo en su sensibilidad a la corrección topográfica.

Como podemos apreciar con los resultados obtenidos, la teledetección puede constituir una herramienta muy importarte para el seguimiento de la actividad vegetativa y la sanidad de los bosques, así como para la verificación de la funcionalidad de las medidas silvícolas aplicadas a las masas forestales. Por otro lado, la mejora en la resolución de las imágenes que se produce entre las procedentes del Landsat (30 metros sin pansharpening) y el Sentinel-2 (10 metros) constituye en sí misma un grandísimo avance en la adquisición de datos que como en este caso son de libre distribución.

Por último, indicaros que podéis acceder al trabajo completo en este enlace.

Aplicación de la teledetección para evaluar el vigor vegetativo de las masas forestales2017-08-11T13:21:58+00:00

Predicción de cosecha mediante Teledetección y Aprendizaje Automático

LA IMPORTANCIA DE LA PREDICCIÓN DE COSECHA

La predicción de cosecha es una herramienta que se ha mostrado muy útil a diversas escalas. Por ejemplo, permite a los operadores de mercados de futuros realizar sus operaciones con estimaciones objetivas de rendimientos, lo que les permite afinar más en sus transacciones. También permite a las agencias de ayuda contra el hambre a prever malas cosechas en países susceptibles de hambruna, con lo que se pueden realizar previsiones de envío de ayuda humanitaria. Así mismo, los operadores logísticos de productos agrícolas pueden organizar con antelación las necesidades de transporte en barcos, trenes, camiones, etc. También las empresas agroalimentarias pueden programar compras de unos u otros proveedores y, además, las compañías aseguradoras pueden hacer previsiones en cuanto al volumen global de desembolsos de posibles indemnizaciones. Por último, los gobiernos pueden hacer una mejor política de planificación agraria y ordenación de las políticas de mercado. Y a escala local, puede permitir al agricultor ajustar el uso de fertilizantes, ya que la cosecha esperada suele ser uno de los parámetros a contemplar de forma previa a cualquier recomendación de abonado.

ES UNA LABOR COMPLICADA

La predicción de cosecha es una labor ciertamente complicada. Modelizar matemáticamente el medio agrícola es un reto que se lleva abordando desde hace décadas. El problema reside en que este es un entorno complejo, afectado por multitud de variables (suelo, meteorología, nutrientes, plagas, manejo, etc.), muchas de ellas, a su vez, de difícil modelización. Por ejemplo, un cultivo puede ir evolucionando de forma óptima, pero sufrir una importante granizada cerca de la cosecha y echar al traste cualquier predicción previa. Está claro que es realmente improbable que un modelo matemático prediga algo así con antelación suficiente. En todo caso, en el campo agrario, como en muchos otros, hay que emplear en muchas ocasiones la máxima de “mejor una aproximación que una conjetura”.

Actualmente hay diversos modelos de predicción de cosecha. Unos son públicos, como Aquacrop, de la FAO (Organización de las Naciones Unidas para la Alimentación y la Agricultura), que es el que utiliza el Instituto Tecnológico Agrario de Castilla y León (ITACyL) para sus estimaciones; o el MARS (Monitoring Agricultural Resources), de la Unión Europea, que es el que usa la Comisión Europea para la gestión de la PAC. Otros son privados, y muchos otros son experimentales. Los modelos más conocidos usan fundamentalmente una aproximación estadística y meteorológica al problema, si bien los hay que integran también, por ejemplo, imágenes de satélite y muestreos a pie de campo.

UNA APROXIMACIÓN SIMPLE, QUE NO SIMPLISTA

En la empresa Paraje Innova nos propusimos el desarrollo de un modelo matemático de predicción de cosecha propio, con el fin de utilizarlo en diversas iniciativas que estamos poniendo en marcha. Para ello, nos planteamos la premisa de simplificar en lo posible los datos de partida, y utilizar la mejor tecnología a nuestro alcance para desarrollar dicho modelo.

Dado que la finalidad que se busca en el modelo es la de predecir, antes de finalizar la campaña (y preferiblemente con bastante antelación), la cosecha que se va a obtener, se necesitan varios elementos para lograrlo.

En primer lugar, unas variables en las que basar la predicción de cosecha. En este caso, se optó por utilizar reflectancia espectral del cultivo en varias fechas durante su desarrollo. Esta información espectral, es decir, de la energía reflejada por el cultivo en varias longitudes de onda, se puede captar desde diversas plataformas, pero siempre mediante sensores multiespectrales montados en aeronaves tripuladas, UAVs o RPAS (popularmente conocidos como drones), equipos manuales de campo, equipos embarcados en vehículos terrestres, o satélites.

En segundo lugar, un sistema de modelización. En este caso utilizamos una herramienta de gran actualidad, como es el software de “Aprendizaje Automático”, o “Machine Learning”, en inglés. Este tipo de software utiliza técnicas de inteligencia artificial para aprender a partir de ejemplos (clasificación) u ordenar elementos por similitud (agrupamiento o clustering), y se utiliza en aplicaciones tan dispares como la meteorología, la predicción de valores bursátiles, la recomendación de compras o los sistemas de conducción autónoma, entre muchos otros.

Y en tercer y último lugar, una amplia cantidad de campos con suficiente variabilidad en los que tomar datos, y de los que conociésemos con precisión la cosecha obtenida al final de la campaña, con el fin de poder ofrecer los datos necesarios para que nuestro modelo pudiese “aprender a predecir”. El Centro Tecnológico Agrario y Agroalimentario (ITAGRA.CT) dispone de una extensa red de campos de ensayo, entre los cuales se encuentran varios de trigo blando, tanto de variedades como de fertilización, en los que se encuentran decenas de microparcelas. Gracias a esto, se pueden capturar gran cantidad de datos de gran calidad con un despliegue moderado de recursos.

DESARROLLO DEL MODELO

Este primer modelo que se ha desarrollado se ha enfocado al trigo blando, y para elaborarlo se ha partido de los datos recopilados en dos campañas (2015 y 2016) en las microparcelas de cuatro campos de ensayo de trigo blando en secano situados en la provincia de Palencia, gestionados, como se ha indicado anteriormente, por ITAGRA.CT. En total supusieron 436 microparcelas de 10×1,2m, repartidas en dichos cuatro campos de ensayo, uno de variedades y tres de fertilización.

Durante la primera campaña se realizaron 3 vuelos con dron en 3 fechas clave del desarrollo del cultivo, coincidiendo con los meses de abril, mayo y junio. Las imágenes se captaron con un vehículo de ala fija operado por personal de la empresa palentina colaboradora en el proyecto, Überbaum Industrie, S.L. Este dron se equipó con una cámara multiespectral, capaz de capturar imágenes en las tres bandas del espectro visible (rojo, verde y azul), más el rojo extremo y el infrarrojo cercano, con una resolución de 4 cm.

