ES2890727T3 - Método, sistema y programa informático para realizar un pronóstico de plagas - Google Patents

Abstract

Un método para realizar un pronóstico de plagas, que comprende: en una pluralidad de trampas (1), capturar datos (10) que comprenden: fotografías de contenidos de trampa y metadatos asociados capturados durante un cierto período de tiempo (10a) y otros datos (10b) que comprenden coordenadas de GPS de la trampa respectiva; y enviar dichos datos (10, 10a, 10b) a través de medios de comunicación a un extremo remoto (2) situado en la nube; a partir de las fotografías de contenidos de trampa y metadatos (10a) asociados capturados en cada trampa (1), aplicar una fase de procesamiento visual y de aprendizaje (21) que comprende aplicar un modelo predictivo (22) para estimar un número de insectos identificados (31) en cada trampa (1) durante dicho cierto período de tiempo; preprocesar (25) al menos dicho número estimado de insectos identificados (31) en cada trampa (1), dichos metadatos asociados a las fotografías y dichos otros datos (10b) capturados en cada trampa (1), obteniendo de este modo un conjunto de datos preprocesados (32), comprendiendo dicho preprocesamiento (25) aplicar técnicas de aprendizaje automático, comprendiendo dicho preprocesamiento (25) la generación de características que codifican dicho número estimado de insectos identificados (31) en cada trampa (1), dichos metadatos asociados a las fotografías y dichos otros datos (10b) capturados en cada trampa (1), en una forma para un procesamiento con algoritmos de aprendizaje automático y de toma de decisiones; almacenar los datos preprocesados (32) en medios de almacenamiento de datos (27), manteniendo de este modo datos históricos a lo largo del tiempo; a partir de los datos preprocesados (32) recientemente y los datos históricos, realizar un pronóstico de plagas (33) para cada trampa (1) para los siguientes N días aplicando algoritmos de toma de decisiones (26), en donde realizar un pronóstico de plagas (33) comprende: alimentar (35) un modelo de aprendizaje automático (28) con dichos datos históricos y obtener resultados (36) del modelo ejecutado (28); realizar predicciones numéricas o cualitativas (29, 38) a partir del resultado (36) de aplicar dicho modelo de aprendizaje automático (28); almacenar dichas predicciones en medios de almacenamiento de datos (27); enriquecer dichos algoritmos de toma de decisiones (26) con dichas predicciones (29).

Description

DESCRIPCIÓN

Método, sistema y programa informático para realizar un pronóstico de plagas

Campo técnico

La presente invención se refiere al campo de la supervisión y el control de plagas. Más particularmente, esta se refiere a métodos y sistemas para supervisar plagas formadas por insectos, tales como insectos voladores, y para realizar un pronóstico de plagas.

Estado de la técnica

La supervisión de plagas es la base de todas las tecnologías modernas de producción de alimentos. Con el fin de ser competitivas, las técnicas agrícolas contemporáneas requieren un control intensivo de las posibles plagas que pueden afectar a los cultivos. En la última década, los métodos de supervisión de insectos han evolucionado de forma considerable, con la popularidad creciente de la gestión de plagas integrada como uno de los principales impulsores del cambio. Cuando sea aplicable, las plagas de insectos se supervisan con trampas a base de feromonas que requieren un trabajo manual tedioso de comprobación de trampas cada pocos días. Por lo tanto, la cantidad de insectos pegados sobre la trampa habitualmente da una idea del tipo y la relevancia de la plaga potencial.

La exploración manual del campo sigue siendo una forma predominante de supervisión de insectos de tipo plaga. Se colocan trampas con señuelo de feromonas convencionales en los campos y se observa de forma periódica el número de insectos nocivos que se capturan. Tradicionalmente, los productores (o técnicos, asesores, agrónomos, etc.) han de inspeccionar las trampas de forma regular cada pocos días. Las visitas de campo proporcionan datos acerca de cuántos insectos fueron capturados, lo que permite hacer suposiciones acerca de la dinámica de la población de insectos objetivo en el campo. Cuando la fase de desarrollo de plaga que es la más adecuada para tomar medidas de protección de cultivos elegidas se estima basándose en la población de la plaga objetivo en las trampas, el productor toma la decisión de pulverizar los cultivos con el insecticida apropiado, o usa otros medios de protección de cultivos (Prasad y Prabhakar, 2012). Sin embargo, el enfoque convencional no es óptimo. Debido a que las trampas se inspeccionan solo una vez o dos veces a la semana y, habitualmente, lleva algún tiempo compilar y procesar manualmente los datos, el tiempo de reacción a la presión de plagas es de aproximadamente 7 a 10 días.

