|
|
|
T1.1 Seguimiento técnico y coordinación |
|
ENTREGAS |
|
D1.1 – Plan de riesgos técnicos |
|
D1.2 – Informe periódico nº 1 |
|
D1.3 – Informe periódico nº 2 |
|
D1.4 – Informe periódico nº 3 |
|
D1.5 – Plan de gestión de datos |
|
|
|
T2.1 Marco normativo y ético para la aplicación de fertilizantes y productos fitosanitarios en los cultivos. |
|
T2.2 Estudio de modelos agronómicos para la predicción de evapotranspiración, estrés abiótico, enfermedades fúngicas y plagas en cultivos leñosos. |
|
T2.3 Investigación sobre técnicas de modelización de información geoespacial a partir de datos agrícolas (por ejemplo, SIG, IoT, Copernicus) |
|
T2.4 Investigación y diseño de ontologías para la caracterización de procesos y modelos de IA en la cadena agroalimentaria |
|
ENTREGAS |
|
D2.1 – Libro blanco sobre el marco normativo para la fertirrigación en cultivos leñosos |
|
D2.2 – Lista de plantas leñosas y conjuntos de datos de tolerancia de las plantas al estrés biótico y abiótico en relación con condiciones climáticas específicas |
|
D2.3 – Ontologías para la caracterización de procesos agrícolas |
|
|
|
T3.1 Big Data y técnicas de fusión de información de datos de sensores, imágenes multiespectrales y predicción meteorológica |
|
T3.2 Hibridación de tecnologías LP-WAN y WLAN para la conectividad en entornos agrícolas remotos |
|
T3.3 Sistemas ciberfísicos para la supervisión de cultivos, agua y nutrientes y el control automatizado de la fertirrigación |
|
T3.4 Investigación de gemelos digitales y sistemas multiagente para la caracterización y simulación de la cadena agroalimentaria. |
|
ENTREGAS |
|
D3.1 – Dispositivo basado en Edge Computing para la ejecución de modelos de Machine Learning y la toma de decisiones en fertirrigación |
|
D3.2 – Entorno DTs y VAOs para la interacción entre agentes de toma de decisiones en fertirrigación y entidades agrícolas del mundo real |
|
|
|
T4.1 Redes neuronales recurrentes explicables para la predicción de la evapotranspiración de cultivos a partir de IoT e imágenes de satélite |
|
T4.2 Modelos de aprendizaje conjunto para la predicción del fenotipo y el rendimiento de los cultivos en función de los aportes de agua y nutrientes |
|
T4.3 Redes convolucionales recurrentes explicables para la predicción de enfermedades a partir de imágenes sensoriales y multiespectrales |
|
T4.4 Sistemas cognitivos y lógica difusa para la optimización de la fertirrigación y la aplicación de productos fitosanitarios en los cultivos |
|
ENTREGAS |
|
D4.1 – Modelos neuronales y de conjunto explicables para la predicción de rendimientos y enfermedades |
|
D4.2 – Motor cognitivo para la recomendación de fertirrigación y tratamientos fitosanitarios |
|
|
|
T5.1 Definición de métricas de evaluación e implementación a pequeña escala |
|
T5.2 Experimentación a pequeña escala |
|
T5.3 Análisis de resultados y elaboración de informes |
|
T5.4 Perfeccionamiento de algoritmos y modelos |
|
ENTREGAS |
|
D5.1 – Informe sobre los resultados de la experimentación en el entorno pertinente |