Preparación de dron eBee de Überbaum para vuelo en campo de ensayo en Palencia

Personal de Überbaum instalando la cámara en el dron de ala fija.

Debido a la necesidad de poder relacionar los datos tomados en las distintas fechas en distintos vuelos, con distintas condiciones de iluminación y de operación, se realizó una calibración geométrica y radiométrica de las imágenes. La calibración geométrica se efectuó mediante el uso de dianas y un GPS Leica 1200 conectado a la red GNSS del ITACyL, alcanzando errores inferiores a 5 cm en los ejes XYZ. En cuanto a la calibración radiométrica, se realizó mediante el uso de dianas radiométricas y un espectrorradiómetro de campo ASD Fieldspec, con la colaboración de miembros del Grupo de Óptica Atmosférica de la Universidad de Valladolid (GOA-Uva).

Toma de datos geométricos en dianas de campo de ensayo en Palencia

En primer plano, Luis Carlos Fernández, de Paraje Innova, tomando puntos de apoyo con un GPS para la calibración geométrica de las imágenes. Imagen de fondo, ortofoto en visible de uno de los campos. Se observan en la parte superior izquierda las dianas radiométricas (de colores), y en el centro y derecha, las utilizadas para corrección geométrica (con cruces).

Toma de dato radiométricos en dianas de campo de ensayo en Palencia

Ramiro González Catón y Cristian Velasco Merino, del GOA-Uva, midiendo con espectroradiómetro reflectancias en paneles de colores para la calibración radiométrica de las imágenes. A la derecha de la fotografía se ve parcialmente un panel de los utilizados para la calibración geométrica.

Se trataron las imágenes obtenidas en los vuelos utilizando un software de procesado fotogramétrico, gracias al cual se generaron los mosaicos u ortofotos de cada campo en cada fecha y para cada banda indicada anteriormente. A partir de dichos mosaicos se calcularon mediante software de Sistemas de Información Geográfica (SIG), diversos índices de vegetación. Estos índices son combinaciones, relaciones matemáticas, derivadas de las propiedades de reflectancia de la vegetación y su entorno, en dos o más longitudes de onda, y están diseñados para realzar una o varias propiedades de la vegetación. El más “popular” es el NDVI, que representa la relación entre la resta del valor del infrarrojo cercano menos el valor del canal rojo y la suma de las mismas longitudes de onda. Este índice está directamente relacionado con la actividad fotosintética. Para este proyecto se calcularon, además del NDVI, otros índices como EVI, GNDVI y SAVI, entre otros.

Al final de la campaña, ITAGRA.CT proporcionó, entre otros parámetros, los resultados del rendimiento en grano obtenido por cada microparcela en cada uno de los campos, en kg/ha al 13-14% de humedad.

Todos los datos recopilados esta campaña se introdujeron en el software de aprendizaje para el desarrollo del modelo. La generación de este modelo no es totalmente automática. Existen gran cantidad de algoritmos disponibles que funcionan mejor o peor según el tipo y características de los datos de entrada, y a su vez estos admiten también gran cantidad de parámetros. Por otro lado, los datos de entrada también son susceptibles de ser preprocesados y filtrados. Así pues, el proceso de aprendizaje automático es relativamente complejo.

RESULTADOS OBTENIDOS EN LA PRIMERA CAMPAÑA

Tras diversas pruebas con distintas combinaciones de bandas espectrales e índices de vegetación, se pudo comprobar que el índice NDVI es el que mejor funciona para esta aplicación.

Para comprobar la validez del modelo se hicieron tres rondas de pruebas. Dos utilizando los índices NDVI de las tres fechas (abril, mayo y junio), y una utilizando solo las de las dos primeras fechas (abril y mayo). En cada una de ellas se generó el modelo, utilizando validación cruzada (cross-validation, en inglés), y sin contar con los datos de 6 ó 7 microparcelas “test”, en cada caso distintas, y tomadas al azar de dos de los campos, y se indicó a cada modelo que predijese los rendimientos para esas microparcelas “desconocidas”. Los resultados se muestran en los Gráficos 1 al 3.

Resultados del primer test, utilizando los índices NDVI de tres fechas y con datos de 6 microparcelas de test. La fecha de la predicción es el 2 de junio. Correlación 94,20%. Error absoluto medio 404,64. Todos los valores en kg/ha.

Resultados del segundo test, utilizando los índices NDVI en tres fechas y con datos de 7 microparcelas de test. La fecha de la predicción es el 2 de junio. Correlación 97,53%. Error absoluto medio 183,88. Todos los valores en kg/ha.

Resultados del tercer test, utilizando los índices NDVI de dos fechas y con datos de 7 microparcelas de test. La fecha de la predicción es el 6 de mayo. Correlación 99,00%. Error absoluto medio 218,98. Todos los valores en kg/ha.

METODOLOGÍA DE LA SEGUNDA CAMPAÑA

En la campaña 2015-2016 se simplificó el sistema de captura de datos. Visto que el mejor índice para desarrollar el modelo era el NDVI, se optó por hacer directamente las mediciones de éste microparcela por microparcela, en los 2 campos de ensayo seleccionados para esa campaña. Para ello se contó con un equipo muy conocido en el sector, un GreenSeeker de Trimble cedido por ITAGRA.CT. Este equipo emite ráfagas de luz roja e infrarroja hacia el cultivo, y detecta la porción de luz de cada tipo que es reflejada. A partir de esos datos ofrece el índice NDVI. Dado que el equipo emite su propia luz, no es necesario someterlo a calibraciones según las condiciones lumínicas existentes, por lo que las mediciones hechas con este aparato son siempre comparables entre sí.

NDVI GreenSeeker ensayo trigo Palencia

Alberto Sanz, de Paraje Innova, realizando mediciones del NDVI mediante el GreenSeeker.

En este caso se hicieron mediciones en abril y junio en uno de los campos, y en abril, mayo y junio en el otro, midiendo el NDVI de cada microparcela. Al igual que en la campaña anterior, desde ITAGRA.CT se proporcionaron los datos de rendimiento en grano obtenido en cada microparcela. Con toda esta información, se procedió a hacer nuevas pruebas en el software de aprendizaje automático.

RESULTADOS OBTENIDOS EN LA SEGUNDA CAMPAÑA

En primer lugar se comprobó la robustez del modelo obtenido en 2015. Para ello se probó dicho modelo con los valores de NDVI obtenidos en 2016 en un campo de testeo. Como resultado se obtuvo una predicción con un error absoluto medio de aproximadamente 329 kg/ha y un ajuste entre predicción y realidad del 56,9%. Es decir, la predicción de cosecha empeora sensiblemente entre campañas, como era de esperar.

En segundo lugar se unificaron los datos de todos los campos y de ambas campañas. Con esta base de datos ampliada se generaron varios modelos de predicción de cosecha que se mejoraron también mediante validación cruzada.