Con el desarrollo reciente de productos nuevos de protección de cultivos que han de cumplir con unas normativas de seguridad alimentaria cada vez más estrictas, es necesario aplicar la protección de cultivos dentro de una ventana de tiempo muy limitada mientras la plaga objetivo está en ciertas fases de desarrollo. El uso de tales productos de protección de cultivos fuera de la ventana de tiempo recomendada (habitualmente, 3 -5 días) baja significativamente su eficiencia y aumenta el riesgo de encontrar resistencia por parte de las plagas. El resultado del método convencional de supervisión de plagas es que los plaguicidas se están usando de forma inapropiada, habitualmente en cantidades más grandes que las recomendadas más allá del tiempo óptimo, cuando la plaga ya ha crecido hasta la fase en la que la aplicación de protección de cultivos da lugar a un riesgo mayor de desarrollo de resistencia por parte de las plagas a los productos de protección de cultivos. Si los productores fueran alertados en tiempo real cuando el número de insectos nocivos alcanzara la fase de desarrollo adecuada, la eficiencia del insecticida podría aumentar en más del 30 por ciento (Chen, Zhao y Shelton, 2007). Además, inspeccionar las trampas cada pocos días da lugar a unos costes considerables, tales como el tiempo del personal y el combustible. Para productores y asesores de gran envergadura, que pueden tener incluso varios cientos o incluso miles de trampas, las visitas de campo (inspecciones de trampas) diarias no son, por lo tanto, económicamente viables debido a que las mismas exigen unas cantidades considerables de recursos. Tales visitas tampoco son sostenibles, especialmente en términos de emisiones de CO2 y mano de obra.

Además, hay un número de factores que afectan a la consistencia de la supervisión manual, tales como fiestas nacionales y vacaciones del personal, condiciones meteorológicas adversas que impiden al personal (o lo desmotivan para) realizar una visita sobre el terreno, motivación general del personal (un personal con una motivación más baja es más propenso a cometer errores al identificar y contar insectos nocivos) y la cualificación del personal (se necesitan unos costes y esfuerzos considerables para instruir al personal en la identificación correcta de las especies de insectos nocivos). La inconsistencia provocada por las razones mencionadas anteriormente da como resultado una supervisión intempestiva y una recopilación de datos incorrectos o engañosos, lo que, en consecuencia, aumenta la complejidad de la toma de decisiones de protección de cultivos y conduce a medidas de protección de cultivos inapropiadas. También existen modelos fenológicos, también conocidos como modelos de grados - día, que están diseñados para predecir o entender el desarrollo de insectos. Los insectos son organismos heterotérmicos, por lo que su crecimiento está relacionado con la temperatura ambiente. Esta propiedad se puede aprovechar para construir modelos que simulan la fase de desarrollo de un insecto. El modelo se construye usando los resultados de las observaciones realizadas sobre una población criada en un entorno controlado (por ejemplo, el laboratorio). El análisis permite hallar la función paramétrica de un sistema de ecuaciones diferenciales que describe la evolución de cada fase del ciclo vital de una plaga. La dificultad principal en el uso de estos modelos es su necesidad de mediciones de variables ambientales relevantes y tener en cuenta la intervención humana como acciones de protección de cultivos diferentes (como pulverización con insecticidas). También existen diferencias genéticas entre las poblaciones de plagas de diferentes regiones que pueden influir significativamente sobre el comportamiento de poblaciones de plagas.

