Hybrid Machine Learning for Multi-Stressor Crop Disease and Pest Detection Using high-resolution Hyperspectral, Thermal with Radiative transfer Analysis and exploitation of Next Generation Earth Observation missions (HYDRA-EO)

 

Entidades participantes: WU-DES, IRIAF, CNR-IBE, WERN

Investigador Coordinador (OPI al que pertenece): Dr. Carlos Camino González (WU-DES)

Organismo Financiador: European Space Agency (ESA)

Financiación: Total:  699.983€ / Subproyecto IRIAF: 95.000€

OBJETIVOS

El proyecto HYDRA-EO tiene como objetivo desarrollar un marco híbrido de aprendizaje automático (ML) para la detección de enfermedades de cultivos leñosos y hortícolas (pistacho, olivo, vid, patata y alfalfa) en múltiples condiciones de estrés biótico y abiótico. Este proyecto abordará retos críticos en la monitorización de las respuestas de los cultivos a distintos factores estresantes haciendo uso de escalas espaciales y temporales. A través de la integración de la teledetección hiperespectral y térmica de alta resolución, la modelización de la transferencia radiativa y los datos de observación de la Tierra (EO) multiescala, el proyecto aborda retos críticos en la monitorización de las respuestas al estrés de las plantas a través de escalas espaciales y temporales. Este proyecto aprovechará una combinación de las próximas misiones de la ESA-CHIME, FLEX y Copernicus LSTM (junto con las plataformas existentes como PRISMA, EnMAP, ECOSTRESS, Sentinel-2, OLCI, Sentinel-2 y Landsat) para mejorar la capacidad de vigilancia de la resistencia agrícola y la detección de enfermedades. Este enfoque multisensor y multiescala permitirá proporcionar soluciones robustas y escalables para la detección temprana de enfermedades, apoyando así a la agricultura de precisión y la gestión sostenible de los cultivos en distintos agroecosistemas.

Los subobjetivos que se han definido para llevar a cabo este proyecto son:

• Desarrollar un marco escalable de integración de datos hiperespectrales de alta resolución y térmicos adquiridos a nivel de hoja y dosel, y evaluar cómo la degradación espectral y espacial afecta a la extrapolación de rasgos vegetales e indicadores de estrés a escalas espaciales mayores (huertos, paisajes, huellas de observación por satélite, …).
• Realizar campañas aéreas para la detección y evaluación de la incidencia de plagas y enfermedades, y validar productos de OE basados en rasgos.
• Fenotipar el grado de incidencia de enfermedades y plagas en los cultivos evaluados.
• Genotipar la colección de variedades de pistacho perteneciente al CIAG-IRIAF para la integración de datos genotípicos y fenotípicos en análisis bioinformáticos para la determinación de marcadores moleculares con posible relación con la resistencia a las enfermedades evaluadas.
• Integrar datos aéreos y de satélite para el seguimiento de la dinámica del estrés.
• Desarrollar un marco híbrido de aprendizaje automático que integre los resultados hiperespectrales, térmicos y de RTM con datos EO multiescala. Se usarán rasgos vegetales derivados del RTM (compuestos bioquímicos, contenido de agua en hoja y dosel, propiedades estructurales, …). La integración de los rasgos funcionales de la planta con la modelización de la evapotranspiración reforzará la interpretación fisiológica de las respuestas a estreses.
• Validar e intercomparar los modelos de detección para garantizar la solidez científica y relevancia operativa. En esta validación se usarán los datos de campo independientes, mediciones fisiológicas e identificación de patógenos por PCR.

FORMACIÓN DE PERSONAL EN RELACIÓN AL PROYECTO.

Este proyecto contará con un contrato de formación postdoctoral de 12 meses, permitiendo a la persona que lo obtenga realizar distintas estancias con los distintos grupos que participan.