Estimación de la producción en el viñedo

¡Hola! 👋🏻

Estimar la producción de un viñedo con una antelación de meses es uno de los desafíos más importantes que tiene el gerente agrícola.

A continuación, veremos cómo las nuevas tecnologías están aportando en el desarrollo de soluciones para mejorar los métodos convencionales de estimación de la producción en el viñedo.

¿Cómo estimamos actualmente la producción de un viñedo?

Para estimar o predecir el nivel de producción de una planta, existen dos variables clásicas: el número de racimos de la planta y el peso promedio del racimo.

Es un proceso bastante laborioso que se lleva a cabo tomando varias muestras.

Incluye el conteo de racimos y el pesaje promedio de esos racimos.

Luego se extrapolan esos valores a través de datos históricos al resto de la parcela.

De acuerdo a este estudio el error del método convencional alcanza un 16 a 17% si se realiza un mes antes de la cosecha y se duplica hasta llegar al 30% si se realiza en la etapa de cuajado.

Los costos de hacerlo alcanzan entre USD 12,5 a USD 18,75 por hectárea.

Este proceso es laborioso, muchas veces poco representativo y no tiene en cuenta la variabilidad espacial del huerto.

La variabilidad espacial de los viñedos

Robert Bramley en el año 2004 realizó estudios en varios viñedos sobre la variabilidad espacial inherente que existe dentro de un viñedo.

En la siguiente figura vemos un ejemplo de la variabilidad dentro de una misma parcela, que puede variar desde 11 toneladas por hectárea en las zonas azules hasta menos de 2 en las zonas rojas, es decir 5 veces el rendimiento.

Y esto sucede todos los años con mayor o menor intensidad.

Ahora, si dividimos el huerto en 3 zonas considerando los promedios históricos vemos un mismo patrón de comportamiento o tendencia:

Por lo tanto, una buena idea es contratar un estudio de zonas homogéneas de manejo de nuestro viñedo y así hacer las muestras en cada área representativa de la variabilidad espacial del huerto.

Nuevas técnicas

Se han intentado encontrar soluciones y alternativas a estos métodos convencionales a través de nuevas tecnologías.

Una de estas tecnologías es la visión artificial, que utiliza cámaras para capturar imágenes.

Luego estas imágenes se procesan con métodos de inteligencia artificial para distinguir hojas, racimos o troncos de la planta.

Los primeros trabajos en esta línea fueron desarrollados en 2004 (Sunn & Martin).

Colocaron un fondo blanco detrás de algunas plantas para evitar interferencias, tomaron imágenes con una cámara de una misma planta mientras se cosechaba y relacionaron la cantidad de píxeles identificados como fruta con el peso de cada cosecha.

Otro trabajo relevante en este ámbito, diez años después (Nuske et al. 2014), se realizó capturando imágenes a través de una plataforma móvil con un sistema de iluminación y cámaras.

La captura de imágenes se realizaba de noche, lo cual es importante porque la mayoría de estas soluciones requieren una captura de imágenes de noche o bajo condiciones de iluminación controladas.

Esto se debe a que cuando se lleva un sistema de captura de imágenes al exterior, la iluminación es completamente descontrolada, y aparecen sombras que dificultan el análisis posterior de las imágenes.

Por ello, se busca controlar la luz tomando las imágenes de noche e iluminando solo la zona de interés de la planta.

Este trabajo logró un error del orden del 6% al 11%, pero requiere una calibración específica para cada parcela.

Sin embargo, al observar las imágenes que utilizaron, prácticamente todos los racimos están completamente visibles.

Esto, en la vida real, es muy difícil que suceda.

En la práctica, hay oclusión u obstrucción por la cubierta vegetal, ya sea parcial o total, de los racimos, tanto por otros racimos como por hojas u otros elementos de la vegetación.

Este problema reduce significativamente la precisión de este método.

Estimación en etapas tempranas

Basándonos en el análisis de imágenes, hay estrategias que abordan esta estimación de rendimiento desde etapas tan tempranas como la brotación y la floración, y otras más tardías, una vez formado el racimo o hasta un mes antes de la vendimia.

