{"id":30887712,"date":"2025-07-22T09:52:06","date_gmt":"2025-07-22T07:52:06","guid":{"rendered":"https:\/\/www.upo.es\/diario\/?p=30887712"},"modified":"2025-07-30T13:57:50","modified_gmt":"2025-07-30T11:57:50","slug":"upo-desarrolla-sistema-inteligencia-artificial-predecir-plaga-mosca-olivo","status":"publish","type":"post","link":"https:\/\/www.upo.es\/diario\/ciencia\/2025\/07\/upo-desarrolla-sistema-inteligencia-artificial-predecir-plaga-mosca-olivo\/","title":{"rendered":"La UPO desarrolla un sistema de inteligencia artificial para predecir la plaga de la mosca del olivo \u00a0"},"content":{"rendered":"
\"\"<\/a>
De izquierda a derecha, Gualberto Asencio Cort\u00e9s, Alicia Troncoso Lora y Andr\u00e9s Manuel Chac\u00f3n Maldonado.<\/figcaption><\/figure>\n

En un contexto de creciente demanda de alimentos y de desaf\u00edos clim\u00e1ticos, la productividad agr\u00edcola se enfrenta a amenazas como la variabilidad meteorol\u00f3gica y la proliferaci\u00f3n de plagas. La mosca del olivo, en particular, puede causar p\u00e9rdidas significativas en los cultivos si no se detecta a tiempo. Para hacer frente a este problema, la inteligencia artificial<\/strong> y el an\u00e1lisis de datos multimodales<\/strong> se perfilan como herramientas clave para anticipar brotes y reducir el uso indiscriminado de productos qu\u00edmicos.<\/p>\n

Con este objetivo, el grupo Data Science & Big Data Lab<\/strong> de la Universidad Pablo de Olavide ha desarrollado un modelo h\u00edbrido y multimodal<\/strong> capaz de predecir, con una semana de antelaci\u00f3n, la evoluci\u00f3n de la poblaci\u00f3n de la mosca del olivo. El sistema combina im\u00e1genes de sat\u00e9lite Sentinel-2 y datos meteorol\u00f3gicos para ofrecer una herramienta precisa, sostenible y pr\u00e1ctica de apoyo a la toma de decisiones en el campo. Este avance ha sido publicado en la revista Information Fusion<\/em><\/strong>, una de las m\u00e1s prestigiosas del \u00e1rea de inteligencia artificial.<\/p>\n

Seg\u00fan la investigadora principal del grupo, Alicia Troncoso<\/strong>, \u201ceste avance es fruto de la convergencia entre visi\u00f3n por computador y aprendizaje autom\u00e1tico, y aporta una herramienta robusta y pr\u00e1ctica para apoyar la toma de decisiones en el campo\u201d.<\/p>\n

\"\"<\/a>
Ubicaci\u00f3n de las cuatro parcelas utilizadas en este trabajo, junto con sus estaciones clim\u00e1ticas asociadas, en la regi\u00f3n de Andaluc\u00eda. Cabe destacar que las parcelas 1 y 3 comparten la misma estaci\u00f3n clim\u00e1tica.<\/figcaption><\/figure>\n

El enfoque combina un tipo de modelo de aprendizaje profundo, conocido como red neuronal convolucional<\/strong>, que extrae caracter\u00edsticas espaciales de im\u00e1genes satelitales, con algoritmos de aprendizaje autom\u00e1tico, que son los que finalmente obtienen las predicciones semanales. Las im\u00e1genes satelitales usadas representan \u00edndices vegetativos que indican el verdor, densidad y salud de la vegetaci\u00f3n, as\u00ed como el aspecto de las masas de agua presentes y la humedad atmosf\u00e9rica. De esta forma, los modelos de aprendizaje autom\u00e1tico aprenden de la fusi\u00f3n de la informaci\u00f3n extra\u00edda de las im\u00e1genes junto con variables climatol\u00f3gicas tales como temperatura, humedad, radiaci\u00f3n solar y precipitaciones. Esto se traduce en una detecci\u00f3n m\u00e1s fiable de los picos de infestaci\u00f3n, permitiendo intervenciones fitosanitarias en el momento \u00f3ptimo<\/strong>.<\/p>\n

\u201cLa fusi\u00f3n de patrones espaciales extra\u00eddos de im\u00e1genes satelitales con datos meteorol\u00f3gicos mejora notablemente la precisi\u00f3n predictiva, facilitando medidas preventivas con el margen de tiempo necesario para maximizar\u00a0su\u00a0efectividad\u201d, afirma Andr\u00e9s Manuel Chac\u00f3n Maldonado<\/strong>, doctorando que ha desarrollado este trabajo como parte de su tesis doctoral, dirigida por los doctores Alicia Troncoso Lora<\/strong> y Gualberto Asencio Cort\u00e9s<\/strong>.<\/p>\n

Una alerta temprana para el campo<\/strong><\/h3>\n

Detectar una plaga cuando ya ha causado da\u00f1os visibles suele ser demasiado tarde. En la agricultura, como en la medicina, prevenir es siempre m\u00e1s efectivo que curar. \u201cEste modelo que hemos desarrollado funciona como un sistema de alerta temprana para los olivares<\/strong>: analiza semana a semana tanto las condiciones meteorol\u00f3gicas como el estado del cultivo observado desde el sat\u00e9lite, y predice si se espera un incremento en la poblaci\u00f3n de la mosca del olivo\u201d, afirma Gualberto Asencio Cort\u00e9s, investigador del proyecto nacional de investigaci\u00f3n \u2018Green machine learning for water and climate change<\/em>\u2019, en el que se enmarca este estudio.<\/p>\n

