Rodrigo Verschae Tannenbaum ● Profesor Asociado

Fondos para apoyar la realizacion de la Fourth Latin American Summer School on Robotics (LACORO 2025). La primera edición se realizó online en octubre de 2020; la segunda fue presencial en enero de 2023; la tercera 2024 en la Universidad de O'Higgins en Rancagua, Chile. La cuarta edición tendrá lugar en diciembre de 2025 en la Universidad de O'Higgins. https://lacoro.org/ Esta Escuela de Verano beneficiará principalmente a Estudiantes y Académicos de las Américas interesados en la Investigación en Inteligencia Artificial aplicada a la Robótica. Nuestro objetivo es fomentar la colaboración nacional y regional en esta área de investigación. Para la primera edición, alcanzamos 241 inscripciones para actividades online de todo el mundo, y la segunda versión tuvo 166 inscripciones para actividades presenciales en enero de 2023, principalmente de Chile, México, Argentina, Brasil y Uruguay.

Métodos basados en representaciones neuronales implícitas están empezando a usarse ampliamente en distintos ámbitos de visión computacional, robótica y sensado remoto. Este tipo de representaciones están permitiendo abordar múltiples problemas en ambientes no controlados como la agricultura, de manera robusta. Por ejemplo, métodos basados en Neural Radiance Fields (NeRF) se están explorando de manera amplia tanto con imágenes satelitales como en problemas de robótica de campo. En este contexto, el proyecto busca aunar competencias en visión computacional y aprendizaje de máquinas, usadas en la detección remota y en robótica, para abordar nuevas técnicas basadas en representaciones neuronales implícitas, para aplicaciones de la agricultura de precisión. Para lograr este objetivo, los investigadores convocados tienen un profundo conocimiento en estas áreas complementarias. Es importante destacar que las áreas de sensado remoto (satelital y drones) y sensado próximo (robots y redes de sensores) están experimentando una aceleración sin precedentes. En el caso de sensado remoto, además de los grandes programas públicos como Sentinel, los actores privados están creando flotas de microsatélites capaces de vigilar la Tierra con revisitas diarias. Estos datos abundantes, baratos y de alta resolución están creando oportunidades para desarrollar aplicaciones novedosas para la supervisión de la actividad agrícola. En el caso del sensado próximo, las redes de sensores, junto con el uso de robots para monitoreo, está permitiendo un seguimiento regular de los procesos agrícolas, con una alta resolución temporal y espacial, por lo que cada vez hay una mayor disponibilidad de datos, que complementan los datos obtenidos mediante sensado remoto. A nivel de uso, estas tecnologías se complementan, y a nivel de investigación, las técnicas utilizadas están empezando a converger, mediante el uso de métodos basados en redes neuronales, y más específicamente por métodos basados en representaciones neuronales implícitas, tales como Neural Radiance Fields (NeRF). Por todo esto, el estudio del sensado remoto y próximo de manera conjunta, y mediante marcos de trabajo con técnicas similares como las representaciones neuronales implícitas, tiene un gran potencial para en un futuro próximo generar una visión integrada de los procesos agrícolas mejorando la sostenibilidad y eficiencia en la agricultura. Durante su ejecución, el proyecto llevará a cabo actividades de investigación conjunta, incluyendo seminarios online regulares, la toma de datos en terreno, y un workshop de cierre en el contexto de una conferencia internacional, que junto con el intercambio de investigadores en formación (magíster, doctorado y/o postdoctorado), así como visitas de investigadores senior, buscan articular una de red de trabajo que aborde de manera interdisciplinar y con técnicas modernas, problemáticas de sensado remoto y próximo en agricultura de precisión mediante representaciones neuronales implícitas, tales como Neural Radiance Fields (NeRF), entre otras.