En este punto conviene indicar que existen dos principales problemas de cara a predecir el rendimiento de un campo a partir de varios valores NDVI. El primero, es que los valores de este índice son siempre relativos, salvo que se calibren las fuentes de adquisición o las imágenes adquiridas para cada condición lumínica. El segundo, es que no siempre podemos tomar los datos en las mismas fechas o en el mismo estado fenológico exacto del cultivo, de un año para otro.

En este proyecto, el primer problema se solventó como se indicó anteriormente, mediante el uso de datos calibrados, y el segundo, mediante la consideración en los datos de partida que alimentan el modelo de una referencia temporal de la medición del índice NDVI en cada campo. Aplicando este sistema se ha obtenido un nuevo modelo resultante de ambas campañas con un ajuste de un 95,5% y un error medio absoluto de 254 kg/ha.

Predicciones de rendimiento realizadas en los cuatro campos de ensayo durante las campañas de 2015 y 2016. En el eje horizontal, los pesos reales obtenidos en cada microparcela. En el eje vertical, los predichos por el modelo.

PRÓXIMOS PASOS

Viendo el comportamiento del modelo, puede deducirse que el uso del índice NDVI durante la campaña es una buena herramienta para predecir el rendimiento en cosecha que se va a obtener del trigo blando en secano. Como se ha indicado con anterioridad, el estudio ha sido desarrollado en un entorno limitado, tanto en tiempo (dos campañas) como en espacio (4 campos de ensayo en la provincia de Palencia). Es nuestro deseo ampliar la zona y periodo de estudio, así como disminuir la escala de trabajo, utilizando también imágenes de satélite, para poder utilizar el modelo en grandes extensiones.

Por otra parte, creemos de gran interés el desarrollo de modelos de predicción de cosecha para otros cultivos herbáceos, como la cebada, el centeno, la avena o el maíz, o leñosos, como el viñedo. En este último caso para al algo tan necesario como prever aforos y poder organizar la vendimia.

Hasta aquí, el importante esfuerzo en horas y equipos tanto de Paraje Innova como de las entidades citadas y de sus técnicos, que ha dado como resultado un modelo de predicción de cosecha que promete ser válido para el fin previsto. El modelo necesita continuar su desarrollo para conseguir alcanzar una más perfecta calibración, exactitud y precisión, además de poderse aplicar a otros cultivos. Para esta siguiente fase los promotores esperan el apoyo de organizaciones o entidades que puedan sentirse interesadas en este desarrollo.

A todos los técnicos y entidades que han colaborado en este proyecto, nuestro más profundo agradecimiento por su apoyo y estímulo.

Predicción de cosecha mediante Teledetección y Aprendizaje Automático2017-07-31T12:21:13+00:00

IX Clinic de cartografía de orientación

Clinic CARTOFEDO 2016

El fin de semana del 27 y 28 del pasado mes de noviembre, se llevó a cabo en el magnífico entorno del Castillo de San Servando (Toledo) el IX Clinic de Cartografía, CARTOFEDO 2016. Este evento, que se viene realizando desde 2007  organizado por el Comité de Cartografía de la Federación Española de Orientación, consiste en celebrar una reunión para cartógrafos de este deporte, contando en esta ocasión con 28 asistentes. En este congreso se tratan las últimas técnicas y novedades cartográficas relacionadas con la confección de los mapas de orientación, los singulares y en mi opinión casi artísticos o – mapas, sobre los que podéis encontrar más información aquí. Así, tienen lugar ponencias que versan por ejemplo, desde el software para su creación, los dispositivos móviles asistidos por GPS para ayudar en el duro trabajo de campo, y por supuesto, sobre las distintas fuentes cartográficas disponibles para su elaboración.

Toledo

Río Tajo, Toledo.

 

Ponencias

Este año, como siempre, el programa contenía un gran número de intervenciones relevantes, cuyas presentaciones estarán próximamente a disposición de cualquier interesado en la página web de la FEDO. (n. del a.: las ponencias ya se pueden descargar desde el enlace:  http://www.fedo.org/web/cartografia/ponencias). A continuación, un escueto resumen de las mismas:

  • Introducción histórica de los Clinics precedentes, a cargo de Javier Arufe.
  • Planes LiDAR del IGN, impartida por J. Carlos Ojeda, técnico de la institución, que habló tanto del manejo esta tecnología (incluyendo software) como de la cartografía disponible actualmente. Muy interesantes resultaron los planes futuros del Instituto Geográfico Nacional, como son los nuevos vuelos PNOA – LiDAR de 1 y 2 puntos por metro cuadrado, la captación del infrarrojo para distinguir la vegetación, etc.
  • Los ficheros LAS desde dentro, todo un viaje al interior de este formato de distribución de datos LiDAR y sus implicaciones informáticas, por Javier Arufe.
  • La impresión digital de o – mapas, por Santiago Chóliz.
  • El empleo de cartografía del Catastro de urbana para la realización de los mapas base para la disciplina de sprint, por L. Alberto Jiménez.
  • La creación de mapas de la disciplina rogaine y cuestiones sobre la generalización y la simbología en los o – mapas, a cargo de Pablo F. Liria.
  • La creación de mapas base (con vegetación, cortados, arroyos, curvas de nivel y sombreados) a partir de datos LiDAR manejados con software libre (o al menos parcialmente) como SAGA, QGIS y LasTools. Arturo Murúa, autor del blog NABESAR y de magníficos tutoriales para el tratamiento de la información que animamos a leer y que podéis encontrar en dicha página web, impartió esta ponencia.
  • Experiencias en el manejo de Open Orienteering Mapper para Android y en la realización de todo un proyecto cartográfico mediante la versión de escritorio de ese mismo software, por parte de Daniel Mayoral, autor del blog Orienta – TIC.
  • El proyecto de la Colmena Cultural, similar al geocaching con códigos QR.
  • El software OCAD 12 y la gestión de los Modelos Digitales de Elevaciones, haciendo hincapié en la importación de datos LiDAR y la creación de Modelos Digitales del Terreno (MDT) y Modelos Digitales de Superficies (MDS), a cargo de Javier Arufe. Él mismo impartió después una ponencia sobre sus experiencias de trabajo de campo en la realización de mapas de disciplina O – BM.
  • Cartografía para la promoción de la orientación en centros escolares, por Juan Plata.

 

Nueva cartografía y técnicas para la elaboración del mapa base: Sentinel-2

Esta vez, al igual que en los precedentes VIII Clinic CARTOFEDO 2015 y el XIII Curso Nacional de Cartografía Nivel II, donde mis intervenciones se centraron en el manejo de datos LiDAR del PNOA empleando sotware libre para la confección de los mapas base y la definición del parámetro runnability (penetrabilidad de la vegetación), fui invitado a impartir una ponencia.

