Se presenta la lista de 10 proyectos de investigación aplicada (TRL 6–8) para la carrera de Ingeniería Agronómica de la UAGRM, siguiendo el mismo formato riguroso que en los casos anteriores.
—
🎯 Enfoque prioritario para Ingeniería Agronómica
· Detección de plagas y enfermedades en cultivos (soja, maíz, caña) con visión por computadora.
· Predicción de rendimiento de cultivos con series temporales de satélites y LSTM.
· Optimización de riego y fertilización con sensores IoT y aprendizaje automático.
· Mapeo de propiedades del suelo con espectroscopía NIR y deep learning.
· Clasificación de malezas para aplicación selectiva de herbicidas con CNN.
· Monitoreo de estrés hídrico y nutricional con drones e inteligencia artificial.
· Gestión de cosecha y logística con algoritmos de optimización.
· Fenotipado de alto rendimiento con visión por computadora para mejoramiento genético.
—
1. SoyHealth – Detección temprana de enfermedades y plagas en soja usando CNN (YOLOv8) con imágenes de campo y drones
Problema científico
Las enfermedades en soja (roya, mancha marrón, oruga medidora) causan pérdidas de hasta el 30% en Santa Cruz. La detección temprana es clave para reducir el uso de agroquímicos, pero los métodos convencionales (inspección visual) son lentos y costosos.
Hipótesis principal
Un modelo YOLOv8 (You Only Look Once) entrenado con 15.000 imágenes de plantas de soja (capturadas con smartphone y dron) clasifica y localiza en tiempo real 6 tipos de enfermedades y 4 plagas con una precisión media (mAP@0.5) >0,92, superando la precisión de técnicos expertos en campo (0,85) y reduciendo el tiempo de inspección por hectárea de 40 minutos a 5 minutos.
Modelo de Red Neuronal Propuesto
YOLOv8 con backbone CSPDarknet y capas de atención, entrenado con aumentación de datos (rotación, brillo, ruido) para robustez en condiciones de campo. Se utilizará transfer learning desde un modelo pre-entrenado en ImageNet.
Base teórica
Los sistemas de visión por computadora basados en CNN han demostrado alta precisión en la identificación de enfermedades en cultivos. En el caso de la soja, modelos como LeafDPN y YOLO han sido exitosos en la identificación de bacteriosis y plagas de insectos bajo condiciones ambientales naturales.
Diseño Metodológico
Recopilación de 15.000 imágenes en 20 lotes de soja del departamento de Santa Cruz (diferentes fenologías). Anotación manual por agrónomos especialistas (kappa inter-observador >0,85). Entrenamiento con 80% de las imágenes, validación con 10% y prueba con 10% de lotes no vistos.
Viabilidad Técnica (TRL)
TRL 6 – prototipo de aplicación móvil y para dron DJI. Hardware: smartphone Android (cámara de 12 MP) o dron con cámara de alta resolución. Servidor para entrenamiento (GPU NVIDIA T4). Costo: $15.000 (incluye anotación y desarrollo).
Impacto Cuantificable
Precisión media >92% en detección. Reducción del 30% en aplicación de fungicidas e insecticidas al realizar aplicaciones localizadas y tempranas. Ahorro estimado de $80/ha por campaña.
Aplicabilidad Práctica Inmediata
Asociación de Productores de Soja de Santa Cruz (ANAPO), empresas de servicios fitosanitarios, ingenieros agrónomos asesores.
Proyección a 5 años
Aplicación «SoyHealth Bolivia» disponible gratuitamente para pequeños y medianos productores. Integración con API de alertas de la Gobernación para brotes de plagas.
—
2. YieldPredict – Predicción de rendimiento de soja en Santa Cruz usando series de NDVI (Landsat/Sentinel) y modelo ConvLSTM con atención
Problema científico
Los pronósticos actuales de rendimiento de soja se basan en datos históricos promedios. La variabilidad climática interanual provoca grandes errores, afectando la planificación de cosecha y comercialización.