El proyecto busca aunar competencias en visión computacional y fruticultura, para habilitar la construcción de modelos de crecimiento y madurez de cerezas a partir de modelos 3D construidos a partir de imágenes hiperespectrales. En particular se desarrollarán algoritmos de visión computacional 3D basados en representaciones neuronales implícitas para estimar el color y tamaño de frutos en cerezo durante el ciclo de crecimiento y cosecha, así como para estimar y correlacionar información hiperespectral con variables de calidad, como firmeza y grados brix de los frutos. A partir de estos algoritmos, se desarrollará una metodología para la construcción de modelos de crecimiento de los frutos que aporten a mejorar la calidad de la fruta fresca de exportación. Es importante destacar que métodos de machine learning basados en representaciones neuronales implícitas están empezando a usarse ampliamente en distintos ámbitos de visión computacional, robótica y sensado remoto. Este tipo de representaciones está permitiendo abordar múltiples problemas en ambientes no controlados en la agricultura, de manera robusta. Por ejemplo, métodos basados en redes neuronales implícitas, tales como Neural Radiance Fields (NeRF) y Deep Signed Functions (DeepSDF) se están explorando para aplicaciones tales como reconstrucción 3D de frutas, árboles y huertos, habilitando aplicaciones de agricultura de precisión, como conteo de frutas y análisis fenológico. Para que el desarrollo de estas aplicaciones tenga un impacto en la agricultura, es necesario el desarrollo de modelos desde una mirada interdisciplinar, considerando tanto métodos del estado del arte de visión computacional y machine learning, así como un conocimiento profundo de fruticultura y en particular de fisiología de los árboles frutales caducos. La calidad de la fruta de exportación es un pilar fundamental de nuestra fruticultura, y desde esa base, se considera importante el desarrollo de herramientas de monitoreo y diagnóstico que permitan predecir calidad y condición de la fruta oportunamente, y sobre todo bajo un escenario de cambio climático. En la temporada 2021-2022, un 20% de las cerezas presentaron serios problemas de calidad en los mercados de destino. De este volumen, un 28-47% se relacionaron con problemas de manejo en precosecha. En la agricultura convencional el uso de datos ha sido limitado a conocer procesos productivos puntuales tales como el monitoreo de variables ambientales o fisiológicas, las que han dado cuenta de un cierto estado del sistema de la planta de manera indirecta. Algunos avances en automatización en la toma de datos se han reportado para la aplicación de riego de precisión. Sin embargo, desde el mundo académico no existe un gran aprovechamiento de los avances en inteligencia artificial para la agronomía. En efecto, la predicción del comportamiento de variables productivas complejas, especialmente aquellas ligadas a la calidad de la fruta representan aún un desafío no resuelto en la industria nacional. En este sentido las técnicas de machine learning han sido utilizadas con éxito para predecir el rendimiento en diversas especies agrícolas, incluyendo frutales. No obstante, la calidad de fruta ha sido escasamente abordada, pese a existir capacidades teóricas. Debido a esto surge la necesidad del desarrollo de herramientas para construir modelos de crecimiento y madurez de cerezas, así como para que los productores puedan hacer seguimiento de su producción, y en particular de la calidad de ésta. Con el objetivo de desarrollar una metodología para la construcción de modelos de desarrollo de cerezas mediante imágenes hiperespectral y modelos computacionales 3D de frutos, y así aportar a la mejora de la calidad de la producción de la cereza, el proyecto propone abordar tres grandes objetivos: ● Diseñar y capturar base de datos de imágenes, de variables agroclimáticas y mediciones fisiológicas. ● Desarrollar métodos de visión computacional y IA para la estimación de calibre, firmeza, color, y grados brix de cerezas. ● Desarrollar, calibrar y validar modelos de crecimiento de cerezas a partir de los resultados obtenidos con los algoritmos de visión computacional y IA desarrollados. Para alcanzar estos objetivos, los investigadores convocados tienen un profundo conocimiento en las áreas complementarias desde la ingeniería (visión computacional, machine learning y robótica), y la fruticultura (fisiología de los árboles frutales caducos, sistemas de conducción, portainjertos, y gestión de huertos).

Fondos para apoyar la realizacion de la Third Latin American Summer School on Cognitive Robotics (LACORO 2024). La primera edición se realizó online en octubre de 2020; la segunda fue presencial en enero de 2023; la tercera versión tendrá lugar entre el 9 y el 13 de diciembre de 2024 en la Universidad de O'Higgins en Rancagua, Chile. https://lacoro.org/ Esta Escuela de Verano beneficiará principalmente a Estudiantes y Académicos de las Américas interesados en la Investigación en Inteligencia Artificial aplicada a la Robótica. Nuestro objetivo es fomentar la colaboración nacional y regional en esta área de investigación. Para la primera edición, alcanzamos 241 inscripciones para actividades online de todo el mundo, y la segunda versión tuvo 166 inscripciones para actividades presenciales en enero de 2023, principalmente de Chile, México, Argentina, Brasil y Uruguay.

