Proyectos

[vc_section el_class="container mx-auto align-items-center circle--pattern" css=".vc_custom_1648956589196{padding-top: 3rem !important;}"][vc_row el_class="pb-5"][vc_column][vc_wp_custommenu nav_menu="6"][uoh_breadcrumb_component automatic_breadcrumb="true"][uoh_title_component title_dropdown="big" title_decorator="true"]{{title}}[/uoh_title_component][vc_column_text css=""]Descifrando la vulcanología física del grupo de volcanes de Rincón de Parangueo, Valle de Santiago, Guanajuato (México): implicaciones a futuros riesgos volcánicos. Convocatoria Institucional de Investigación Científica 2025 (Universidad de Guanajuato -México). PI: Pooja Vinod Kshirsagar (Departamento en Minas, Metalurgia y Geología, de la División de Ingenierías. Guanajuato). Role Laura Becerril: colaboradora extranjera.[/vc_column_text][/vc_column][/vc_row][/vc_section][vc_section css=".vc_custom_1649209804184{background-color: #f6faff !important;}" el_class="p-md-0 pt-md-5"][vc_row el_class="container mx-auto align-items-center p-md-0 pt-5"][vc_column el_class="p-0"][/vc_column][/vc_row][/vc_section][vc_section css=".vc_custom_1649210787516{background-color: #f6faff !important;}" el_class="p-md-0 pt-md-5 pb-md-5"][vc_row el_class="container mx-auto align-items-center"][vc_column][/vc_column][/vc_row][/vc_section]

[vc_section el_class="container mx-auto align-items-center circle--pattern" css=".vc_custom_1648956589196{padding-top: 3rem !important;}"][vc_row el_class="pb-5"][vc_column][vc_wp_custommenu nav_menu="6"][uoh_breadcrumb_component automatic_breadcrumb="true"][uoh_title_component title_dropdown="big" title_decorator="true"]{{title}}[/uoh_title_component][vc_column_text css=""]La elaboración del Plan Comunal del Municipio de Palmilla para la Reducción del Riesgo de Desastres (PRRD) implica varias etapas que incluye identificar y evaluar amenazas y vulnerabilidades, definir estrategias de reducción de riesgos, planificar la ejecución de medidas, asignar responsabilidades, establecer un sistema de alerta, diseñar planes de emergencia y realizar simulacros de manera continua. Para que el plan sea efectivo, se está fomentando la participación comunitaria y la colaboración con actores públicos y privados, asegurando que el plan sea un "documento vivo" que se actualiza periódicamente para adaptarse a los cambios.[/vc_column_text][/vc_column][/vc_row][/vc_section][vc_section css=".vc_custom_1649209804184{background-color: #f6faff !important;}" el_class="p-md-0 pt-md-5"][vc_row el_class="container mx-auto align-items-center p-md-0 pt-5"][vc_column el_class="p-0"][/vc_column][/vc_row][/vc_section][vc_section css=".vc_custom_1649210787516{background-color: #f6faff !important;}" el_class="p-md-0 pt-md-5 pb-md-5"][vc_row el_class="container mx-auto align-items-center"][vc_column][/vc_column][/vc_row][/vc_section]

[vc_section el_class="container mx-auto align-items-center circle--pattern" css=".vc_custom_1648956589196{padding-top: 3rem !important;}"][vc_row el_class="pb-5"][vc_column][vc_wp_custommenu nav_menu="6"][uoh_breadcrumb_component automatic_breadcrumb="true"][uoh_title_component title_dropdown="big" title_decorator="true"]{{title}}[/uoh_title_component][vc_column_text css=""]Sensibilización sobre Peligros Geológicos en la isla de Rapa Nui[/vc_column_text][/vc_column][/vc_row][/vc_section][vc_section css=".vc_custom_1649209804184{background-color: #f6faff !important;}" el_class="p-md-0 pt-md-5"][vc_row el_class="container mx-auto align-items-center p-md-0 pt-5"][vc_column el_class="p-0"][/vc_column][/vc_row][/vc_section][vc_section css=".vc_custom_1649210787516{background-color: #f6faff !important;}" el_class="p-md-0 pt-md-5 pb-md-5"][vc_row el_class="container mx-auto align-items-center"][vc_column][/vc_column][/vc_row][/vc_section]