En la estimación temprana después de la brotación, hay dos trabajos interesantes.

El primero de ellos fue desarrollado en Australia por Liu y colaboradores en 2017. Colocaron una cámara RGB tipo GoPro en un vehículo, con un fondo para eliminar interferencias y evitar sombras.

En las imágenes, identificaban los brotes y luego desarrollaron una fórmula matemática donde el rendimiento se calcula con el número de brotes identificados multiplicado por la fertilidad promedio histórica expresada en el número de racimos por brote y el peso promedio histórico de un racimo en esa parcela.

El error que reportó este método varió entre el 1% y el 36%, mostrando bastante variabilidad.

El segundo trabajo de etapa temprana es el recuento de inflorescencias. Fue desarrollado por Khokher y colaboradores en 2023 también en Australia.

En este caso, se trata de un recuento continuo (on-the-go) de las flores a partir de videos, que, combinado con información histórica del peso medio del racimo en ese huerto, genera una estimación muy temprana de la producción.

Es similar al conteo manual actual, pero en este caso se cuentan todas las inflorescencias de la parcela, lo que aumenta la representatividad del muestreo.

El vehículo tiene tres cámaras a distintas alturas para cubrir toda la zona de la planta, pudiendo de esta forma eliminar ciertas interferencias.

Esta estimación temprana de producción mostró un error entre el 4% y el 11% frente a la producción en vendimia.

Este es uno de los mejores datos que se han encontrado. En esta etapa, el efecto de la oclusión es aún bajo, pero a medida que avanzamos en el proceso vegetativo de la planta, cada vez tendremos un mayor crecimiento de hojas.

Si avanzamos hacia la floración, podemos contar el número de botones florales.

Si tenemos un histórico del valor de la tasa de cuajado y del peso medio de la baya en ese huerto, podremos estimar la producción 4 o 5 meses antes de la vendimia. La tasa de cuajado es el porcentaje de flores que se transforman en frutos.

El porcentaje de error de este método de estimación da entre un 16% al 47% y varía principalmente en función de la variedad de la vid.

Estimaciones en etapas tardías

Las estimaciones en una etapa de tamaño guisante de la vid en adelante intentan identificar el número de bayas, pero en esta etapa, el análisis a través de imágenes se ve muy afectado por las hojas.

En plantas deshojadas, la detección es muy buena, cercana al 90%. Sin embargo, bajo condiciones reales, tenemos un 17% de las bayas que no se identifican correctamente.

Este fenómeno conocido como oclusión es el problema principal de la estimación a través de visión artificial para estimar en etapas más tardías el rendimiento del viñedo.

La oclusión no genera un error sistemático que uno pueda añadir, es muy variable. Es un fenómeno que actúa más bien de forma aleatoria.

Si la oclusión es menor al 30%, la correlación con el rendimiento es en torno al 70% de exactitud, pero a medida que la oclusión aumenta, el error de la predicción aumenta notablemente.

Varios estudios han demostrado que la variabilidad de la oclusión es el factor principal que limita la posibilidad de obtener una estimación de rendimiento por medio del análisis de las bayas.

Finalmente, tenemos un estudio realizado por Olenskyj y colaboradores en 2022 en California, donde tomaron 108,000 imágenes de distintos años en 23,500 puntos de muestreo. La validación la hicieron con una vendimia mecánica equipada con un GPS y cédula de carga.

La estimación la realizaron tres semanas antes de la vendimia en cuatro viñedos de Cabernet Sauvignon.

Utilizaron técnicas de inteligencia artificial conocidas como modelos Transformer. Estos son modelos de aprendizaje profundo que detectan formas sutiles en que los elementos de datos en una serie se influyen y dependen entre sí.

El modelo Transformer tiene un porcentaje de error cercano al 5%, siendo este trabajo el que ha alcanzado a la fecha la mayor precisión de estimación.

Este correo ha sido preparado por el Equipo de ViLab | www.vilab.cl