Skip to main content

Resultados relacionados

Resultados totales (Incluyendo duplicados): 2
Encontrada(s) 1 página(s)

DIGITAL.CSIC. Repositorio Institucional del CSIC
Publication Otros (Other)

Guía de evaluación de erosión en el olivar

  • Domenech-Carretero, Ignacio
  • Guzmán, Gema
  • Soriano, Mª Auxiliadora
  • Gómez Calero, José Alfonso
Esta guía nace de la necesidad de la comunidad científica de dar soluciones específicas a la sostenibilidad de los recursos naturales en la agricultura, en la presente guía nos centramos en el suelo como recurso natural limitado y en continua degradación. Este trabajo ha sido desarrollado dentro del proyecto TUdi y el Grupo Operativo BIOLIVAR, financiado por la Asociación Europea de Innovación, con la colaboración de instituciones científicas y agrícolas como el Instituto de Agricultura Sostenible, varias universidades, destacando la Universidad de Córdoba (UCO), y otras entidades relacionadas., El principal objetivo es proporcionar una herramienta estandarizada, válida en múltiples entornos y condiciones de cultivo para evaluar el riesgo de erosión hídrica en el olivar, y a su vez entendiendo sus causas y aportando recomendaciones específicas, acompañadas de un conjunto ejemplos prácticos que dirijan hacia soluciones adaptadas a cada olivar. El segundo objetivo, pero no de menor importancia, es emplear la guía como una herramienta didáctica que proporcione formación y una base conceptual sobre la prevención de la erosión hídrica en los olivares del Mediterráneo. El desarrollo de la guía se divide en 5 apartados claramente diferenciados. Se comienza con una breve introducción sobre conceptos básicos de la erosión hídrica. Continuando con tres pasos dentro de los cuales se identificará la situación real en términos de riesgo de erosión hídrica, y un último dedicado por completo a la orientación hacia prácticas y manejos de suelo más sostenibles, junto con una estimación del coste que conllevaría su implementación. Esta guía adopta un enfoque práctico, proporcionando a olivareros y técnicos herramientas e información para identificar e implementar estrategias más sostenibles, fundamentadas en principios ampliamente documentados. Su aplicación pretende favorecer la resiliencia agroecológica y económica del olivar, al tiempo que contribuye a la conservación de los recursos naturales y del patrimonio agrícola que sustenta la olivicultura., Este trabajo cuenta con el apoyo de proyectos TUdi (Horizonte 2020, GA 101000224), SCALE (EJP SOIL, GA862695), PID2019-105793RB-I00 (AEI), Grupo Operativo BIOLIVAR (GOPO-SE-20-0002 (EIP-Agri)), ECOMED (AVA23-INV202301.035) y fondos FEDER., Publicación elaborada con el apoyo financiero de las subvenciones dirigidas al funcionamiento de Grupos Operativos de la Asociación Europea de Innovación (AEI) en materia de productividad y sostenibilidad agrícolas para la realización de proyectos piloto y el desarrollo de nuevos productos, prácticas, procesos y tecnologías en los sectores agrícola, alimentario y forestal, en el marco del Programa de Desarrollo Rural de Andalucía 2014-2020 (submedida 16.1, operación 16.1.3, línea 2)., No
DIGITAL.CSIC. Repositorio Institucional del CSIC
Publication Otros (Other)

Metodología para la identificación de manejos de suelo en olivar mediante técnicas de aprendizaje automático, Methodology for the identification of soil management practices in olive orchards using machine learning techniques