Hipótesis principal
Un modelo ConvLSTM con capas de atención, entrenado con series temporales semanales de NDVI (índice de vegetación) de imágenes Landsat/Sentinel-2 y variables climáticas (precipitación, temperatura), predice el rendimiento final de soja (kg/ha) con un error RMSE <250 kg/ha (rango 0-5000 kg/ha) y un coeficiente de determinación R² >0,85, superando a modelos estadísticos tradicionales (R²=0,65).
Modelo de Red Neuronal Propuesto
ConvLSTM (convolucional + LSTM) con mecanismo de atención temporal. Entrada: serie temporal de 16 fechas (imágenes de 32×32 píxeles por parcela). Variables: NDVI, EVI, precipitación acumulada, temperatura media. Salida: rendimiento final.
Base teórica
Los modelos de deep learning que combinan datos espaciales y temporales superan a los métodos tradicionales en la predicción de rendimientos agrícolas. Arquitecturas como Capsular Attention Conv-LSTM y R2U-Net-AgriFocus han demostrado alta efectividad en este dominio.
Diseño Metodológico
Datos de 500 lotes comerciales de soja (2018-2024) con registros de rendimiento real (monitoreo de cosechadoras). Imágenes satelitales públicas (Google Earth Engine). Entrenamiento con 80% de lotes, validación temporal (2022-2023). Métricas: RMSE, R², MAPE.
Viabilidad Técnica (TRL)
TRL 6 – prototipo en Google Earth Engine + Python (TensorFlow). Datos satelitales públicos y datos de rendimiento con convenio ANAPO. Costo: $12.000.
Impacto Cuantificable
RMSE <250 kg/ha. Permite a productores y cooperativas ajustar la logística de cosecha y venta con 1 mes de anticipación. Potencial aumento de ingreso del 10% al evitar ventas anticipadas a precios bajos.
Aplicabilidad Práctica Inmediata
ANAPO, empresas comercializadoras de granos (Cargill, ADM, Gravetal), YPFB para planificación de biocombustibles.
Proyección a 5 años
Plataforma web «YieldPredict Bolivia» con actualización semanal durante la campaña. Extensión a maíz, girasol y trigo.
—
3. RiegoInteligente – Sistema de riego de precisión en cultivos de caña de azúcar (La Bélgica) usando sensores IoT (humedad de suelo) y modelo XGBoost para predicción de demanda hídrica
Problema científico
El riego por aspersión en caña de azúcar consume grandes volúmenes de agua (60% del costo operativo). Las decisiones de riego se basan en experiencia, no en datos en tiempo real.
Hipótesis principal
Un sistema con 30 sensores IoT de humedad de suelo (capacitancia) y datos climáticos (ET0), más un modelo XGBoost que predice la humedad del suelo a 48 horas, reduce el consumo de agua de riego en un 30% y mantiene o incrementa el rendimiento de biomasa (toneladas de caña/ha), en comparación con el riego tradicional por calendario fijo.
Modelo de Red Neuronal Propuesto
XGBoost (gradient boosting) con ventana de 7 días de datos de sensores, temperatura, radiación solar y precipitación. Salida: recomendación binaria de riego (sí/no) y duración en minutos. Se entrena con datos históricos de humedad y respuesta del cultivo.
Base teórica
Los sistemas de riego inteligente basados en IoT y ML optimizan el uso del agua al predecir la demanda en tiempo real y adaptarse a las variaciones estacionales. Sistemas similares han logrado reducir el consumo de agua entre un 20% y un 30%.
Diseño Metodológico
Instalación de 30 sensores de humedad a diferentes profundidades (20 cm, 40 cm, 60 cm) en 3 lotes de caña de azúcar (100 hectáreas). Registro durante 12 meses. Un lote con riego optimizado por ML, otro con riego tradicional (control). Medición de agua aplicada (hidrantes) y rendimiento final (toneladas de caña). Análisis estadístico de diferencias.