En esta ocasión, hablé en parte sobre una de las fuentes de datos de libre disposición que pueden ser de utilidad en la confección de los mapas y con las que en Paraje Innovación y Consultoría estamos trabajando mucho en los últimos meses, junto con las escenas del satélite Landsat 8. Se trata de las imágenes del satélite Sentinel-2, que gracias a su buena resolución espacial (10 metros), temporal (5 – 10 días) y espectral, junto con la mayor disponibilidad y facilidad de manejo que nos brindan los avances de Internet y el desarrollo del software open source, suponen un gran avance tanto cartográfico como para la obtención de datos de interés para el medio natural, agrícola y forestal.

Además de indicar en qué consiste esta fuente de información, desde dónde descargarla y sus posibles aplicaciones en algunas disciplinas de la orientación, se mostraron ejemplos de tratamiento de las bandas de las que se componen las imágenes del satélite, procesándolas «en directo» mediante QGIS obteniendo composiciones RGB (bandas 4, 3, 2) e índices de vegetación (NDVI).

Navaleno

Composición ortofotografía, imagen RGB Sentinel 2 y o-mapa de Navaleno (Soria).

 

SVF: visualización de datos LiDAR

Una vez analizadas la usabilidad y las ventajas que proporciona esta información sobre todo en cuanto a actualización de las imágenes y la zonificación de eventos (incendios, tratamientos selvícolas…) que pueden alterar el terreno donde se va a disputar la carrera, se plantearon posibles combinaciones (a futuro) de esta información tratada conjuntamente con los datos LiDAR. Esta fusión de informaciones dio pie a hablar sobre las nuevas formas de visualización mejorada de los sombreados de MDT y MDS obtenidos a partir de sus nubes de puntos, empleando la metodología Sky View Factor (SVF) desarrollada por el Institute of Anthropological and Spatial Studies de Eslovenia (más información en este enlace).

Para terminar, un comentario sobre el aumento del rendimiento en la creación de mapas base que pueden proporcionar las nuevas tecnologías, a pesar de su necesaria curva de aprendizaje.

Urbasa

Aplicación de SVF a MDT de 2 m de resolución obtenido a partir de PNOA – LiDAR, en Urbasa (Navarra).

 

Como puede verse, destacó por el número de ponencias implicadas y entre otras temáticas, el empleo de los datos LiDAR y otras fuentes para el mapa base, el uso del software libre y la introducción en la cartografía de orientación de los Sistemas de Información Geográfica (GIS) como alternativa a los software específicos de o – mapas. En conjunto, resultó una reunión en la que se transmitió y recibió gran cantidad de información muy aprovechable en distintos ámbitos de la cartografía (no sólo de orientación). Esto, unido al habitual buen ambiente reinante en el entorno de este sano deporte y la fantástica organización, hizo que resultase un fin de semana de lo más agradable. Agradecer al Comité de Cartografía y en especial a Mario Vidal, su invitación para participar en este interesante evento.

Asistentes

Algunos de los asistentes al Clinic Cartofedo 2016.

 

IX Clinic de cartografía de orientación2017-05-25T11:35:48+00:00

Big Data y Data Mining en la agricultura. Se aproxima el punto de inflexión

Pocos dudan, al menos entre los que conocen algo del tema, que la utilización del Big Data y Data Mining en la agricultura son claves para su desarrollo. Por el momento son términos de los que se abusa cada vez más en Internet, conferencias, publicaciones y medios de comunicación, y en cierto modo su mención parece cada vez más una moda pasajera.

Pero lo cierto es que lo que quedará en el recuerdo es haber estado en boca de periodistas, expertos y gurús tecnológicos, mientras que las aplicaciones de estas tecnologías perdurarán, casi transparentes a nuestros ojos, pero unidas de forma definitiva a nuestras vidas.

tendencia big data

Interés de la expresión «Big Data» en Google en los últimos 5 años, de acuerdo con Google Trends.

Pero antes de entrar a analizar en qué punto se encuentran en mi opinión estas tecnologías en nuestro sector, haremos una pequeña introducción sobre las mismas.

Qué son Big Data y Data Mining

Big Data, que podríamos traducir como datos masivos, son sistemas que se ocupan de manipular grandes cantidades de datos (captarlos, almacenarlos, utilizarlos, etc.). El aprovechamiento de dichos datos se apoya en diversas tecnologías, entre las que se encuentra el Data Mining o minería de datos. A su vez, la minería de datos se apoya en otras técnicas y ciencias, entre las que se encuentran la estadística y el Machine Learning o aprendizaje automático. Este último lo constituyen sistemas matemáticos capaces de detectar patrones ocultos en los datos, así como generar modelos a partir de datos de ejemplo que les permitan clasificar nuevos datos desconocidos.

Gran cantidad de datos se vienen acumulando desde tiempos inmemoriales, tanto por administraciones, como empresas e incluso particulares, si bien su explotación y aprovechamiento eran realmente complicados, ya que cualquier utilización pasaba por revisiones manuales realizadas por humanos, con las limitaciones que tenemos en cuanto a rapidez, paciencia, capacidad de detectar patrones y posibilidad de cometer errores. Esto hacía que cualquier actividad de explotación de datos fuese lenta, cara y poco efectiva, por lo que o no se hacía o se hacía en contadas ocasiones. Esta situación se mantiene en ciertos sectores, mientras en otros, ya ha evolucionado.

Para esta evolución, dos cosas claves han cambiado:

  • El descenso radical del coste de manipulación y almacenamiento de datos, gracias a la masificación de la tecnología digital y a Internet;
  • y la disponibilidad de grandes potencias de cálculo a un coste asequible.

A esto se une una tercera: la disponibilidad de grandes cantidades de datos accesibles a través de Internet, obtenidos desde sensores (movimiento de boyas marinas, estaciones meteorológicas, sensores de tráfico en las carreteras,…), desde instituciones (mercados de valores, centros de estadística,…), o desde redes sociales y otras plataformas online (comentarios en Facebook, fotos subidas a Instagram, datos de compras online,…), etc.

La conjunción de estos factores ha detonado el boom de estas tecnologías, que actualmente se están utilizando en temas tan dispares como las predicciones meteorológicas, la conducción autónoma, el reconocimiento de objetos o la inversión en bolsa.

Big Data en la agricultura: Sí, pero todavía no

Chris Hasdwick dio en el clavo en una entrevista en 2012:

“Ya no estamos en la era de la información. Estamos en la era de la gestión de la información.”

Si echamos un vistazo al proceso que engloba el Big Data, veremos que es un proceso cíclico en que los datos entran, se normalizan, se analizan mediante técnicas de minería de datos (como el aprendizaje automático) y se almacenan. Como resultado obtenemos información utilizable en nuestra explotación, siendo necesario que ésta sea limpia, precisa, relevante y oportuna.