Esta predicci\u00f3n con hasta una semana de antelaci\u00f3n supone una ventaja estrat\u00e9gica para el agricultor. Le permite preparar los tratamientos necesarios con tiempo, movilizar recursos de forma eficiente y, en muchos casos, evitar da\u00f1os que solo ser\u00edan visibles d\u00edas despu\u00e9s. Tambi\u00e9n contribuye a optimizar la programaci\u00f3n de muestreos de campo, priorizando las parcelas con mayor riesgo y haciendo m\u00e1s eficiente la labor de vigilancia.<\/p>\n

Agricultura m\u00e1s consciente y menos qu\u00edmica<\/strong><\/h3>\n

Uno de los principales desaf\u00edos de la agricultura moderna es lograr una producci\u00f3n suficiente y rentable sin comprometer el equilibrio ambiental. El uso extendido de productos fitosanitarios, aunque necesario en muchos casos para combatir plagas, puede generar consecuencias negativas tanto para el ecosistema como para la calidad del propio cultivo. Su aplicaci\u00f3n frecuente o preventiva, sin datos que lo justifiquen, incrementa los costes, da\u00f1a la biodiversidad, afectando a insectos beneficiosos como polinizadores o depredadores naturales, y deja residuos en el suelo, el agua e incluso en el fruto destinado al consumo.<\/p>\n

El modelo predictivo desarrollado en este trabajo propone una alternativa m\u00e1s precisa y respetuosa<\/strong>. Al anticipar los momentos cr\u00edticos en los que la plaga alcanzar\u00e1 su punto m\u00e1ximo, los tratamientos pueden aplicarse de forma oportuna y \u00fanicamente cuando son realmente necesarios. Esto no solo reduce la cantidad de productos utilizados, sino que permite enfocarse en las zonas donde existe un mayor riesgo, evitando las intervenciones generalizadas y en muchas ocasiones innecesarias.<\/p>\n

El resultado es una gesti\u00f3n m\u00e1s eficiente del olivar<\/strong>, que cuida la salud del cultivo y del entorno sin renunciar a la productividad. Con ayuda de la inteligencia artificial, se abre la puerta a una agricultura m\u00e1s consciente<\/strong>, que deja atr\u00e1s pr\u00e1cticas rutinarias y da paso a decisiones informadas, responsables y alineadas con los principios de sostenibilidad.<\/p>\n

Referencia:<\/strong><\/h3>\n

A.M. Chac\u00f3n-Maldonado, G. Asencio-Cort\u00e9s, A. Troncoso. A multimodal hybrid deep learning approach for pest forecasting using time series and satellite images<\/strong>. Information Fusion<\/em>, vol. 124 (103350). 2025. https:\/\/doi.org\/10.1016\/j.inffus.2025.103350<\/a><\/p>\n

 <\/p>\n","protected":false},"excerpt":{"rendered":"

En un contexto de creciente demanda de alimentos y de desaf\u00edos clim\u00e1ticos, la productividad agr\u00edcola se enfrenta a amenazas como la variabilidad meteorol\u00f3gica y la proliferaci\u00f3n de plagas. La mosca del olivo, en particular, puede causar p\u00e9rdidas significativas en los cultivos si no se detecta a tiempo. Para hacer frente a este problema, la inteligencia artificial y el an\u00e1lisis de datos multimodales se perfilan como herramientas clave para anticipar brotes y reducir el uso indiscriminado de productos qu\u00edmicos.<\/p>\n","protected":false},"author":2,"featured_media":30887715,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_monsterinsights_skip_tracking":false,"_monsterinsights_sitenote_active":false,"_monsterinsights_sitenote_note":"","_monsterinsights_sitenote_category":0,"footnotes":""},"categories":[3],"tags":[750,6655,6752,7289,8686,151,832],"class_list":["post-30887712","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ciencia","tag-agricultura","tag-alicia-troncoso","tag-aprendizaje-automatico","tag-data-science-big-data-lab","tag-ia","tag-inteligencia-artificial","tag-sostenibilidad"],"_links":{"self":[{"href":"https:\/\/www.upo.es\/diario\/wp-json\/wp\/v2\/posts\/30887712","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.upo.es\/diario\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.upo.es\/diario\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.upo.es\/diario\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/www.upo.es\/diario\/wp-json\/wp\/v2\/comments?post=30887712"}],"version-history":[{"count":2,"href":"https:\/\/www.upo.es\/diario\/wp-json\/wp\/v2\/posts\/30887712\/revisions"}],"predecessor-version":[{"id":30887717,"href":"https:\/\/www.upo.es\/diario\/wp-json\/wp\/v2\/posts\/30887712\/revisions\/30887717"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.upo.es\/diario\/wp-json\/wp\/v2\/media\/30887715"}],"wp:attachment":[{"href":"https:\/\/www.upo.es\/diario\/wp-json\/wp\/v2\/media?parent=30887712"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.upo.es\/diario\/wp-json\/wp\/v2\/categories?post=30887712"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.upo.es\/diario\/wp-json\/wp\/v2\/tags?post=30887712"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}