[vc_section el_class="container mx-auto align-items-center circle--pattern" css=".vc_custom_1648956589196{padding-top: 3rem !important;}"][vc_row el_class="pb-5"][vc_column][vc_wp_custommenu nav_menu="6"][uoh_breadcrumb_component automatic_breadcrumb="true"][uoh_title_component title_dropdown="big" title_decorator="true"]{{title}}[/uoh_title_component][vc_column_text css=""]Este proyecto busca analizar el nivel de competencias digitales en estudiantes universitarios, abordando las brechas de género como un aspecto clave para una educación inclusiva y adaptada a las demandas de la era digital. La temática seleccionada es orden de género, ya que está investigación evaluará los factores asociados a las competencias digitales en estudiantes de primer y último año de la Universidad de O’Higgins, con el propósito de validar su impacto en la formación académica y el desarrollo de una ciudadanía digital activa y responsable. Para alcanzar este objetivo, se utilizará un modelo de ecuaciones estructurales (SEM) que permitirá medir cinco dimensiones de competencias digitales según el Marco Europeo DigComp: alfabetización informacional y de datos, comunicación y colaboración, creación de contenido digital, seguridad y resolución de problemas. Además, se evaluará el efecto moderador del género en la relación entre estas competencias y el nivel de ciudadanía digital, considerando su relevancia en el contexto de la transformación digital. El estudio se desarrollará mediante un enfoque cuantitativo, utilizando un cuestionario validado que será aplicado a una muestra representativa de estudiantes con equidad de género. Los resultados serán analizados a través de SEM con mínimos cuadrados parciales (PLS-SEM) para entender cómo estas competencias impactan la preparación de los y las estudiantes frente a los desafíos digitales actuales. Al finalizar el proyecto, los resultados se compartirán mediante, al menos, una publicación científica de alto impacto, una presentación en congreso, y un seminario de cierre dirigido a la comunidad universitaria, generando una base de conocimiento que apoye el desarrollo de políticas institucionales para reducir las brechas digitales de género en la educación superior.[/vc_column_text][/vc_column][/vc_row][/vc_section][vc_section css=".vc_custom_1649209804184{background-color: #f6faff !important;}" el_class="p-md-0 pt-md-5"][vc_row el_class="container mx-auto align-items-center p-md-0 pt-5"][vc_column el_class="p-0"][/vc_column][/vc_row][/vc_section][vc_section css=".vc_custom_1649210787516{background-color: #f6faff !important;}" el_class="p-md-0 pt-md-5 pb-md-5"][vc_row el_class="container mx-auto align-items-center"][vc_column][/vc_column][/vc_row][/vc_section]