Proceso Big Data

Proceso de gestión del Big Data. Elaboración: Alberto Sanz.

Analicemos el proceso por partes, y evaluemos si en nuestro sector se está cumpliendo este esquema de funcionamiento.

Adquisición de datos masivos

Hasta no hace mucho, la captura de información de un agricultor consistía habitualmente en ver cómo crecía el cultivo en el campo del vecino. Si lo veía mejor que el suyo, y la relación con el vecino era buena, le preguntaba sobre cuándo había fertilizado y con qué, qué semilla había utilizado o a qué dosis había sembrado, por ejemplo, con el fin de mejorar su propio cultivo en futuras campañas. Probablemente el vecino había hecho lo mismo con otro vecino anteriormente, o bien había probado diversas opciones mediante ensayo-error, o bien se había asesorado en libros, revistas sectoriales, boletines agrarios, foros, jornadas, o con algún técnico en la materia.

Actualmente, en la explotación agrícola media, al menos en mi querida región, el sistema no ha cambiado demasiado, y lo cierto es que aunque es un sistema de «captura y gestión de la información» que puede funcionar medianamente bien, está lejos de ser efectivo. En plena era digital el campo está un paso por detrás en estos temas, y eso que la disponibilidad y gestión de la información es al menos tan importante como en otros sectores como el industrial o el de servicios.

El agricultor necesita su tiempo para otras labores

El agricultor es en general muy reacio a tomar datos sistemáticos sobre su explotación. Es un proceso costoso en tiempo y recursos que no suele tener recompensa a corto plazo, por lo que no lo ven como una inversión interesante. Y no les falta razón. Es necesaria una automatización en la toma de datos, hacer el proceso transparente para el agricultor. Y se ha de aspirar a que esta sea tan eficiente como las que se están instaurando o se han instaurado en otros sectores.

Desde hace años, más o menos de forma principal en los 90s, han entrado en escena diversos sistemas de captura de datos aplicados en la denominada Agricultura de Precisión. Desde sensores de rendimiento en cosechadoras, a muestreadores automáticos de suelos, a sensores de vigor vegetal, humedad o temperatura en tiempo real.

Nota: Hace 14 años (2002) escribí un pequeño informe interno para Itagra en el que se hacía un breve repaso a lo que había en el sector en aquél momento. Si alguien tiene curiosidad puede leerlo en este enlace.

También desde hace años están disponibles gran cantidad de satélites con sensores multiespectrales, y últimamente han entrado en escena los drones, que se han convertido en muchos casos en un auténtico hype (permítanme el anglicismo), y que desde Paraje hemos utilizado en diversas ocasiones para la toma de datos, como por ejemplo en este caso.

Yara N sensor

Yara N sensor

Como vemos, hay multitud de potenciales fuentes de datos, pero sigamos adelante en el diagrama expuesto.

Normalización y estandarización de los datos

El Big Data se construye desde el Small Data. Es decir, un verdadero despliegue del Big Data y Data Mining en la agricultura requiere que multitud de datos locales, a nivel parcela, estén disponibles para la «comunidad».

Por ejemplo, si dispongo de una red de sensores que, junto con un software determinado, predicen la probabilidad de aparición de una plaga o enfermedad en mi parcela, pero en las parcelas de alrededor no disponen de dicho sistema, o lo que es peor, su sistema no es compatible con el mío, y por lo tanto no se comunican, ante una plaga que avanza desde las parcelas vecinas actuaré en mi cultivo reactivamente, y no preventivamente, que es lo deseable.

Otro planteamiento. Si yo dispongo de un medidor de cosecha instalado en mi cosechadora, ¿la información recogida es compatible con el resto de mis equipos? ¿Puedo compartir dicha información con un contratista que va a hacerme determinada labor con una máquina de otro fabricante distinto al de la mía? ¿Alguien (o algo) se ha preocupado de calibrar el equipo de medición antes de cada labor de cosecha para asegurarse de que los datos recogidos son precisos y comparables con los tomados por otros sensores?.

No tenemos – aun – Big Data

Mike Duncan, investigador canadiense experto en agricultura de precisión lo definía perfectamente en una entrevista en febrero de este año:

[En agricultura] no podemos hablar realmente de Big Data. Si quieres ver Big Data, ve a una central bancaria. Podrás sentarte allí y observar como millones de transacciones fluyen por sus sistemas cada hora. Eso es Big Data, y nosotros [el sector agrario] no tenemos nada que se asemeje a eso».

Y eso (el Big Data en las transacciones bancarias), es posible gracias a la estandarización de los formatos de datos, de forma que los datáfonos de los comercios, los cajeros electrónicos, y los sistemas informáticos de cualquier entidad hablan el mismo idioma.

Lo mismo sucede con el coche autónomo. La base del sistema es que en un futuro no muy lejano todos los vehículos y las infraestructuras viarias se comuniquen entre sí, para lo cual todas las marcas y la Administración deberán acordar un sistema estándar de comunicación y respetarlo. ¿Es factible esto en la agricultura en la que predominan los sistemas verticales y la incompatibilidad?. ¿Todas las marcas respetan, por ejemplo, la norma ISOBUS?. ¿Vemos factible la implantación masiva de tractores totalmente autónomos que no compartan información con otros aperos o tractores porque son de otra marca?.

¿Aparecerá el VHS de la agricultura que desplace a todos los sistemas Betamax?.

En definitiva,

  • en lo que no haya una masa crítica de usuarios que dispongan, y utilicen, tecnología de toma de datos automatizada en sus explotaciones,
  • y en lo que esos sistemas de captura, análisis y utilización de los datos no sean compatibles entre sí,
  • y en lo que no haya métodos de comunicación efectivos entre todos esos sistemas en el mundo rural, no podremos hablar de Big Data y Data Mining en la agricultura.

Minería de Datos

Siguiendo el diagrama propuesto, llegamos a la fase de la Minería de Datos. En este punto nos encontramos con una falta importante de modelos matemáticos.

El valor de los datos, como he indicado antes, reside en la posibilidad de aprender de ellos, detectar patrones y tendencias, y aplicar ese nuevo conocimiento a nuevas situaciones.

Se han desarrollado gran cantidad de modelos agrícolas (de predicción de plagas, de predicción de cosechas, de fertilización, de riego, de evolución de precios, etc.), pero su utilización da, en general, resultados razonablemente precisos a nivel local, o generalizaciones de precisión muy limitada a nivel regional. Esto es debido a la cantidad limitada de datos de entrada disponibles para el desarrollo de los modelos.

Con un auténtico Big Data y Data Mining en la agricultura, los sistemas de aprendizaje automático se alimentarían de miles, centenares de miles o millones de datos procedentes de cada explotación, con lo que los modelos obtenidos serían de muy alta calidad, e incluso podríamos aspirar a obtener modelos con aplicaciones que ahora no podemos ni imaginar.