Fondos para apoyar la realizacion de la Third Latin American Summer School on Cognitive Robotics (LACORO 2024). La primera edición se realizó online en octubre de 2020; la segunda fue presencial en enero de 2023; la tercera versión tendrá lugar entre el 9 y el 13 de diciembre de 2024 en la Universidad de O'Higgins en Rancagua, Chile. https://lacoro.org/ Esta Escuela de Verano beneficiará principalmente a Estudiantes y Académicos de las Américas interesados en la Investigación en Inteligencia Artificial aplicada a la Robótica. Nuestro objetivo es fomentar la colaboración nacional y regional en esta área de investigación. Para la primera edición, alcanzamos 241 inscripciones para actividades online de todo el mundo, y la segunda versión tuvo 166 inscripciones para actividades presenciales en enero de 2023, principalmente de Chile, México, Argentina, Brasil y Uruguay.

Escuela de Verano Latino Americana de Robotica (LACORO)

Escuela de Verano Latino Americana de Robotica (LACORO)

KhipuX support grant for organizing the Third Latin American Summer School on Cognitive Robotics (LACORO) https://www.lacoro.org/

KhipuX support grant for organizing the Third Latin American Summer School on Cognitive Robotics (LACORO) https://www.lacoro.org/

La literatura muestra que diferencias en las habilidades matemáticas tempranas son fuertes predictores de desempeño matemático posterior e incluso afectan la selección de carreras universitarias. Además, aquellos niños que ingresan a la etapa escolar con habilidades matemáticas deficientes, mantienen bajos desempeños académicos durante toda su trayectoria escolar. De hecho, las condiciones iniciales de aprendizaje matemático determinan las trayectorias futuras de aprendizaje. En este contexto, un proyecto FONDEF (2019 - 2021) de la Universidad de O’Higgins nos permitió desarrollar el Test de Pensamiento Matemático (TPM, ver https://jugarmate.org/tpm/) para evaluar aprendizajes matemáticos en niveles de pre-kínder, kínder y 1ro básico. El TPM es un test basado en siete juegos digitales cuya aplicación en grupos grandes de estudiantes es rápida y sencilla por lo que permite recolectar una gran cantidad de datos de aprendizaje con poco esfuerzo. En congruencia con avances recientes en el desarrollo de habilidades matemáticas tempranas, este instrumento logra capturar dos dimensiones del pensamiento matemático infantil que son el pensamiento numérico y el razonamiento espacial. Estos desarrollos previos presentan una gran oportunidad para investigar las condiciones iniciales de los aprendizajes matemáticos y las posibles trayectorias de aprendizajes posteriores. La hipótesis que sustenta este proyecto es que existen perfiles de pensamiento matemático temprano que son capturados en los puntajes TPM y que las primeras trayectorias de aprendizaje se pueden modelar como un tránsito por estos perfiles. En este contexto, el presente proyecto propone la aplicación de algoritmos de inteligencia artificial para el procesamiento y visualización de datos TPM para primero identificar distintos perfiles de pensamiento matemático temprano para luego encontrar patrones de tránsito entre éstos perfiles y así identificar trayectorias iniciales de aprendizaje matemático. La metodología propone analizar conjuntos de datos TPM obtenidos en una muestra de más de 700 estudiantes de prekinder, kinder y 1ro básico aplicando métodos de reducción de dimensionalidad (p.ej., análisis de componentes principales) y algoritmos de agrupamiento (p.ej., clustering). Los resultados de los algoritmos de agrupamiento se interpretan como perfiles de pensamiento matemático, mientras que análisis de evolución de perfiles se interpretan como las trayectorias iniciales de aprendizaje de las matemáticas tempranas. Se espera que los resultados de esta investigación se utilicen para el diseño de intervenciones remediales personalizadas que permitan potenciar el desarrollo de habilidades matemáticas tempranas.

