Director
D. Manuel Pérez Ruiz
(Ingeniería Aeroespacial y Mecánica de Fluidos)
Unidad Promotora
Escuela Técnica Superior de Ingeniería Agronómica
Impartición
Del 09/09/2024 al 12/09/2024
Modalidad
A distancia
(Teams)
Idioma de impartición
Español
0,00 €
1,00 ECTS
Prácticas
No
Preinscripción
Del 26/07/2024 al 19/08/2024
Matrícula
Del 26/07/2024 al 19/08/2024
Objetivos
<p><p>Objetivo 1.- Conocer el potencial del uso de sensores remotos para la detección de plagas y enfermedades en cultivos.<br />Objetivo 2.- Conocer la sistemática de validación de algoritmos de detección de enfermedades en cultivos arbóreos.<br />Objetivo 3.- Aprender a desarrollar mapas de prescripción para la geolocalización de zonas que requieran vigilancia fitosanitaria.<br />Objetivo 4.- Tomar conciencia de la relevancia de la agricultura digital para la gestión eficiente de insumos.</p><br /></p></p>
Competencias
El alumnado desarrollará la capacidad de comprender los beneficios de aplicar de forma eficiente herramientas de agricultura digital para la detección y prevención de plagas y enfermedades en los cultivos. Desarrollarán además la capacidad de actuar en distintas fases del proceso, desde la geolocalización de zonas en riesgo mediante mapas de prescripción hasta la validación de los algoritmos que pueden apoyar la predicción de enfermedades.
Procedimiento de evaluación
Asistencia, Trabajos
Requisitos
Requisitos específicos de admisión a los estudios
- No procede
Criterios de selección de alumnos
- Orden de Preinscripción.
Módulos / Asignaturas
Modalidad de impartición: A distancia
Fechas de inicio-fin: 09/09/2024 - 12/09/2024
Contenido
1. Introducción y Contexto
• Técnicas de agricultura de precisión ligadas al uso de drones.
• Presentación del problema y objetivos a perseguir para solucionarlo.
2. Visualización de Bandas Espectrales y Representación de Histogramas
• Exposición de contenidos teóricos y planteamiento de un ejercicio práctico.
• Aplicaciones prácticas de esta tecnología en la agricultura.
3. Cálculo de Índices de Vegetación
• Explicación de índices.
• Ejercicio práctico.
• Limitaciones de la metodología.
4. Implementación de un Modelo de DL para Segmentación y Clasificación
• Introducción a Deep Learning (DL).
• Demostración del modelo DL.
- Preparación de datos y entrenamiento.
- Segmentación y clasificación.
- Evaluación del modelo.
• Comparación de resultados. (Identificación de desventajas).
5. Futuras direcciones y conclusiones.
Profesorado
Personal Académico
- D. Gregorio Egea Cegarra . Universidad de Sevilla - Ingeniería Aeroespacial y Mecánica de Fluidos
- D. Manuel Pérez Ruiz . Universidad de Sevilla - Ingeniería Aeroespacial y Mecánica de Fluidos
- D. Orly Enrique Apolo Apolo . Universidad de Sevilla - Ingeniería Aeroespacial y Mecánica de Fluidos
Profesorado
- D. Diego José Gallardo Romero . Universidad de Sevilla - Ingeniería Aeroespacial y Mecánica de Fluidos
- D. Manuel Pérez Ruiz . Universidad de Sevilla - Ingeniería Aeroespacial y Mecánica de Fluidos
- D. Orly Enrique Apolo Apolo . Universidad de Sevilla - Ingeniería Aeroespacial y Mecánica de Fluidos