El problema de la inspección física de las trampas, que requiere mucho tiempo, se aborda en la patente eslovena SI23715, que divulga un sistema para una detección y supervisión automática remota de la aparición de plagas de insectos. Esta se basa en una trampa que comprende componentes electrónicos que incluyen un módulo de comunicación inalámbrica. La trampa se comunica con un servidor, en el que se descargan imágenes capturadas en la trampa, y se procesan con software para un reconocimiento de imágenes automatizado. De forma similar, la patente de Estados Unidos US7401436B2 divulga un aparato de captura de insectos voladores y un método y sistema de supervisión remota que usa el aparato de captura. Serían documentos del estado de la técnica adicionales, relevantes en la técnica: los documentos US 2017/112116 A1 y WO 2017/172883 A1. Sin embargo, sigue siendo necesario estimar la ventana de tiempo óptima para tomar decisiones importantes, tales como el uso de productos de protección de cultivos.

Descripción de la invención

El sistema y método descrito en la presente divulgación pretende solucionar las deficiencias de los métodos de la técnica anterior para prever la evolución de plagas, produciendo un pronóstico automatizado de una población de plaga teniendo en cuenta diferentes datos, tales como datos recopilados en un cierto período de tiempo por una red grande de trampas automatizadas (es decir, trampas para insectos). También se pueden tener en cuenta otros datos, tales como datos meteorológicos (por ejemplo, recuperados de las trampas automatizadas) y pronóstico meteorológico. Los datos recopilados por las trampas automatizadas comprenden fotografías tomadas en esas trampas. Estas fotografías se procesan aplicando algoritmos de reconocimiento de fotografías, como resultado de lo cual se estima el número de individuos de tipo plaga en cada fotografía. Aplicando algoritmos avanzados de inteligencia artificial, se produce un pronóstico automatizado de una población de plaga. Se obtiene de este modo un pronóstico de plagas para diferentes plagas. El pronóstico se da para una o más ubicaciones geográficas de interés. En realizaciones de la invención, la ubicación geográfica de interés es un área definida por un cierto radio desde una trampa / ubicación para la cual se va a realizar un pronóstico. En realizaciones de la invención, la ubicación geográfica de interés es una agrupación de trampas que no están necesariamente dispuestas dentro de un cierto radio; por ejemplo, la agrupación de trampas puede comprender todas las trampas que pertenecen a los mismos campos o cooperativa o propietario). El pronóstico puede tener en cuenta solo las trampas que pertenecen a una ubicación geográfica de interés; o las trampas que pertenecen a la ubicación geográfica de interés, además de trampas en unas inmediaciones de la ubicación geográfica de interés (por ejemplo, dentro de un cierto radio); o todas las trampas que están enviando datos, es decir, incluyendo trampas más allá de aquellas en las inmediaciones de la ubicación geográfica de interés). El pronóstico también se puede determinar para otros puntos dentro de un área especificada usando métodos de interpolación.

En la presente divulgación, el término "insecto" se usa generalmente para hacer referencia a cualquier tipo de plaga que pueda afectar a cultivos. Aunque los cultivos se ven afectados habitualmente por plagas de insectos, un experto en la materia sabe que otros animales, tales como otros artrópodos, moluscos o gusanos, pueden afectar a los cultivos en forma de plaga. Ejemplos no limitativos de insectos que pueden constituir una plaga que afecta a un cultivo son: gusano bellotero del algodón (H. armígera), polilla del manzano (C. pomonella), gusano de la naranja navel (A. transitella), polilla de la vid (E. ambiguella), palomilla dorso de diamante (P. xylostella), mosca mediterránea de la fruta (C. capitata), mariposa plusia (A. gamma), drosófila de alas manchadas (D. suzukii), entre otros.

Un primer aspecto de la invención se refiere a un método de acuerdo con la reivindicación 1.

Los datos preprocesados recientemente pueden hacer referencia a datos capturados y preprocesados dentro de las últimas 24 horas, por ejemplo, dentro de las últimas 6 horas, o las últimas 12 horas, o la última 1 hora, o los últimos 30 minutos. El preprocesamiento puede comprender la generación de características que codifican dicho número estimado de insectos identificados en cada trampa, dichos metadatos asociados a las fotografías y dichos otros datos capturados en cada trampa.