La literatura muestra que diferencias en las habilidades matemáticas tempranas son fuertes predictores de desempeño matemático posterior e incluso afectan la selección de carreras universitarias. Además, aquellos niños que ingresan a la etapa escolar con habilidades matemáticas deficientes, mantienen bajos desempeños académicos durante toda su trayectoria escolar. De hecho, las condiciones iniciales de aprendizaje matemático determinan las trayectorias futuras de aprendizaje. En este contexto, un proyecto FONDEF (2019 - 2021) de la Universidad de O’Higgins nos permitió desarrollar el Test de Pensamiento Matemático (TPM, ver https://jugarmate.org/tpm/) para evaluar aprendizajes matemáticos en niveles de pre-kínder, kínder y 1ro básico. El TPM es un test basado en siete juegos digitales cuya aplicación en grupos grandes de estudiantes es rápida y sencilla por lo que permite recolectar una gran cantidad de datos de aprendizaje con poco esfuerzo. En congruencia con avances recientes en el desarrollo de habilidades matemáticas tempranas, este instrumento logra capturar dos dimensiones del pensamiento matemático infantil que son el pensamiento numérico y el razonamiento espacial. Estos desarrollos previos presentan una gran oportunidad para investigar las condiciones iniciales de los aprendizajes matemáticos y las posibles trayectorias de aprendizajes posteriores. La hipótesis que sustenta este proyecto es que existen perfiles de pensamiento matemático temprano que son capturados en los puntajes TPM y que las primeras trayectorias de aprendizaje se pueden modelar como un tránsito por estos perfiles. En este contexto, el presente proyecto propone la aplicación de algoritmos de inteligencia artificial para el procesamiento y visualización de datos TPM para primero identificar distintos perfiles de pensamiento matemático temprano para luego encontrar patrones de tránsito entre éstos perfiles y así identificar trayectorias iniciales de aprendizaje matemático. La metodología propone analizar conjuntos de datos TPM obtenidos en una muestra de más de 700 estudiantes de prekinder, kinder y 1ro básico aplicando métodos de reducción de dimensionalidad (p.ej., análisis de componentes principales) y algoritmos de agrupamiento (p.ej., clustering). Los resultados de los algoritmos de agrupamiento se interpretan como perfiles de pensamiento matemático, mientras que análisis de evolución de perfiles se interpretan como las trayectorias iniciales de aprendizaje de las matemáticas tempranas. Se espera que los resultados de esta investigación se utilicen para el diseño de intervenciones remediales personalizadas que permitan potenciar el desarrollo de habilidades matemáticas tempranas.

Esta propuesta se construye a partir de un proyecto previo (FONDEF ID19I10030) donde desarrollamos y validamos un modelo de enseñanza matemática con base en juegos de mesa y evaluaciones digitales para estudiantes en el nivel de transición de la educación parvularia. Por un lado, elaboramos 12 juegos de mesa cuyos efectos positivos en el aprendizaje matemático se validaron a través de una intervención escolar controlada. Por otro lado, desarrollamos el test de pensamiento matemático (TPM) para evaluar objetivos curriculares matemáticos del nivel de transición. El TPM utiliza tabletas para automatizar la mediación, lo cual permite que su formato de aplicación sea grupal, recolectando grandes cantidades de datos con poco esfuerzo y de manera inmediata (p.ej., evalúa aulas completas en una hora). Datos de una muestra de 750 niños, permitió verificar su validez de contenido, criterio y constructo, para asegurar que puede ser utilizado como instrumento de evaluación de los logros de aprendizaje declarados en el currículo chileno. En consecuencia, la prueba de concepto de nuestro modelo de enseñanza fue exitoso. Estudios recientes demuestran que en Chile los procesos de capacitación docente no producen mejoras en los aprendizajes estudiantiles, indicando que la superación del problema de bajos desempeños exige la creación de estrategias curriculares más intensivas e integrales. En este contexto, el presente proyecto busca desarrollar un sistema de apoyo docente, cuyo núcleo pedagógico sea el modelo de enseñanza descrito arriba, y que pueda ser llevado con éxito a aulas reales del sistema educativo chileno. El primer resultado de este proyecto fortalece el TPM dotándole de la capacidad para entregar retroalimentación personalizada de manera automatizada en formato de recomendaciones de actividades para mejorar los aprendizajes. Para esto, crearemos algoritmos de inteligencia artificial que serán entrenados a partir de un etiquetado de datos (elaborado por educadoras expertas) que asignen actividades de aprendizaje adecuadas a los resultados TPM. El segundo resultado es un sistema de apoyo docente integral e intensivo que facilita la adopción de nuestro modelo de enseñanza en aulas reales. Dicho sistema permite que una institución pública (p.ej., un SLEP) brinde servicios educativos dirigidos a fortalecer la calidad de los aprendizajes matemáticos tempranos en todas las aulas de su red educativa. En más detalle, el “sistema de gestión pedagógica del aula matemática” coordina el uso de materiales educativos, profesionales expertos y plataformas tecnológicas para mejorar la calidad de los procesos de enseñanza-aprendizaje. La validación de este sistema involucra realizar una intervención escolar de tipo longitudinal, con grupo de control y cuatro medidas repetidas que permitan estimar su efecto en los aprendizajes matemáticos de 400 estudiantes. También se evalúa el nivel de aceptación del sistema por parte del cuerpo docente involucrado. El plan de implementación y masificación contempla que la Fundación Mustakis (mandante) masifique al uso del TPM y el acceso a los programas de capacitación on-line, el DAEM Requinoa (asociada) realice un pilotaje del sistema de gestión pedagógica del aula matemática y que la UOH (beneficiaria) genere alianzas con instituciones públicas (p.ej., DAEM, SLEP) para que adopten este sistema y puedan brindar servicios educativos que mejoren los aprendizajes matemáticos en las aulas de sus redes educativas.