[vc_section el_class="container mx-auto align-items-center circle--pattern" css=".vc_custom_1648956589196{padding-top: 3rem !important;}"][vc_row el_class="pb-5"][vc_column][vc_wp_custommenu nav_menu="6"][uoh_breadcrumb_component automatic_breadcrumb="true"][uoh_title_component title_dropdown="big" title_decorator="true"]{{title}}[/uoh_title_component][vc_column_text css=""]La ocurrencia de desastres asociados a amenazas naturales representa un desafío muy importante para Chile. Los frecuentes incendios en territorios forestales, los costos asociados a aluviones e inundaciones como las ocurridas en los inviernos de 2021 y de 2023 en la región de O’Higgins, e incluso la permanente amenaza de terremotos y volcanes, representan enormes costos para los territorios. Recientemente, la institucionalidad pública ha avanzado en el desarrollo de políticas de prevención de desastres con la aprobación de la Ley 21.364 (2021), creando el Sistema Nacional de Prevención y Respuesta ante Desastres (SINAPRED), sustituyendo la Oficina Nacional de Emergencia (ONEMI) por el Servicio Nacional de Prevención y Respuesta ante Desastres (SENAPRED). La ciencia tiene mucho que aportar a esta nueva institucionalidad pública. La Universidad de O’Higgins (UOH), por ejemplo, colabora con SENAPRED O’Higgins a través de la Mesa de Peligros Geológicos, instaurada el año 2021. No obstante, el desafío de la prevención de desastres y el fomento de la resiliencia necesita otras perspectivas que consideren las características de los espacios geográficos donde se producen los riesgos. Se necesita un trabajo colaborativo con la institucionalidad pública y la comunidad local, pero sobre todo, una perspectiva interdisciplinaria que aúne los conocimientos de la ciencia social y natural. La propuesta presentada busca generar una red que vincule a investigadores/as nacionales (UOH y Universidad de Chile) con investigadores de universidades de Países Bajos (Universidad Libre de Amsterdam) y Dinamarca (Universidad de Copenhague), para realizar actividades de intercambio de experiencias e investigación aplicada. Estos investigadores han logrado incidir en políticas públicas y estrategias a nivel local y regional en diversos países de Europa. Siguiendo una mirada multi-sectorial y nutridos de varias disciplinas, estos expertos han desarrollado perspectivas, herramientas y conocimientos de los cuales, sin duda, podemos aprender dada la coyuntura chilena con su nueva institucionalidad. El proyecto contempla tres etapas para crear y potenciar esta red. Primero, el equipo nacional visitar Ámsterdam y Copenhague para vincularse con equipos interdisciplinarios, intercambiando experiencias de trabajo aplicado. Destaca el trabajo que realiza el equipo de Chile con SENAPRED O’Higgins, y el trabajo aplicado en Europa con el Proyecto LINKS (https://links-project.eu/). Segundo, un experto de Europa visitará la UOH. En esta visita, el invitado participará en reuniones y talleres, y colaborará con investigación aplicada en la región. Y tercero, el proyecto realizará una serie de eventos presenciales, como un seminario nacional con el experto internacional, además de talleres aplicados con diferentes partes interesadas. A estos eventos se invitará a representantes de organismos públicos, académicos/as de otras instituciones y a la comunidad interesada en general. Como resultado, esta red permitirá: (1) intercambiar experiencias y difundir conocimiento aplicado sobre la gestión del riesgo a través de perspectivas interdisciplinarias; (3) potenciar el capital humano de estudiantes de la UOH y promover la investigación interdisciplinaria en la gestión del riesgo; y (3) crear y consolidar una entidad que visibilice el trabajo que realiza la UOH en torno a la gestión del riesgo, contribuyendo así a la reducción del riesgo de desastres a nivel regional y de la macrozona.[/vc_column_text][/vc_column][/vc_row][/vc_section][vc_section css=".vc_custom_1649209804184{background-color: #f6faff !important;}" el_class="p-md-0 pt-md-5"][vc_row el_class="container mx-auto align-items-center p-md-0 pt-5"][vc_column el_class="p-0"][/vc_column][/vc_row][/vc_section][vc_section css=".vc_custom_1649210787516{background-color: #f6faff !important;}" el_class="p-md-0 pt-md-5 pb-md-5"][vc_row el_class="container mx-auto align-items-center"][vc_column][/vc_column][/vc_row][/vc_section]

[vc_section el_class="container mx-auto align-items-center circle--pattern" css=".vc_custom_1648956589196{padding-top: 3rem !important;}"][vc_row el_class="pb-5"][vc_column][vc_wp_custommenu nav_menu="6"][uoh_breadcrumb_component automatic_breadcrumb="true"][uoh_title_component title_dropdown="big" title_decorator="true"]{{title}}[/uoh_title_component][vc_column_text css=""]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.[/vc_column_text][/vc_column][/vc_row][/vc_section][vc_section css=".vc_custom_1649209804184{background-color: #f6faff !important;}" el_class="p-md-0 pt-md-5"][vc_row el_class="container mx-auto align-items-center p-md-0 pt-5"][vc_column el_class="p-0"][/vc_column][/vc_row][/vc_section][vc_section css=".vc_custom_1649210787516{background-color: #f6faff !important;}" el_class="p-md-0 pt-md-5 pb-md-5"][vc_row el_class="container mx-auto align-items-center"][vc_column][/vc_column][/vc_row][/vc_section]

