Planning and decision support systems in the frame of precision agriculture

Abstract

La conservación del medioambiente es una prioridad para las autoridades Europeas. De hecho, varios de los programas principales de investigación de la Unión Europea (UE) están orientados al estudio y monitorización de la Tierra desde diferentes ámbitos. Estas iniciativas proporcionan servicios relacionados con políticas de protección ambiental, ingeniería forestal, cambio climático, desarrollo sostenible o agricultura. En este marco, el sector agrícola tiene una importancia estratégica para la economía global. Uno de los servicios más relevantes en el dominio agrícola y medioambiental es la monitorización terrestre. Principalmente, estos servicios proporcionan información geográfica sobre la cobertura terrestre y el estado de la vegetación, con cobertura global y local. Esta información es crítica para los procesos de planificación y la toma de decisiones. De hecho, hay varios proyectos Europeos intentando proporcionar soluciones en este contexto. Sin embargo, los datos deben ser tratados y analizados adecuadamente. El procesamiento de estos datos puede resultar complejo debido a que se actualizan rápidamente, creciendo de una forma que su monitorización, análisis y almacenamiento se convierte en un reto. Además, la utilización de estos datos con procesos de toma de decisiones y aprendizaje automático puede entenderse como un problema de análisis de big data. La Inteligencia Artificial (AI) puede verse como una herramienta para analizar este tipo de problemas y también para proporcionar aplicaciones y servicios de gran valor para los procesos de planificación y toma de decisiones relacionados con el dominio agrícola y medioambiental. Tales decisiones pueden llevar a una agricultura sostenible en un contexto eco-friendly. De hecho, los servicios de Agricultura de Precisión pueden ser mejorados y potenciados por medio del uso de algoritmos de aprendizaje automático y otras técnicas de IA. Por tanto, el estudio y desarrollo de modelos robustos para proporcionar servicios smart-agro alimentados con fuentes heterogéneas de datos representa un reto hoy en día. Con esta finalidad, la presente tesis está orientada al estudio y desarrollo de modelos para servicios smart-agro relacionados con la delimitación automática del terreno y la identificación de zonas homogéneas de terreno cultivable, por medio del análisis de imágenes satélite combinado con algoritmos de aprendizaje automático. Esta tesis también propone un modelo para la predicción de la producción de uva, combinando fuentes heterogéneas de datos tales como imágenes satélite, registros históricos de producción y análisis de suelo, utilizando algoritmos de aprendizaje automático. Además, estos servicios smart-agro podrían ser integrados en plataformas agrícolas especializadas tales como Farm-Oriented Open Data in Europe (FOODIE) (http://www.foodie-project.eu/).