Esta propuesta se construye a partir de un proyecto previo (FONDEF ID19I10030) donde desarrollamos y validamos un modelo de enseñanza matemática con base en juegos de mesa y evaluaciones digitales para estudiantes en el nivel de transición de la educación parvularia. Por un lado, elaboramos 12 juegos de mesa cuyos efectos positivos en el aprendizaje matemático se validaron a través de una intervención escolar controlada. Por otro lado, desarrollamos el test de pensamiento matemático (TPM) para evaluar objetivos curriculares matemáticos del nivel de transición. El TPM utiliza tabletas para automatizar la mediación, lo cual permite que su formato de aplicación sea grupal, recolectando grandes cantidades de datos con poco esfuerzo y de manera inmediata (p.ej., evalúa aulas completas en una hora). Datos de una muestra de 750 niños, permitió verificar su validez de contenido, criterio y constructo, para asegurar que puede ser utilizado como instrumento de evaluación de los logros de aprendizaje declarados en el currículo chileno. En consecuencia, la prueba de concepto de nuestro modelo de enseñanza fue exitoso. Estudios recientes demuestran que en Chile los procesos de capacitación docente no producen mejoras en los aprendizajes estudiantiles, indicando que la superación del problema de bajos desempeños exige la creación de estrategias curriculares más intensivas e integrales. En este contexto, el presente proyecto busca desarrollar un sistema de apoyo docente, cuyo núcleo pedagógico sea el modelo de enseñanza descrito arriba, y que pueda ser llevado con éxito a aulas reales del sistema educativo chileno. El primer resultado de este proyecto fortalece el TPM dotándole de la capacidad para entregar retroalimentación personalizada de manera automatizada en formato de recomendaciones de actividades para mejorar los aprendizajes. Para esto, crearemos algoritmos de inteligencia artificial que serán entrenados a partir de un etiquetado de datos (elaborado por educadoras expertas) que asignen actividades de aprendizaje adecuadas a los resultados TPM. El segundo resultado es un sistema de apoyo docente integral e intensivo que facilita la adopción de nuestro modelo de enseñanza en aulas reales. Dicho sistema permite que una institución pública (p.ej., un SLEP) brinde servicios educativos dirigidos a fortalecer la calidad de los aprendizajes matemáticos tempranos en todas las aulas de su red educativa. En más detalle, el “sistema de gestión pedagógica del aula matemática” coordina el uso de materiales educativos, profesionales expertos y plataformas tecnológicas para mejorar la calidad de los procesos de enseñanza-aprendizaje. La validación de este sistema involucra realizar una intervención escolar de tipo longitudinal, con grupo de control y cuatro medidas repetidas que permitan estimar su efecto en los aprendizajes matemáticos de 400 estudiantes. También se evalúa el nivel de aceptación del sistema por parte del cuerpo docente involucrado. El plan de implementación y masificación contempla que la Fundación Mustakis (mandante) masifique al uso del TPM y el acceso a los programas de capacitación on-line, el DAEM Requinoa (asociada) realice un pilotaje del sistema de gestión pedagógica del aula matemática y que la UOH (beneficiaria) genere alianzas con instituciones públicas (p.ej., DAEM, SLEP) para que adopten este sistema y puedan brindar servicios educativos que mejoren los aprendizajes matemáticos en las aulas de sus redes educativas.

Festival de la Ciencia 2023

Festival de la Ciencia 2023

promoverán la socialización del conocimiento y la instalación de capacidades en comunidades educativas, con el propósito de fortalecer las competencias CTCI en niñas, niños y adolescentes.

promoverán la socialización del conocimiento y la instalación de capacidades en comunidades educativas, con el propósito de fortalecer las competencias CTCI en niñas, niños y adolescentes.

