Sembrando
datos

Desarrollo de una plataforma “Perséfone” integrada de control y seguimiento en tiempo real de parámetros climáticos, hídricos y de suelo para invernadero, mediante redes de sensores IoT y sistemas de adquisición de datos heterogéneos.

Creación de modelos de IA y Machine Learning para estimar la evapotranspiración de referencia (ETo), el coeficiente de cultivo (Kc) y las necesidades netas de riego (NNR), integrando datos climáticos, satelitales y de campo. Como línea complementaria, el proyecto incorpora sensores avanzados de microtensiómetría (FloraPulse) que miden de forma continua el potencial hídrico del tronco, permitiendo avanzar hacia estrategias de riego basadas en el estado fisiológico real de la planta, más allá de los modelos tradicionales.

Desarrollo de sistemas de visión artificial y Deep Learning para la identificación automática de daños foliares, plagas y enfermedades en cultivos de melocotonero, limonero y cítricos, incluyendo el conteo automatizado de insectos en trampas de campo y la capacidad de predecir presencia de plagas combinando datos hetereogéneos (metereológicos, sensores de proximidad y conteos).

Despliegue de modelos TinyML y aprendizaje federado en dispositivos edge que procesan el dato directamente en los controladores de campo, antes de su envío al servidor. Esto permite inferencia en tiempo real, menor dependencia de conectividad y preservación de la privacidad. Esta línea ha dado lugar a la publicación de un artículo científico sobre detección de anomalías en cultivos mediante un modelo TinyML cuantizado que fusiona índices NDVI con variables meteorológicas locales para el riego de precisión.

Construcción de representaciones digitales de ecosistemas que integran múltiples fuentes de datos —satelitales, meteorológicos y de sensores— para simular, predecir y optimizar el comportamiento de los cultivos y la gestión del agua. Las metodologías desarrolladas han sido ya aplicadas al ecosistema del Mar Menor, donde se ha publicado un trabajo científico que valida este enfoque en un entorno ambiental real. El siguiente paso es trasladar estas capacidades al ámbito agrícola, con su aplicación prevista en el invernadero experimental del proyecto.

Colaboración activa con empresas, productores locales e instituciones públicas para validar las soluciones desarrolladas en escenarios reales, impulsando la adopción de la IA en el tejido agroindustrial del sureste español.