Viabilidad Técnica (TRL)
TRL 6 – prototipo de sensores (ESP32 + sonda capacitiva, $50/unidad) y servidor para modelo. Desarrollo en Python (scikit-learn). Costo total: $15.000.
Impacto Cuantificable
Ahorro del 30% de agua (ej. de 8.000 m³/ha/año a 5.600 m³/ha/año). Reducción del costo energético de bombeo en un 25%. Mantenimiento del rendimiento (>100 toneladas de caña/ha).
Aplicabilidad Práctica Inmediata
Ingenio La Bélgica, ingenio Guabirá, productores de caña independientes, azucareras bolivianas.
Proyección a 5 años
Sistema «RiegoInteligente» escalable a 5.000 hectáreas en el departamento. Integración con paneles solares para autonomía energética.
—
4. MalezaCNN – Clasificación de malezas (grama bermuda, coyolillo) en cultivos de maíz usando redes neuronales convolucionales (ResNet-50) en imágenes de drones
Problema científico
Las malezas compiten con el cultivo de maíz por nutrientes y agua, reduciendo rendimientos hasta un 40%. La aplicación de herbicidas de cobertura total es ineficiente y contamina el ambiente.
Hipótesis principal
Un modelo ResNet-50 fine-tuned con 8.000 imágenes aéreas de 4 malezas dominantes en el departamento de Santa Cruz (grama bermuda, coyolillo, batatilla, verdolaga) clasifica correctamente el tipo de maleza con una precisión >95% (F1-Score). Integrado a un dron, permite un mapa de densidad de malezas y la aplicación selectiva de herbicidas, reduciendo el uso de herbicidas en un 60% respecto a aplicación por cobertura total.
Modelo de Red Neuronal Propuesto
ResNet-50 pre-entrenada en ImageNet y fine-tuned con imágenes de cultivo (resolución de 0,5 cm/píxel). Salida: clasificación de 4 malezas + cultivo + suelo desnudo.
Base teórica
Las CNN han demostrado ser herramientas efectivas para la detección y clasificación de malezas en diversos cultivos, con arquitecturas como VGG y ResNet logrando altas precisiones en condiciones de campo. El uso de imágenes de dron permite la identificación temprana de brotes de malezas para un manejo sitio-específico.
Diseño Metodológico
Vuelos de dron (DJI Phantom 4) en 10 parcelas de maíz con diferente presión de malezas. Anotación manual por ingenieros agrónomos (8.000 imágenes). Entrenamiento con validación cruzada. Prueba de campo: un dron equipado con el modelo vuela sobre una parcela, genera mapa de malezas y se programa un pulverizador selectivo para aplicar herbicida solo en zonas con maleza.
Viabilidad Técnica (TRL)
TRL 6 – prototipo integrado (dron + computadora de a bordo NVIDIA Jetson Nano). Costo: $18.000.
Impacto Cuantificable
Reducción del 60% en uso de herbicidas (de 3 L/ha a 1,2 L/ha). Ahorro de $40/ha en insumos. Reducción de contaminación de suelos y aguas subterráneas.
Aplicabilidad Práctica Inmediata
Asociación de Productores de Maíz y Sorgo de Santa Cruz, empresas de servicios agrícolas de precisión, ingenieros agrónomos.
Proyección a 5 años
Servicio comercial «MalezaCNN» ofrecido por proveedores locales de agricultura de precisión. Capacitación a jóvenes ingenieros agrónomos en manejo de drones y ML.
—
5. NutriSuelo – Estimación de contenido de nitrógeno, fósforo y potasio en suelos agrícolas del departamento de Santa Cruz usando espectroscopía NIR portátil y redes neuronales (MLP)
Problema científico
El análisis químico de suelos en laboratorio es costoso ($50/muestra) y tarda de 2 a 4 semanas, lo que retrasa la aplicación de fertilizantes. No existen alternativas rápidas y económicas para el productor local.