[vc_section el_class="container mx-auto align-items-center circle--pattern" css=".vc_custom_1648956589196{padding-top: 3rem !important;}"][vc_row el_class="pb-5"][vc_column][vc_wp_custommenu nav_menu="6"][uoh_breadcrumb_component automatic_breadcrumb="true"][uoh_title_component title_dropdown="big" title_decorator="true"]{{title}}[/uoh_title_component][vc_column_text css=""]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).[/vc_column_text][/vc_column][/vc_row][/vc_section][vc_section css=".vc_custom_1649209804184{background-color: #f6faff !important;}" el_class="p-md-0 pt-md-5"][vc_row el_class="container mx-auto align-items-center p-md-0 pt-5"][vc_column el_class="p-0"][/vc_column][/vc_row][/vc_section][vc_section css=".vc_custom_1649210787516{background-color: #f6faff !important;}" el_class="p-md-0 pt-md-5 pb-md-5"][vc_row el_class="container mx-auto align-items-center"][vc_column][/vc_column][/vc_row][/vc_section]

[vc_section el_class="container mx-auto align-items-center circle--pattern" css=".vc_custom_1648956589196{padding-top: 3rem !important;}"][vc_row el_class="pb-5"][vc_column][vc_wp_custommenu nav_menu="6"][uoh_breadcrumb_component automatic_breadcrumb="true"][uoh_title_component title_dropdown="big" title_decorator="true"]{{title}}[/uoh_title_component][vc_column_text css=""]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.[/vc_column_text][/vc_column][/vc_row][/vc_section][vc_section css=".vc_custom_1649209804184{background-color: #f6faff !important;}" el_class="p-md-0 pt-md-5"][vc_row el_class="container mx-auto align-items-center p-md-0 pt-5"][vc_column el_class="p-0"][/vc_column][/vc_row][/vc_section][vc_section css=".vc_custom_1649210787516{background-color: #f6faff !important;}" el_class="p-md-0 pt-md-5 pb-md-5"][vc_row el_class="container mx-auto align-items-center"][vc_column][/vc_column][/vc_row][/vc_section]

[vc_section el_class="container mx-auto align-items-center circle--pattern" css=".vc_custom_1648956589196{padding-top: 3rem !important;}"][vc_row el_class="pb-5"][vc_column][vc_wp_custommenu nav_menu="6"][uoh_breadcrumb_component automatic_breadcrumb="true"][uoh_title_component title_dropdown="big" title_decorator="true"]{{title}}[/uoh_title_component][vc_column_text css=""]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).[/vc_column_text][/vc_column][/vc_row][/vc_section][vc_section css=".vc_custom_1649209804184{background-color: #f6faff !important;}" el_class="p-md-0 pt-md-5"][vc_row el_class="container mx-auto align-items-center p-md-0 pt-5"][vc_column el_class="p-0"][/vc_column][/vc_row][/vc_section][vc_section css=".vc_custom_1649210787516{background-color: #f6faff !important;}" el_class="p-md-0 pt-md-5 pb-md-5"][vc_row el_class="container mx-auto align-items-center"][vc_column][/vc_column][/vc_row][/vc_section]

[vc_section el_class="container mx-auto align-items-center circle--pattern" css=".vc_custom_1648956589196{padding-top: 3rem !important;}"][vc_row el_class="pb-5"][vc_column][vc_wp_custommenu nav_menu="6"][uoh_breadcrumb_component automatic_breadcrumb="true"][uoh_title_component title_dropdown="big" title_decorator="true"]{{title}}[/uoh_title_component][vc_column_text css=""]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.[/vc_column_text][/vc_column][/vc_row][/vc_section][vc_section css=".vc_custom_1649209804184{background-color: #f6faff !important;}" el_class="p-md-0 pt-md-5"][vc_row el_class="container mx-auto align-items-center p-md-0 pt-5"][vc_column el_class="p-0"][/vc_column][/vc_row][/vc_section][vc_section css=".vc_custom_1649210787516{background-color: #f6faff !important;}" el_class="p-md-0 pt-md-5 pb-md-5"][vc_row el_class="container mx-auto align-items-center"][vc_column][/vc_column][/vc_row][/vc_section]