Minería de datos con Weka en Paraje Innova

Desarrollando modelos en Paraje Innova.

Almacenamiento

Por último en nuestro diagrama nos encontramos el almacenamiento. En un entorno auténticamente de Big Data hay que desterrar memorias USB, tarjetas de memoria o descargas en el PC de casa o la oficina. Lo que se requiere es acceso móvil, a pie de parcela, desde nuestros smartphones, así como descargas directas en nuestras máquinas y aperos y complementos de abordo en el tractor, al igual que realizan muchos sistemas embarcados en los coches actuales. Lo ideal es que en cuanto un componente (sensor, apero, tractor, etc.) detecte una red WiFi o UMTS, cargue los datos capturados y descargue los datos procesados (lo que sería el Internet de las Cosas de la agricultura).

Para ello será necesario ampliar el acceso a la red desde el entorno rural, que ha mejorado mucho en los últimos años, pero aún adolece de muchas zonas con baja o nula cobertura, y abaratar de forma importante los costes de dicho acceso.

El futuro del Big Data y Data Mining en la agricultura

Si hacemos un repaso a todo lo dicho hasta ahora, veremos que todas las tecnologías de base necesarias para el desarrollo del Big Data y Data Mining en la agricultura ya están disponibles. Así pues «solo» es necesario que el sector evolucione adecuadamente en paralelo a otros sectores que ya están recurriendo a estas tecnologías en los últimos años.

Lo Open es la clave

Será necesario un descenso de los precios del hardware y el software relacionados, algo complicado si las marcas más potentes siguen apostando por sistemas cerrados y verticales. Una apuesta por el desarrollo de sistemas de código abierto (open source) y de hardware abierto (open hardware) y compartición de datos entre explotaciones, empresas y la administración (open data o datos abiertos) podría ser el camino.

Para los agricultores sería más accesible la tecnología, ya que la mejora en sus explotaciones ampliaría sus márgenes económicos lo necesario para cubrir los gastos y aun así mejorar sus ingresos, y las empresas de servicios podríamos obtener beneficios por la implantación, el asesoramiento, el mantenimiento y el desarrollo de nuevos equipos, modelos, prestaciones y mejoras.

No es un pensamiento tecnológicamente utópico, habida cuenta de que la inmensa mayoría de sistemas de explotación de Big Data que se utilizan en la actualidad están basados en sistemas abiertos.

La información es poder

Cierto es que puede haber cierta resistencia «cultural» a ese flujo de datos. Por ejemplo, entre explotaciones que sean competencia entre sí, o desde las explotaciones a la Administración, que dispondría de información directa y detallada de nosotros, por lo que estaríamos más controlados. Pero también hay que ver la parte positiva, ya que por ejemplo:

  • no habría que rellenar formularios sobre los tratamientos fitosanitarios, ya que nuestros equipos ya se ocuparían de registrar cuándo, dónde, cuánto y con qué habríamos hecho los tratamientos;
  • podríamos recibir previsiones de entrada de nuestra mercancía al mercado, para no saturarlo y poder mantener los precios;
  • nuestro concesionario de maquinaria habitual podría hacer mantenimiento predictivo de nuestros equipos, gracias a un modelo matemático basado en datos de uso y averías de otros usuarios que utilizan el mismo tipo de máquinas;
  • en una compra-venta de una tierra, los datos acumulados asociados a ella podrían componer parte del valor de la operación, ya que el comprador sabría qué está comprando en realidad;
  • y por supuesto, muchas otras prestaciones que nos ofrecerían tanto la agricultura de precisión como otras tecnologías basadas en la información.

Una nueva revolución

Así pues, parece claro que el Big Data y Data Mining en la agricultura es el camino, y probablemente su uso tendrá un impacto similar al que tuvo la Revolución Verde en su día, si bien habrá de definirse en términos de privacidad, seguridad y ética en el uso de esos datos, al igual que está sucediendo en otros sectores en los que ya se están utilizando, como las compras online, las redes sociales o el marketing.

Por nuestra parte, ya llevamos tiempo caminando con este enfoque, y utilizamos sistemas de Minería de Datos en nuestros proyectos y Open Source y Open Hardware en nuestros desarrollos y en nuestro trabajo diario.

Recientemente hemos puesto también en marcha un curso de introducción a la Minería de Datos, para que aquellos interesados en aprender a exprimir el valor de datos masivos, pueda empezar a hacerlo de una forma práctica.

Veremos lo que nos depara el futuro.

Crédito de la foto de portada: Gaetano Cessati.

Big Data y Data Mining en la agricultura. Se aproxima el punto de inflexión2017-06-02T14:26:34+00:00

Estudios hidrológicos, hidráulicos y de inundabilidad

Introducción

Para hacernos una idea de la necesidad de los estudios hidrológicos, repasaremos brevemente cómo ha sido el año 2016 en materia de inundaciones. Así este año se ha caracterizado, al menos en el área central de la región castellano leonesa de la que provenimos, por un invierno y una primavera muy lluviosos y un verano tremendamente seco, en relación con esas mismas estaciones en otros periodos, como podemos ver en la web de AEMET.

La gran cantidad de precipitación caída durante la primavera, junto con el deshielo de las últimas nieves, provocaron el desbordamiento de ríos y arroyos durante varias semanas consecutivas de abril y mayo, como atestiguan las noticias aparecidas en prensa. Por ejemplo:

Inundaciones ríos Carrión y Pisuerga, 18 de abril de 2016.

Alarma por la crecida de ríos en León, Palencia y Zamora, 16 de abril de 2016.

Estos desbordamientos son la causa de importantes daños en infraestructuras y terrenos de cultivo aledaños a los ríos, produciendo también grandes pérdidas en la agricultura. Así, este año, lo tardío de las fechas de las crecidas afectó de manera importante a terrenos recién sembrados.

terreno agrícola inundado

 

¿En qué consisten los estudios hidrológicos, hidráulicos y / o de inundabilidad?

Este conocimiento sobre las áreas de inundación y la peligrosidad provocadas por las avenidas, lo que ayuda a definir los riesgos que causan las crecidas, debe ser plasmado en documentos técnicos. Éstos, firmados por ingenieros competentes, son denominados normalmente Estudios hidrológicos e hidráulicos y habitualmente contienen, siendo muy escuetos:

  • El análisis de la precipitación máxima para periodos de retorno determinados.
  • El estudio hidrológico de la cuenca vertiente a un punto de salida concreto del cauce en estudio, determinando los caudales producidos en ese punto por la lluvia caída en la cuenca. Como ejemplo, la siguiente imagen:

cuenca vertiente GIS

  • La modelización y simulación de cómo se comporta ese volumen de agua circulante a lo largo de un tramo concreto del río o arroyo, tomando como referencia un Modelo Digital del Terreno (MDT), que representará la orografía del cauce y las riberas o márgenes de los ríos. Son necesarios además otros muchos datos adicionales como presencia de estructuras o construcciones que impidan el paso del agua, las características de la vegetación de ribera, etc. que son finalmente integrados y representados en un Sistema de Información Geográfica (GIS).