Hipótesis principal
Un modelo de perceptrón multicapa (MLP) que procesa el espectro de reflectancia NIR (1.000-2.500 nm) de una muestra de suelo predice el contenido de NPK con error RMSE inferior a los rangos críticos de fertilización (ej. N: ±10 ppm, P: ±5 ppm, K: ±20 ppm), logrando un costo por análisis de $5 (vs $50 del método químico) y resultados en 2 minutos.
Modelo de Red Neuronal Propuesto
MLP de 3 capas ocultas (128, 64, 32) con dropout (0,3). Entrada: espectro de 500 bandas (reducido a 100 componentes principales). Salida: concentración de N, P, K (mg/kg).
Base teórica
La combinación de espectroscopía de infrarrojo cercano (NIR) con aprendizaje profundo permite la estimación no destructiva de propiedades del suelo a bajo costo y con alta precisión. Sistemas similares han demostrado ser una alternativa escalable a los métodos de química húmeda.
Diseño Metodológico
Recopilación de 1.000 muestras de suelos agrícolas del departamento (diferentes texturas, historiales de fertilización). Espectro NIR con dispositivo portátil (ej. NeoSpectra). Análisis químico de laboratorio como referencia. Entrenamiento del MLP con 80% de muestras, validación con 20%. Validación cruzada con muestras de nuevas zonas.
Viabilidad Técnica (TRL)
TRL 6 – prototipo con espectrómetro NIR portátil (costo $2.000) y aplicación Android para predicción. Desarrollo en Python (TensorFlow). Costo total: $14.000.
Impacto Cuantificable
Error RMSE para N <10 ppm, P <5 ppm, K <20 ppm. Reducción del costo de análisis del 90% (de $50 a $5). Tiempo de respuesta reducido de semanas a minutos. Permite a productores ajustar dosis de fertilizantes por parcela, reduciendo desperdicio en un 20%.
Aplicabilidad Práctica Inmediata
Laboratorios de suelos (SENASAG), cooperativas agrícolas, empresas de fertilizantes, ingenieros agrónomos en campo.
Proyección a 5 años
Kit «NutriSuelo» portátil comercializado a $500, con app gratuita. Base de datos espectral de suelos de Bolivia abierta a la comunidad científica.
—
6. FertilizaOpt – Optimización de dosis de fertilización nitrogenada en maíz usando redes neuronales (DQN) y datos de sensores de humedad, NDVI y tipo de suelo
Problema científico
La fertilización nitrogenada se aplica por dosis fija (ej. 150 kg N/ha), sin considerar la variabilidad espacial del suelo ni la disponibilidad de humedad. El exceso contamina acuíferos y aumenta costos.
Hipótesis principal
Un agente de aprendizaje por refuerzo (DQN) que integra datos de sensores de humedad, NDVI (imágenes satelitales semanales) y propiedades de suelo (materia orgánica, textura), decide la dosis de nitrógeno a aplicar (0, 50, 100, 150 kg N/ha) en cada punto de la parcela. En una simulación calibrada con datos reales, el agente logra un aumento del 15% en la eficiencia de uso de nitrógeno (EUN = rendimiento/N aplicado) y una reducción del 25% en pérdidas por lixiviación, en comparación con una dosis fija.
Modelo de Red Neuronal Propuesto
DQN (Deep Q-Network) con memoria de experiencia y target network. Estado: vector de 10 variables (humedad a 20 cm, NDVI, materia orgánica, textura, temperatura, etapa fenológica). Acción: 4 niveles de dosis de N. Recompensa: aumento de rendimiento simulado – costo del fertilizante – penalización por lixiviación.
Base teórica
Los sistemas de optimización de fertilización basados en ML utilizan datos en tiempo real de sensores IoT y satélites para generar recomendaciones precisas. Estos enfoques han demostrado reducir el desperdicio de nitrógeno y mejorar la sostenibilidad.