En realizaciones de la invención, los otros datos capturados en cada trampa comprenden datos de temperatura y de humedad tomados por sensores dispuestos en las trampas respectivas.

En realizaciones de la invención, el método comprende además enviar, a través de medios de comunicaciones, datos procedentes de fuentes externas a dicho extremo remoto situado en la nube, comprendiendo dichos datos información y pronóstico meteorológicos. Los datos proporcionados por fuentes externas también pueden incluir datos históricos de migración de plagas.

En realizaciones de la invención, el método comprende además enviar, a través de medios de comunicaciones, datos proporcionados por usuarios de trampas, comprendiendo dichos datos una protección de cultivos aplicada a trampas de usuarios respectivos.

En realizaciones de la invención, la fase de estimar un número de insectos en cada trampa dentro de un cierto período de tiempo comprende además: actualizar y entrenar dicho modelo predictivo con datos de entrenamiento; verificar y corregir manualmente posibles errores en la estimación del número de insectos nocivos; enriquecer dichos datos de entrenamiento con el número actualizado de insectos nocivos y con los errores corregidos manualmente en la estimación del número de insectos nocivos.

En realizaciones de la invención, la fase de preprocesamiento comprende al menos uno de los siguientes: limpieza de datos, etiquetado de datos automático, detección de tendencias automática, manejo de datos faltantes y detección y corrección de valores atípicos automática.

En realizaciones de la invención, el pronóstico de plagas realizado está en forma o bien de una predicción numérica o bien de una provisión de una fase de desarrollo de la plaga observada en un intervalo de tiempo o una recomendación de protección de cultivos.

En realizaciones de la invención, la fase de aplicar algoritmos de toma de decisiones para realizar un pronóstico de plagas comprende además: alimentar un modelo de aprendizaje automático con dichos datos históricos; realizar predicciones numéricas o cualitativas a partir del resultado de aplicar dicho modelo de aprendizaje automático; almacenar dichas predicciones en medios de almacenamiento de datos; enriquecer dichos algoritmos de toma de decisiones con dichas predicciones. El modelo de aprendizaje automático puede comprender al menos una de las técnicas siguientes: aprendizaje automático de clasificación, enfoques para combinar varios modelos (por ejemplo, aprendizaje en conjunto) y aprendizaje sensible al coste.

En realizaciones de la invención, el pronóstico de plagas realizado para una trampa se basa al menos en las trampas que pertenecen a una ubicación geográfica de interés, siendo la ubicación geográfica de interés un área definida por un cierto radio desde la ubicación de dicha trampa o una agrupación de trampas no necesariamente dispuestas dentro de un cierto radio.

Un segundo aspecto de la invención se refiere a un sistema para realizar un pronóstico de plagas, de acuerdo con la reivindicación 11.

En realizaciones de la invención, los medios de comunicación son inalámbricos.

En realizaciones de la invención, al menos alguna de dicha pluralidad de trampas comprende sensores meteorológicos configurados para recopilar datos meteorológicos procedentes de la trampa.

Un tercer aspecto de la invención se refiere a un programa informático de acuerdo con la reivindicación 14.

En contraposición con los modelos de grados - día / modelos biológicos puros basándose en datos meteorológicos, y su influencia determinada a través de experimentos controlados (a veces potenciados con recuentos de plagas basándose en exploración manual de campo), la presente divulgación usa una verificación constante (es decir, diaria) de datos de trampas basándose en capturas reales. Esto permite ajustar los modelos de pronóstico basándose en la biología.

La invención proporciona varias ventajas, tales como la posibilidad de aplicar medidas de protección de cultivos de la forma más óptima. Eso asegura un uso sostenible de los productos de protección de cultivos y minimiza el riesgo de resistencia por parte de las plagas.

Este enfoque proporciona un pronóstico más preciso que los enfoques convencionales. Por supuesto, esto es crucial para unas decisiones de protección de cultivos proactivas y precisas.