  • Domenech-Carretero, Ignacio
  • Guzmán, Gema
  • Gómez Calero, José Alfonso
Laboratorio de Erosión de Suelos. IAS-CSIC., [EN] "This methodology has been developed in response to the growing demand within the scientific and technical community for robust and reproducible tools capable of automatically identifying soil management practices in Mediterranean olive orchards. These tools are essential for ensuring the agronomic and environmental sustainability of these systems. The work is designed to distinguish between bare soil (BS) management and cover crop (CC) systems using spectral information derived from Sentinel 2 imagery and a wide range of machine learning algorithms., The primary objective is to establish a standardised procedure that systematically assesses the capacity of various classification models to discriminate soil management practices based on spectral bands and vegetation indices. By offering an open and replicable tool, it is suitable for both environmental analysts and agricultural technicians who rely on remote sensing to interpret soil management. The methodological approach emphasises stability, traceability, and repeated evaluation under multiple random partitions, ensuring a more reliable and realistic characterisation of model behaviour., The methodology is structured into clearly defined stages: (i) preparation of the dataset using bands and indices calculated from the seasonal contrast between winter and summer; (ii) systematic generation of stratified partitions controlled by random seeds; (iii) training and calibration of a heterogeneous set of algorithms, including conventional machine learning models as well as a dense neural network; and (iv) comprehensive performance evaluation using metrics such as accuracy, sensitivity, and specificity, all organized in Excel files to facilitate comparison and further analysis., This procedure adopts a strongly practical approach, providing a solid foundation for the development of automated soil management classification systems while also offering conceptual guidance on interpreting the spectral variability associated with each management type. Its application can enhance olive grove monitoring, support informed decision making, and promote the transition toward more sustainable practices, all while maintaining the reproducibility and transparency required in scientific and administrative contexts.", [ES] "Esta metodología surge de la necesidad creciente de la comunidad científica y técnica de disponer de herramientas robustas y reproducibles para identificar de forma automática los manejos de suelo en el olivar mediterráneo, un elemento clave para la sostenibilidad agronómica y ambiental de estos sistemas. El trabajo está orientado a diferenciar entre manejos basados en suelo desnudo (BS) y cultivos de cobertura (CC) mediante información espectral derivada de Sentinel 2 y un conjunto amplio de algoritmos de aprendizaje automático., El objetivo principal es ofrecer un procedimiento estandarizado que permita evaluar, de manera consistente, la capacidad real de distintos modelos de clasificación para discriminar prácticas de manejo a partir de bandas espectrales e índices de vegetación. Con ello, se proporciona una herramienta abierta y replicable que pueda ser empleada tanto por analistas ambientales como por técnicos agrícolas que necesitan interpretar el manejo del suelo desde la teledetección. El enfoque metodológico se centra en la estabilidad, la trazabilidad y la evaluación repetida bajo múltiples particiones aleatorias, lo que garantiza una caracterización más fiel y realista del comportamiento de los modelos., La metodología se estructura en varias fases claramente definidas: (i) preparación del conjunto de datos mediante bandas e índices calculados a partir del contraste estacional entre invierno y verano; (ii) generación sistemática de particiones estratificadas controladas por semillas aleatorias; (iii) entrenamiento y calibración de un conjunto heterogéneo de algoritmos, que incluye modelos de aprendizaje automático, así como una red neuronal densa; y (iv) evaluación exhaustiva del desempeño a través de métricas como precisión, sensibilidad y especificidad, registradas de forma ordenada en archivos Excel para facilitar comparaciones y análisis posteriores., Este procedimiento adopta un enfoque eminentemente práctico, ofreciendo una base sólida para desarrollar sistemas automatizados de clasificación del manejo del suelo y, al mismo tiempo, proporcionando una guía conceptual sobre cómo interpretar la variabilidad espectral asociada a cada tipo de manejo. Su aplicación puede contribuir a mejorar la monitorización del olivar, apoyar la toma de decisiones y favorecer la transición hacia prácticas más sostenibles, sin perder de vista la reproducibilidad y la transparencia necesarias en entornos científicos y administrativos.", SCALE (EJP Soil Horizon 2020 GA 862695), GOPO-SE-20-0002 (EIP-Agri), ECOMED (AVA23-INV202301.035), PID2019-105793RB-I00 (Spanish Ministry of Science and Innovation), and grants PID2023-146177OB-C21 and PID2023-146177OB-C22 funded by MICIU/AEI/10.13039/501100011033 and FEDER, UE., No