El cáncer es la segunda causa de muerte en la población Chilena y se proyecta que en diez años será la primera causa de muerte en el país. A nivel regional, la región de O Higgins es la que presenta la mayor incidencia de muertes por cáncer. Actualmente, Chile invierte alrededor del 1% del PIB en atención y tratamiento del cáncer. Es indispensable y urgente comenzar a caracterizar molecularmente los cánceres prevalentes de la población Chilena pues esto permitirá integrar información que impactará las decisiones clínicas permitiendo la implementación de tratamientos específicos para los pacientes. El estudio genómico y molecular de sistemas biológicos complejos, como el desarrollo y progresión del cáncer, requieren del desarrollo de nuevos algoritmos y modelos teóricos para analizar e interpretar datos genómicos complejos (big- data). El principal objetivo del laboratorio de genómica computacional que instalaré en el instituto de ciencias de la ingeniería de la Universidad de O Higgins será desarrollar investigación de vanguardia entorno al diseño y aplicación de nuevos algoritmos y tecnologías ómicas para estudiar la arquitectura genómica de cánceres prevalentes de la población Chilena. La meta a largo plazo es trasladar estas tecnologías a la práctica clínica e impulsar la implementación de programas de medicina de precisión enfocados en el tratamiento y prevención del cáncer en nuestro país y región. Un segundo objetivo es impulsar y liderar investigación multidisciplinaria en temáticas de salud, agroindustria y minería, sectores críticos a desarrollar en la región de O'Higgins. Finalmente, el laboratorio de genómica computacional contribuirá a la formación de capital humano avanzado en áreas asociadas a la genómica, bioinformática y biología computacional.

El cáncer es la segunda causa de muerte en la población Chilena y se proyecta que en diez años será la primera causa de muerte en el país. A nivel regional, la región de O Higgins es la que presenta la mayor incidencia de muertes por cáncer. Actualmente, Chile invierte alrededor del 1% del PIB en atención y tratamiento del cáncer. Es indispensable y urgente comenzar a caracterizar molecularmente los cánceres prevalentes de la población Chilena pues esto permitirá integrar información que impactará las decisiones clínicas permitiendo la implementación de tratamientos específicos para los pacientes. El estudio genómico y molecular de sistemas biológicos complejos, como el desarrollo y progresión del cáncer, requieren del desarrollo de nuevos algoritmos y modelos teóricos para analizar e interpretar datos genómicos complejos (big- data). El principal objetivo del laboratorio de genómica computacional que instalaré en el instituto de ciencias de la ingeniería de la Universidad de O Higgins será desarrollar investigación de vanguardia entorno al diseño y aplicación de nuevos algoritmos y tecnologías ómicas para estudiar la arquitectura genómica de cánceres prevalentes de la población Chilena. La meta a largo plazo es trasladar estas tecnologías a la práctica clínica e impulsar la implementación de programas de medicina de precisión enfocados en el tratamiento y prevención del cáncer en nuestro país y región. Un segundo objetivo es impulsar y liderar investigación multidisciplinaria en temáticas de salud, agroindustria y minería, sectores críticos a desarrollar en la región de O'Higgins. Finalmente, el laboratorio de genómica computacional contribuirá a la formación de capital humano avanzado en áreas asociadas a la genómica, bioinformática y biología computacional.

Transferencia y adopción de Tecnologías para la Gestión de Riesgo en el Proceso Productivo de la Cereza: hacia una agricultura de precisión para la Región de O’Higgins

Transferencia y adopción de Tecnologías para la Gestión de Riesgo en el Proceso Productivo de la Cereza: hacia una agricultura de precisión para la Región de O’Higgins