Como resultado de un estudio de este tipo, bien realizado, podremos saber entre otras cosas, cómo es la lámina de inundación producida por un determinado cauce:

lámina inundación estudio hidrológico

 

Datos disponibles sobre zonas inundables

En la región donde residimos, la labor realizada por la Confederación Hidrográfica del Duero (a veces injustamente criticada) con su amplia red de aforos, permite ver el caudal circulante incluso en tiempo real de buen número de cauces de su competencia, así como conocer las áreas de inundación de gran cantidad de ríos y arroyos de entidad en amplias zonas de nuestra geografía. Este trabajo es desarrollado en el marco del Sistema Nacional de Cartografía de Zonas Inundables, impulsado por el Ministerio de Agricultura, Alimentación y Medio Ambiente. Así, en el visor GIS del MAGRAMA podemos observar estas capas de interés de una forma cómoda y georreferenciada:

snczi GIS visor

Para los que somos usuarios habituales de cartografía digital, también podemos descargar toda esta cartografía en formato shapefile para su integración en nuestro GIS. Sin embargo, y para hacernos una idea de la cantidad de información cargada y accesible en el sistema, para un periodo de retorno de 50 años, sólo es posible acceder a la delimitación de la zona de inundación del 2,8 % de los cauces representados en la cartografía 1:25.000 del Instituto Geográfico Nacional (http://www.magrama.gob.es/es/cartografia-y-sig/ide/descargas/agua/zi-lamina.aspx). Y si nos referimos a los caudales máximos en régimen natural, «sólo» están ya calculados los de los cauces con cuenca vertiente superior a los 50 kilómetros cuadrados.

 

La necesidad de los estudios hidrológicos, hidráulicos y de inundabilidad

Esta circunstancia de cierta ausencia de información sobre las zonas inundables y sobre los caudales máximos circulantes aún en muchos lugares, no es extraña dada la inmensa magnitud del trabajo a realizar, y ni siquiera estará disponible en otros países. Además, en ciertas circunstancias las Confederaciones Hidrográficas solicitan a los propietarios de terrenos aledaños a los cauces o a los promotores de nuevas obras y planificaciones (por ejemplo, construcción de naves agrícolas junto a arroyos, planificación urbanística, etc.), que muestren la afección concreta de éstas a las áreas inundables. También son necesarios los estudios hidrológicos e hidráulicos cuando se trate de diseñar medidas correctoras o de defensa de las inundaciones, ya que éstas pueden provocar cambios en los regímenes de circulación del agua tanto aguas arriba como aguas abajo del área afectada, siendo necesario prever estos cambios.

sección estudio hidrológico hecras

 

Otras consideraciones

Como hemos dejado caer anteriormente, para la realización de estos análisis completos y de calidad es fundamental el uso de las mejores fuentes de datos posibles. Entre ellas citaremos las oficiales, entre las que podemos destacar por su aplicación concreta en este ámbito el PNOA – LiDAR, para la obtención de los MDT. Pero también suele ser necesaria información adicional como la obtenida ex profeso como por ejemplo, a partir de levantamientos topográficos llevados a cabo con drones, GPS o estación total, según las circunstancias, y los datos de batimetría.

Ya sabéis que podéis contactar con nosotros si necesitáis más información adicional sobre lo publicado en este artículo y también si requerís de la realización de un estudio hidrológico hidráulico completo o de la obtención de algunos de sus datos de partida.

Estudios hidrológicos, hidráulicos y de inundabilidad2017-07-31T12:21:53+00:00

Empleo de drones en pinares de piñonero

Una de las líneas de negocio de Paraje Innovación y Consultoría tiene como objetivo el llevar las nuevas tecnologías al campo agroforestal, siempre buscando soluciones prácticas y a ser posible, más eficientes que los métodos empleados de forma habitual en cada caso. En el caso de este post, mostramos los resultados de la aplicación de los drones para la estimación de la cantidad de piñas (en pie) en los pinares de pino piñonero de un término municipal de la provincia de Valladolid. Además, os animamos a leer un artículo completo sobre estas pruebas que hemos publicado en la revista «La Matacara», publicación local de Quintanilla de Onésimo.

El porqué de la experiencia en el pino piñonero:

La explotación de los pinares de pino piñonero (Pinus pinea) para la extracción de su apreciado fruto, el piñón, es una fuente de ingresos económicos importante para el sector forestal de la provincia de Valladolid. En ella se dan grandes masas de la especie, tanto en formas puras como mixtas, mezclados muchas veces con los pinos negrales (Pinus pinaster). Normalmente, los piñeros evalúan la cantidad de piñas que van a poder extraer de los pinares a finales de verano, recorriendo los mismos mediante transectos bajo las copas (ocasionalmente también subiendo a las copas de algunos pinos) y estimando los kilos de piña «a ojo», de tal manera que la experiencia del piñero es clave para esta singular toma de datos. Las piñas son tiradas desde los árboles durante el siguiente invierno, mediante máquinas vibradoras aplicadas a tractor. La hipótesis que nos planteamos para llevar a cabo esta prueba es si sería posible estimar la cantidad de piñas en pie empleando drones o UAV sobrevolando las copas de los árboles, a fin de hacer más eficiente, así como más precisa, la estimación de la cantidad de fruto antes de su recolección.

vuelo dron pino piñonero

Prueba realizada:

A primeros de diciembre del año pasado acudimos al conocido monte «El Carrascal» de Quintanilla de Onésimo (VA), donde en ese momento se estaba realizando la recogida de las piñas del piñonero por parte de una de las familias de piñeros de la localidad, amigos del que suscribe. De esta manera, fue posible tomar las imágenes de los mismos pinos de los que después se realizaría el vibrado, contando de esta manera exactamente el número de piñas caídas desde cada copa a fin de poder comparar los resultados de las imágenes analizadas con la realidad.

Las imágenes aéreas fueron tomadas con un dron DJI Phantom equipado con cámara RGB GoPro, propiedad de la empresa palentina Überbaum Industrie S.L., con la que muchas veces colaboramos para llevar a cabo distintos proyectos y tomas de datos empleando sus equipos.

operador Überbaum pino piñonero

Una vez tomadas las imágenes se procedió al vibrado de los pinos y al conteo de las piñas caídas, analizando además el % de daños (piñas no aptas) por las distintas plagas y enfermedades que como el como el Leptoglossus sp., afectan a este fruto y que muchas veces provocan que haya un importante porcentaje de pérdidas.

conteo piñas piñonero

daños piñas piñonero

De vuelta a la oficina, se analizaron las imágenes tomadas empleando técnicas de detección de objetos y aprendizaje automático o machine learning, que en Paraje empleamos en distintos proyectos, con el fin de lograr un método automatizado de localización y conteo de las piñas en cada copa.