Diseño Metodológico
Se implementa un simulador calibrado con datos de 50 lotes de maíz (rendimientos, aplicaciones de N, datos de clima). El agente DQN se entrena durante 10.000 episodios. Se valida el desempeño comparando la política aprendida con la dosis fija del productor en 10 lotes nuevos (simulación).
Viabilidad Técnica (TRL)
TRL 6 – prototipo en simulador (Python, TensorFlow). Datos reales de productores (convenio con ANAPO). Costo: $15.000.
Impacto Cuantificable
Reducción del 25% en pérdidas de N por lixiviación (ej. de 40 kg N/ha a 30 kg N/ha). Ahorro de $30/ha en fertilizantes. Reducción de la contaminación de acuíferos (potencial beneficio ambiental).
Aplicabilidad Práctica Inmediata
Empresas de fertilizantes con asesoría técnica, grandes productores, ingenieros agrónomos especializados.
Proyección a 5 años
Sistema «FertilizaOpt» integrado en plataformas de agricultura de precisión (Climate FieldView). Formación a agrónomos en fertilización variable.
—
7. AgroDron – Monitoreo de estrés hídrico y nutricional en cultivos de soja mediante imágenes multiespectrales de dron y modelo de clasificación U-Net
Problema científico
El estrés hídrico y la deficiencia de nutrientes no son visibles a simple vista hasta que el cultivo presenta daño irreversible. La teledetección con drones permite detectar estrés temprano, pero se requiere un modelo que procese las imágenes multiespectrales en tiempo real.
Hipótesis principal
Una red U-Net entrenada con imágenes multiespectrales (bandas: verde, rojo, borde rojo, NIR, SWIR) y datos de verdor (NDVI) segmenta zonas de estrés en 3 categorías (hídrico, nutricional, normal) con una precisión (IoU) >85%. La detección se realiza con una semana de anticipación a la aparición de síntomas visibles, permitiendo intervenciones correctivas que reducen la pérdida de rendimiento en un 25%.
Modelo de Red Neuronal Propuesto
U-Net con backbone ResNet-34, entrada de 5 bandas multiespectrales (5x256x256 píxeles). Salida: mapa de segmentación por categorías.
Base teórica
Los modelos de segmentación semántica como U-Net son ampliamente utilizados en el análisis de imágenes multiespectrales para la identificación de estrés en cultivos. La combinación de bandas de borde rojo y SWIR es clave para la detección temprana de deficiencias.
Diseño Metodológico
Vuelos de dron multiespectral (DJI Phantom 4 Multispectral) en 10 lotes de soja en diferentes estados fenológicos y con diferentes niveles de estrés (inducido experimentalmente). Anotación manual de zonas de estrés por ingenieros agrónomos. Entrenamiento del modelo (80% de las imágenes, 20% validación). Validación en campo midiendo la capacidad del sistema para anticipar síntomas visibles.
Viabilidad Técnica (TRL)
TRL 6 – prototipo con dron multiespectral y computadora de a bordo (NVIDIA Jetson). Costo del equipo: $5.000 (dron). Desarrollo: $10.000. Total: $15.000.
Impacto Cuantificable
Reducción del 25% de pérdida de rendimiento por estrés. Ahorro de agua y fertilizantes al aplicar solo en zonas afectadas. Permite a productores conectar el mapa de estrés con sistemas de riego variable y fertilización variable.
Aplicabilidad Práctica Inmediata
Empresas de agricultura de precisión (AgriTech Santa Cruz), grandes productores de soja, ingenieros agrónomos consultores.
Proyección a 5 años
Servicio comercial «AgroDron» ofrecido por empresas locales con dron propio. Extensión a cultivos de caña de azúcar y girasol.
—
8. CosechaLog – Optimización de rutas de cosechadoras y transporte de granos en tiempo real usando algoritmos genéticos (NSGA-II) con datos GPS y rendimiento
Problema científico
La cosecha de granos es una operación logística compleja: cosechadoras y camiones deben coordinarse para evitar tiempos muertos. Las demoras por falta de coordinación pueden aumentar los costos en un 15% y extender el tiempo de cosecha, exponiendo el cultivo a pérdidas por mal tiempo.