Este proyecto busca conectar al ecosistema de la ciencia y tecnología con las fortalezas y necesidades de la sociedad enmarcado en el territorio de la Macrozona Centro Sur, que abarca las regiones del Libertador Bernando O’Higgins, del Maule, de Ñuble y del BioBío. Se han analizado siete dimensiones relevantes para el desarrollo de la Ciencia como son la infraestructura, el equipamiento disponible, el capital humano, la investigación, la innovación y emprendimiento, los laboratorios naturales y el sector productivo. Desde este análisis han emergido las áreas OECD de la Agricultura, la Ingeniería, la Educación y la Salud con potenciales de crecimiento y mayor impacto en sus habitantes. Los objetivos específicos son: 1) Implementar un modelo de gobernanza de acuerdo a los desafíos y oportunidades identificadas y que permita mejorar la competitividad de Universidades, Centros de Investigación, y otras organizaciones representativas del ámbito público y privado; 2) Fortalecer competencias en innovación abierta, complejidad de innovación y ciencia abierta en el ecosistema de ciencia y tecnología, para analizar desafíos y oportunidades de la macrozona en un lenguaje común; 3) Implementar métodos y mejores prácticas de Ciencia abierta para su aplicación en el ecosistema de ciencia y tecnología de la macrozona en el desarrollo de hipótesis robustas y conectados con sus capacidades y ventajas territoriales. Para realizar esta tarea se creará un comité de coordinación de la macrozona con la participación de la SEREMI de CTCI que convocará a académicos de disciplinas múltiples en concordancia con mesas temáticas transversales y específicas, en conjunto con el sector público y privado, grupo que denominaremos el ecosistema de ciencia y tecnología bajo el paradigma de ciencia abierta (eCTCI-CA), para co-crear un modelo de Ciencia abierta aplicado a la discusión de iniciativas las temáticas específicas propuestas: 1) Creación de modelos asociativos para el capital creativo, 2) Estructuras de convergencias de servicios territoriales, 3) Incorporación de nuevos modelos educativos, 4) Implementación de datos abiertos para el desarrollo de hipótesis, 5) Desarrollo de agricultura de nueva generación, 6) Inclusión de ruralidad sustentable, 7) Adaptación al cambio climático, 8) Desarrollo de Bioeconomía sostenible, 9) Implementado manufactura avanzada y nanomateriales, 9) Prevención y resiliencia del desastre, 10) Conectando investigación básica con la clínica aplicada a la salud pública. Durante la ejecución del proyecto por 2 años el eCTCI-CA será guiado en actividades de creación de confianza y de competencias en el desarrollo de proyectos utilizando metodologías de ciencia abierta, innovación abierta y ágiles. Colaborando en equipos multidisciplinarios con actores claves del sector público y privado para fortalecer la vinculación de las preguntas de investigación con el territorio y la sociedad componente. El impacto esperado de este proyecto es fortalecer la vinculación de las preguntas científicas con su territorio y sociedad, generar hipótesis y conocimiento desde equipos multidisciplinarios y colaborativos, y de manera recíproca conectar las políticas públicas con los requerimientos de eCTCI-CA bajo un paradigma de Ciencia Abierta. Para mantener la sustentabilidad en el tiempo de la iniciativa se propone la creación de una gobernanza con responsabilidades y liderazgo compartidos entre los asociados al proyecto y la creación de un modelo de transferencia de conocimiento al sistema público y privado.

Este proyecto busca conectar al ecosistema de la ciencia y tecnología con las fortalezas y necesidades de la sociedad enmarcado en el territorio de la Macrozona Centro Sur, que abarca las regiones del Libertador Bernando O’Higgins, del Maule, de Ñuble y del BioBío. Se han analizado siete dimensiones relevantes para el desarrollo de la Ciencia como son la infraestructura, el equipamiento disponible, el capital humano, la investigación, la innovación y emprendimiento, los laboratorios naturales y el sector productivo. Desde este análisis han emergido las áreas OECD de la Agricultura, la Ingeniería, la Educación y la Salud con potenciales de crecimiento y mayor impacto en sus habitantes. Los objetivos específicos son: 1) Implementar un modelo de gobernanza de acuerdo a los desafíos y oportunidades identificadas y que permita mejorar la competitividad de Universidades, Centros de Investigación, y otras organizaciones representativas del ámbito público y privado; 2) Fortalecer competencias en innovación abierta, complejidad de innovación y ciencia abierta en el ecosistema de ciencia y tecnología, para analizar desafíos y oportunidades de la macrozona en un lenguaje común; 3) Implementar métodos y mejores prácticas de Ciencia abierta para su aplicación en el ecosistema de ciencia y tecnología de la macrozona en el desarrollo de hipótesis robustas y conectados con sus capacidades y ventajas territoriales. Para realizar esta tarea se creará un comité de coordinación de la macrozona con la participación de la SEREMI de CTCI que convocará a académicos de disciplinas múltiples en concordancia con mesas temáticas transversales y específicas, en conjunto con el sector público y privado, grupo que denominaremos el ecosistema de ciencia y tecnología bajo el paradigma de ciencia abierta (eCTCI-CA), para co-crear un modelo de Ciencia abierta aplicado a la discusión de iniciativas las temáticas específicas propuestas: 1) Creación de modelos asociativos para el capital creativo, 2) Estructuras de convergencias de servicios territoriales, 3) Incorporación de nuevos modelos educativos, 4) Implementación de datos abiertos para el desarrollo de hipótesis, 5) Desarrollo de agricultura de nueva generación, 6) Inclusión de ruralidad sustentable, 7) Adaptación al cambio climático, 8) Desarrollo de Bioeconomía sostenible, 9) Implementado manufactura avanzada y nanomateriales, 9) Prevención y resiliencia del desastre, 10) Conectando investigación básica con la clínica aplicada a la salud pública. Durante la ejecución del proyecto por 2 años el eCTCI-CA será guiado en actividades de creación de confianza y de competencias en el desarrollo de proyectos utilizando metodologías de ciencia abierta, innovación abierta y ágiles. Colaborando en equipos multidisciplinarios con actores claves del sector público y privado para fortalecer la vinculación de las preguntas de investigación con el territorio y la sociedad componente. El impacto esperado de este proyecto es fortalecer la vinculación de las preguntas científicas con su territorio y sociedad, generar hipótesis y conocimiento desde equipos multidisciplinarios y colaborativos, y de manera recíproca conectar las políticas públicas con los requerimientos de eCTCI-CA bajo un paradigma de Ciencia Abierta. Para mantener la sustentabilidad en el tiempo de la iniciativa se propone la creación de una gobernanza con responsabilidades y liderazgo compartidos entre los asociados al proyecto y la creación de un modelo de transferencia de conocimiento al sistema público y privado.