Resultados:

No fueron los esperados, en nuestra opinión por la resolución de las imágenes y por la circunstancia de que las ramas de los pinos siguen creciendo por encima de las «chotas» o piñas jóvenes por lo que muchas de ellas quedan ocultas tras los tres años en que éstas tardan en madurar. Por ello, será necesario hacer más pruebas empleando otros canales del espectro electromagnético y otros sensores acoplados a los drones. Sin embargo, nos percatamos que sí era posible localizar con cierta precisión los bolsones de la procesionaria del pino (Thaumetopoea pityocampa), dada su fácil distinción por colores con respecto al resto de la copa del árbol. Así, empleando técnicas de clasificación propias de la teledetección, obtuvimos resultados mucho más prometedores en lo que respecta a esta grave plaga, que ocasiona daños en grandes superficies de pinares tanto de pino piñonero como de otras especies del género Pinus spp., como los acontecidos en el Norte de Palencia durante los últimos años. La investigación y el desarrollo de nuevas aplicaciones y servicios algunas veces produce estos resultados, como suele decirse, «una de cal y otra de arena».

Publicación:

Fruto del trabajo realizado tuvimos la oportunidad de redactar un artículo completo para la simpática revista local de Quintanilla de índole trimestral «La Matacara», a cuya redacción agradecemos la posibilidad de publicarlo, y que podéis descargar íntegramente a continuación, donde podréis observar más fotografías de la experiencia. Esperamos que resulte de vuestro interés y si tenéis cualquier consulta, no dudéis en poneros en contacto con nosotros.

portada matacara parajeinnova piñonero

Empleo de drones en pinares de piñonero2017-05-25T11:35:51+00:00

EnerBrío: Soluciones de aprovechamiento de la biomasa

Este artículo resume nuestra actuación en el proyecto EnerBrío: Soluciones de aprovechamiento íntegro de la biomasa procedente de la agricultura, la ganadería y los recursos forestales. Proyecto en el que hemos estado trabajando a lo largo de 2015 y del que nos sentimos muy satisfechos.

Proyecto de cooperación entre Grupos de Acción Local

EnerBrío ha sido un proyecto de cooperación desarrollado por cuatro Grupos de Acción Local castellanoleoneses: Asociación para el Desarrollo de la Zona Oeste de Salamanca (Salamanca), ADRI Páramos y Valles Palentinos (Palencia), Cuatro Valles (León) y ADRI Cerrato Palentino (Palencia), con el apoyo técnico del Centro Tecnológico ITAGRA, Green Future Consulting y, nosotros, Paraje Innovación y Consultoría.

territorio enerbrio

Territorio de actuación del proyecto EnerBrío (clic para ampliar).

Esta iniciativa se ha realizado con el fin de generar soluciones de aprovechamiento íntegro de la biomasa procedente de la agricultura, la ganadería y los recursos forestales de los territorios de dichos grupos.

A lo largo del proyecto se han cuantificado los recursos biomásicos disponibles en cada zona, definiendo aquellas localizaciones en las que a priori es factible poner en marcha iniciativas de aprovechamiento. Se han propuesto también diversas opciones de negocio basadas en el uso de la biomasa, determinando potencias instalables, inversiones medias necesarias y tecnologías disponibles.

Evaluar los recursos biomásicos y su potencial utilización

Nuestra labor principal ha sido la de evaluar los recursos biomásicos presentes en cada territorio y su potencial utilización. Sin entrar en detalles de la metodología utilizada, que se describe exhaustivamente en los inventarios y en los estudios de aprovechamiento que se han realizado para cada territorio, se ha seguido un itinerario muy concreto para determinar los recursos disponibles, su localización y su potencial utilización.

El primer paso, lógico dentro de un proyecto que busca el aprovechamiento de la biomasa, ha consistido en analizar cuánta biomasa hay disponible en cada territorio. Por ello, dentro del proyecto se ha elaborado un inventario de recursos bioenergéticos de las distintas comarcas. Se ha buscado en cada caso la forma de cálculo más eficiente, basando los datos en cartografía y bibliografía procedentes de fuentes solventes, su análisis y su representación cartográfica mediante un Sistema de Información Geográfica (SIG).

tabla enerbrio adezos

Inventario de recursos de biomasa en el territorio de ADEZOS (Salamanca).

En segundo lugar, para poder plantear la explotación de los recursos biomásicos inventariados en la comarca, se ha realizado una aproximación basada en determinar donde hay mayor concentración de residuo o mayor aptitud (según el tipo de residuo del que se tratase) para la explotación de los mismos. Este planteamiento ha permitido determinar la potencial localización de plantas de aprovechamiento y facilitar cálculos de costes de transporte.

Para poder concretar esos puntos de mayor aptitud se han considerado una serie de condicionantes, entre los que están las distancias máximas de transporte de los residuos, distancia a vías de transporte principales, pendientes máximas admisibles, etc.

Por otra parte también se han establecido limitaciones en cuanto a la recogida de la biomasa, como no recoger parte de la biomasa forestal por razones ecológicas y económicas, la estimación de disponibilidad de residuos agrícolas como la paja contando con las necesidades de su mercado, etc.

En tercer lugar, se han seleccionado una serie de emplazamientos en cada territorio que, por su localización estratégica respecto a los puntos de máxima aptitud descritos, y por sus condiciones de superficie suficiente, proximidad a carreteras, proximidad a cursos de agua, distancia a núcleos urbanos, etc., se han considerado ideales para la puesta en marcha de iniciativas de explotación biomásica.

aprovechamiento paja cerrato palencia enerbrio

Mapa del Cerrato Palentino indicando la localización y puntos de recogida óptimos para la instalación de una planta de aprovechamiento de paja (clic para ampliar).

En último lugar, se han descrito dichas posibles iniciativas, indicando si existe, a priori, viabilidad técnica para su puesta en marcha.

Comunicación de los resultados del proyecto

Dentro de EnerBrío también se han desarrollado importantes actividades de comunicación, incluyendo la realización de jornadas en cada territorio, visitas técnicas a instalaciones de referencia en el ámbito bioenergético, charlas y actividades prácticas relacionadas con la biomasa en colegios de educación primaria e institutos así como difusión en las redes sociales.

Alberto Sanz presentación Enerbrio

Un servidor presentando los resultados del estudio en Cuatro Valles (León).

Si tienes interés en el resultado de los estudios te animo a que te pongas en contacto con ADRI Cerrato Palentino, que fue la entidad que coordinó el proyecto.

EnerBrío: Soluciones de aprovechamiento de la biomasa2017-05-25T11:35:51+00:00
Ir a Arriba