Hipótesis principal
Un algoritmo genético multiobjetivo (NSGA-II) que procesa datos GPS de las cosechadoras (posición en tiempo real), mapas de rendimiento por parcela (rendimiento en kg/ha) y datos de humedad, optimiza la asignación de camiones y las rutas de descarga, reduciendo el tiempo de espera de las cosechadoras en un 40% y aumentando la eficiencia global de cosecha en un 25% (más toneladas cosechadas por día).
Modelo de Red Neuronal Propuesto
No se usa red neuronal. NSGA-II (algoritmo genético multiobjetivo) con función de adaptación que minimiza tiempo de espera de cosechadoras, distancia recorrida por camiones y horas de operación.
Base teórica
La optimización de flotas de cosecha es un problema de programación de vehículos con restricciones de capacidad y tiempo. Los algoritmos genéticos han demostrado ser efectivos para resolver problemas de logística agrícola en tiempo real.
Diseño Metodológico
Se recopilan datos de GPS de 3 cosechadoras y 6 camiones durante una campaña de soja (2 semanas). Se implementa un prototipo de software que recibe los datos en tiempo real y recomienda rutas. Se compara la eficiencia (toneladas/día) con el método actual (coordinación manual por radio).
Viabilidad Técnica (TRL)
TRL 6 – prototipo de software con interfaz web y app móvil. Datos GPS de tractores (AFS, JDLink). Costo: $12.000.
Impacto Cuantificable
Reducción del 40% en tiempo de espera de cosechadoras. Aumento del 25% en eficiencia de cosecha (toneladas/día). Ahorro de combustible del 15% en camiones.
Aplicabilidad Práctica Inmediata
Grandes productores de soja (más de 1.000 hectáreas), empresas de servicios de cosecha, cooperativas agrícolas.
Proyección a 5 años
Sistema «CosechaLog» integrado en software de gestión de flotas agrícolas. Extensión a la cosecha de caña de azúcar.
—
9. PlagaAlert – Sistema de alerta temprana de brotes de langosta (Schistocerca cancellata) en el Chaco boliviano usando redes LSTM con datos climáticos y trampas de luz
Problema científico
La langosta es una plaga cíclica que afecta la agricultura del Chaco boliviano. Las campañas de control son reactivas y costosas (insecticidas). No existen modelos predictivos locales.
Hipótesis principal
Un modelo LSTM entrenado con series temporales de capturas de langosta (trampas de luz) y variables climáticas (temperatura mínima, precipitación, humedad relativa) predice la abundancia de langosta adulta con 2 semanas de anticipación (correlación de Pearson >0,85). El sistema genera una alerta cuando la predicción supera un umbral definido por el SENASAG, permitiendo aplicar control preventivo y reducir el área afectada en un 40%.
Modelo de Red Neuronal Propuesto
LSTM bidireccional con capa de atención. Entrada: 30 días de historia de capturas y clima. Salida: captura estimada para los próximos 7 días (escalar).
Base teórica
Los modelos de deep learning han sido aplicados con éxito para pronosticar brotes de plagas en cultivos, como el gusano cogollero en maíz y el barrenador blanco en arroz. La integración de datos de trampas con series climáticas permite la predicción temprana de brotes.
Diseño Metodológico
Instalación de 10 trampas de luz en puntos estratégicos del Chaco (municipios de Charagua, Boyuibe, Camiri). Registro diario de capturas durante 2 años (convenio con SENASAG). Entrenamiento del LSTM con datos históricos (1 año), validación con segundo año. Umbral de alerta definido por especialistas (ej. >50 langostas/trampa/noche).
Viabilidad Técnica (TRL)
TRL 6 – prototipo de trampas automatizadas (célula fotoeléctrica + ESP32) y servidor en la nube. Costo: $15.000 (10 trampas).
