^{Citoliva - Centro Tecnológico del Olivar y del Aceite}

El momento óptimo de recolección de la aceituna no solo es un parámetro crítico para obtener aceites de calidad reglamentada (virgen y virgen extra), sino que además afecta también al manejo agronómico del olivar, ya que si se retrasa en exceso va a inducir vecería (producir un año un gran número de frutos y al año siguiente apenas producir cosecha).

Investigaciones ya clásicas (Di Giovachino, 1991) han cuantificado en al menos un 50% la influencia que posee el momento adecuado de la maduración en la calidad final de los AOVEs. Actualmente se asume de manera unánime que para obtener un AOVE de altísima calidad es imprescindible que los frutos estén en un momento de maduración óptimo.

Por ello, investigadores de Citoliva (https:// citoliva.es), en colaboración con las empresas Iteriam, PiperLab, Komorebi y Sensowave, ultiman el primer modelo predictivo basado en Inteligencia Artificial que permitirá a los agricultores y almazaras de nuestro país calcular de forma automática el momento óptimo de la recolección de la aceituna.

Para ello, se han procesado datos de climatología procedentes tanto de los satélites de Copernicus como de las distintas estaciones meteorológicas repartidas por toda Andalucía, así como de modelos de predicción del clima.

Paralelamente, han recopilado y procesado los datos históricos de producción que provienen de las distintas almazaras y la información sobre el estado fenológico y fitosanitario del cultivo. Además, han realizado una revisión exhaustiva de las investigaciones relacionadas, para entender cómo otros investigadores han planteado problemas similares.

Interpretados estos datos, los investigadores trabajan a contrarreloj para desarrollar un modelo predictivo basado en Inteligencia Artificial, que será capaz de relacionar el estado fenológico de la aceituna y la climatología con el rendimiento que se obtiene al procesar el fruto, todo de la forma lo más automatizada y objetiva posible. Una vez ajustado con datos, este modelo servirá para predecir cuál será el mejor momento para cosechar, indicando cual sería el rendimiento en el caso de recolectar la aceituna, por ejemplo, dentro de 5 días, 10 días, etc.

De esta forma podremos elegir el momento de la recolección con el que se maximice la calidad del aceite de oliva en términos de cantidad obtenida de virgen y virgen extra, así como el rendimiento graso de la aceituna.

Además, gracias a esta solución de Smart-Agriculture, los agricultores y las industrias oleícolas españolas podrán optimizar la gestión de sus recursos, dosificando con exactitud el aporte de riego, fertilizantes, etc. y reduciendo así los consumos excesivos de los mismos y su impacto sobre el clima y el medio ambiente.

Por añadidura, soluciones de la naturaleza de BeHTool permiten minimizar los posibles daños que podría sufrir el olivo en la recolección (descortezados, caída de ramón, heridas, roturas, etc.) y que serán más probables cuanto más se adelante la cosecha ya que, entre otras variables, la resistencia al desprendimiento del fruto es más elevada al inicio.

Hasta ahora, para poder establecer el momento óptimo de recolección, el método más empleado y mundialmente admitido es el “Índice de Madurez”, desarrollado hace ya casi 50 años (Uceda y Frías, 1975), en el que se emplea la evaluación visual de la variación del color externo e interno del fruto para establecer un valor, el Índice de Madurez o IM, que se incrementa a medida que el fruto va cambiando la pigmentación de su epicarpio y mesocarpio.

Así, tradicionalmente, la identificación del momento óptimo de cosecha en el olivar se realiza calculando manualmente este IM de los frutos. Para ello, se efectúa un muestreo cogiendo frutos al azar a lo largo de la parcela, alcanzando una cantidad que sea lo suficientemente representativa. Este método se puede combinar con el análisis del rendimiento graso, que normalmente es invasivo, aunque cada vez más se está implementando su análisis con tecnologías no invasivas y más rápidas como el infrarrojo cercano (NIR), pero suelen tratarse de equipos off line.

La solución TIC propuesta por el proyecto BeHTool plantea superar las desventajas que supone la identificación manual del IM, obteniendo una herramienta que garantice un proceso objetivo y automatizado y que aporta las siguientes ventajas:

• Minimización de desplazamientos a la finca para monitoreo del momento óptimo de recolección.
• Reducción del tiempo empleado en el análisis de información por parte de técnicos y/o productores de aceite.
• Precisión y objetividad, teniendo en cuenta, además, variables que con los métodos tradicionales manuales no se pueden contemplar.
• Mayor certidumbre y capacidad de planificación de la recolección de la cosecha, con la consiguiente optimización del proceso a nivel operativo, técnico y económico.

El proyecto, que entra en su recta final, cuenta con la financiación del Ministerio de Industria, Comercio y Turismo dentro del programa de apoyo a las AEIs para contribuir a la mejora de la competitividad de la industria española, y con el apoyo de la Unión Europea a través del Plan de Recuperación, Transformación y Resiliencia.

<sup>Referencias

• Wu, Z., Pan, S., Chen, F., Long, G., Zhang, C., & Philip, S. Y. (2020). A comprehensive survey on graph neural networks. IEEE Transactions on Neural Networks and Learning Systems.
• Greff, K., Srivastava, R. K., Koutník, J., Steunebrink, B. R., & Schmidhuber, J. (2016). LSTM: A search space odyssey. IEEE transactions on neural networks and learning systems, 28(10), 2222- 2232.
• Divya, M., Manjunath, T. N., & Hegadi, R. S. (2014, November). A study on developing analytical model for groundnut pest management using data mining techniques. In 2014 International Conference on Computational Intelligence and Communication Networks (pp. 691- 696). IEEE.
• Corrales, D. C., Corrales, J. C., & Figueroa-Casas, A. (2015). Towards detecting crop diseases and pest by supervised learning. Ingeniería y Universidad, 19(1), 207-228.
• Javed, M. H., Noor, M. H., Khan, B. Y., Noor, N., & Arshad, T. (2017). K-means based automatic pests detection and classification for pesticides spraying. International Journal of Advanced Computer Science and Applications, 8(11), 236-240.
• Sawant, S., Durbha, S. S., & Jagarlapudi, A. (2017). Interoperable agro-meteorological observation and analysis platform for precision agriculture: A case study in citrus crop water requirement estimation. Computers and electronics in agriculture, 138, 175-187.</sup>