The field of remote sensing is experiencing an unprecedented acceleration. Besides the large public programs such as Sentinel (see e.g. https://sentinel.esa.int/web/sentinel/missions/sentinel-2), private actors are creating fleets of micro-satellites capable of monitoring of the earth with daily revisits. This abundant and cheap data is creating opportunities for developing novel applications for the monitoring of industrial and agricultural activity. The automatic exploitation of this data is bound to specific application domain knowledge, which requires a mastery of advanced techniques such as computer vision and machine learning, as well as expert knowledge in the field of agriculture. To do this, the team must master earth observation satellites, be able to define the adequate mathematical detection theories, and build on a deep knowledge of satellite image processing, while also including expert knowledge in agriculture. This project aims at uniting competences across the fields of computer vision and machine learning, remote sensing to address emerging applications in agronomy. This project will in addition foster the creation of reproducible research by adopting a reproducible research methodology thus contributing the resulting algorithms to the journal Image Processing On-Line (IPOL). The IPOL journal is an initiative to establish a clear and reproducible state-of-the-art in the domain of image processing and computer vision.

The field of remote sensing is experiencing an unprecedented acceleration. Besides the large public programs such as Sentinel (see e.g. https://sentinel.esa.int/web/sentinel/missions/sentinel-2), private actors are creating fleets of micro-satellites capable of monitoring of the earth with daily revisits. This abundant and cheap data is creating opportunities for developing novel applications for the monitoring of industrial and agricultural activity. The automatic exploitation of this data is bound to specific application domain knowledge, which requires a mastery of advanced techniques such as computer vision and machine learning, as well as expert knowledge in the field of agriculture. To do this, the team must master earth observation satellites, be able to define the adequate mathematical detection theories, and build on a deep knowledge of satellite image processing, while also including expert knowledge in agriculture. This project aims at uniting competences across the fields of computer vision and machine learning, remote sensing to address emerging applications in agronomy. This project will in addition foster the creation of reproducible research by adopting a reproducible research methodology thus contributing the resulting algorithms to the journal Image Processing On-Line (IPOL). The IPOL journal is an initiative to establish a clear and reproducible state-of-the-art in the domain of image processing and computer vision.

Este proyecto de carácter nacional busca entregar un espacio en la red donde se pueda encontrar las herramientas necesarias para realizar vigilancia, pronóstico, investigación y control de la plaga emergente Drosophila suzukii. Busca articular información técnica, proyectos, artículos de investigación e investigadores. Además entrega información en tiempo real a los beneficiarios, productores, investigadores, asesores, sobre las detecciones validadas a nivel comunal.

Este proyecto de carácter nacional busca entregar un espacio en la red donde se pueda encontrar las herramientas necesarias para realizar vigilancia, pronóstico, investigación y control de la plaga emergente Drosophila suzukii. Busca articular información técnica, proyectos, artículos de investigación e investigadores. Además entrega información en tiempo real a los beneficiarios, productores, investigadores, asesores, sobre las detecciones validadas a nivel comunal.