Impacto Cuantificable
Anticipación de 2 semanas. Reducción del 40% del área afectada (ej. de 10.000 ha a 6.000 ha). Ahorro de $500.000 en insecticidas por año.
Aplicabilidad Práctica Inmediata
SENASAG, Gobernación de Santa Cruz, productores del Chaco (maíz, sorgo, pasturas).
Proyección a 5 años
Red de 50 trampas en el departamento, con paneles de control en línea para productores. Modelo escalado a otras plagas (oruga militar, chinche).
—
10. FenotipoIA – Fenotipado automático de caracteres agronómicos (altura de planta, nudos, vainas) en soja usando visión por computadora (Mask R-CNN) y nubes de puntos 3D
Problema científico
El mejoramiento genético de soja requiere medir cientos de parcelas (lotes de ensayo) manualmente, lo cual es lento, subjetivo y costoso. El fenotipado de alto rendimiento (HTP) con IA es una solución, pero no existe en Bolivia.
Hipótesis principal
Un sistema de fenotipado automatizado que combina imágenes RGB de alta resolución (desde una estructura de adquisición tipo fenotower) y un modelo Mask R-CNN para segmentar plantas individuales, más un algoritmo de estructura 3D (SFM) para extraer altura, número de nudos y vainas, alcanza una correlación de Spearman >0,90 con mediciones manuales en ensayos de mejoramiento, reduciendo el tiempo de fenotipado de 5 días a 3 horas para 1.000 parcelas.
Modelo de Red Neuronal Propuesto
Mask R-CNN (ResNet-50) para segmentar cada planta y sus componentes (tallo, vainas). Luego se procesa la nube de puntos 3D con algoritmos de visión por computadora (clustering, detección de planos) para extraer métricas.
Base teórica
El fenotipado automatizado con deep learning es una tendencia creciente en el mejoramiento genético. Las redes neuronales como Mask R-CNN permiten la segmentación precisa de órganos vegetales a partir de imágenes de campo.
Diseño Metodológico
Adquisición de 5.000 imágenes de plantas de soja (100 parcelas, 50 plantas/parcela) con una cámara de alta resolución montada en un brazo robótico. Mediciones manuales de altura, número de nudos y vainas por agrónomos (ground truth). Entrenamiento de Mask R-CNN. Validación con 20% de imágenes no vistas.
Viabilidad Técnica (TRL)
TRL 6 – prototipo de laboratorio de fenotipado. Hardware: cámara de 20 MP, servidor GPU, estructura de adquisición. Costo: $25.000.
Impacto Cuantificable
Correlación >0,90 con mediciones manuales. Reducción del 90% en tiempo de fenotipado (de 5 días a 3 horas). Permite a los mejoradores evaluar 5 veces más genotipos por temporada, acelerando la liberación de nuevas variedades.
Aplicabilidad Práctica Inmediata
Instituto de Biotecnología Agrícola de Bolivia (IBAB), Centro de Investigación Agrícola Tropical (CIAT), universidades con programas de mejoramiento.
Proyección a 5 años
Plataforma «FenotipoIA» disponible para programas de mejoramiento público y privado de Bolivia. Formación de ingenieros agrónomos en fenotipado de alto rendimiento.
—
📌 Nota final
Estos 10 proyectos para Ingeniería Agronómica cubren:
· Detección de plagas y enfermedades (1, 9)
· Predicción de rendimiento (2, 6)
· Riego y manejo de agua (3, 7)
· Manejo de malezas (4)
· Fertilización y suelo (5, 6)
· Logística de cosecha (8)
· Mejoramiento genético (10)
Costos entre $12,000 y $25,000, TRL 6–7. Viables en la UAGRM con articulación DEIS (extensión a productores, ANAPO, ingenios azucareros) y DICIT (infraestructura de cómputo y desarrollo de sensores). Se recomienda establecer convenios con ANAPO, SENASAG, el Instituto de Biotecnología Agrícola de Bolivia (IBAB) y el CIAT para acceso a datos y validación en campo.