Ventajas y características adicionales de la invención se harán evidentes a partir de la descripción detallada que sigue y se señalarán particularmente en las reivindicaciones adjuntas.

Breve descripción de los dibujos

Para completar la descripción y con el fin de proporcionar un mejor entendimiento de la invención, se proporciona un conjunto de dibujos.

Los dibujos comprenden las siguientes figuras:

La figura 1 muestra una representación esquemática de un sistema para llevar a cabo el método de la invención, en el que se ilustra una pluralidad de trampas para insectos para capturar datos de plaga. Los datos capturados en las trampas se procesan en un extremo remoto junto con otros datos de entrada opcionales, tales como datos procedentes de fuentes externas y datos proporcionados por usuarios. Se obtiene un pronóstico de plagas basándose en esos datos de entrada.

La figura 2 muestra un diagrama de flujo de un método para realizar un pronóstico de plagas de acuerdo con una realización de la invención.

La figura 3 muestra una imagen tomada de una trampa, a la que se ha aplicado el procesamiento visual y el aprendizaje representados en la figura 2.

Descripción de una forma de llevar a cabo la invención

La figura 1 muestra una representación esquemática de una pluralidad de trampas para insectos 1 dispuestas en ubicaciones de los usuarios (de un mismo usuario o de diferentes usuarios), tal como en los campos de cultivo o cultivos. Cada usuario puede tener una o más trampas 1. En la figura, solo se muestran tres trampas 1. Esto es meramente ilustrativo y puede haber cientos de trampas 1 configuradas para enviar datos a un extremo remoto. Las trampas 1 son convencionales y están fuera del alcance de la presente invención. Cada trampa 1 tiene una carcasa. Preferiblemente, la carcasa está optimizada para atraer insectos. Por lo tanto, se puede disponer un señuelo, tal como un señuelo de feromonas, en las proximidades de una superficie pegajosa mantenida en cada trampa 1, con el fin de atraer un tipo específico de insecto de tal forma que el insecto quede pegado sobre la superficie pegajosa. En otras palabras, dentro de la carcasa se dispone un elemento pegajoso sobre el que pueden quedar atrapados insectos.

Cada trampa 1 también comprende equipo electrónico, que incluye al menos una cámara para tomar fotografías de los insectos capturados por la trampa, unos medios de ubicación geográfica, tales como un módulo de GPS, para recuperar la ubicación de la trampa 1, y unos medios de comunicaciones, tales como un módulo de comunicación, para enviar las fotografías capturadas a un extremo remoto 2 para un almacenamiento y un procesamiento adicionales. Un lector experto entenderá que el término GPS significa Sistema de Posicionamiento Global y que el módulo de GPS se puede implementar por medio de cualquier sistema de posicionamiento, incluyendo, pero sin limitación, GPS de EE. UU., Glonass y Galileo, por ejemplo. Los medios de ubicación geográfica proporcionan datos espaciales acerca de trampas. Los datos espaciales pueden ser o bien datos basados en ubicación geográfica (por ejemplo, todas las trampas dentro de un cierto radio desde la trampa / ubicación para la que se va a realizar un pronóstico) o bien datos de atributo (por ejemplo, todas las trampas / ubicación que pertenecen a la misma agrupación de trampas, por ejemplo, todas las trampas que pertenecen a los mismos campos o cooperativa o propietario). En otras palabras, se usan datos espaciales para seleccionar las trampas 1 a partir de las cuales se van a usar datos relevantes (insectos, condiciones meteorológicas...). Los datos espaciales sirven para establecer un criterio para la selección de trampas objetivo. Se pueden usar datos espaciales / referencias geográficas para determinar qué trampas es necesario tener en cuenta para el pronóstico de plagas. Los medios de comunicación son preferiblemente inalámbricos, aunque estos pueden ser cableados, y se implementan a través de protocolos de comunicación de datos bien conocidos, tales como, pero sin limitación, WiFi, Bluetooth, UMTS, LTE o similares. En cada trampa 1, la al menos una cámara toma fotografías o bien de forma periódica, por ejemplo, a intervalos de tiempo preestablecidos, o bien de forma no periódica. El envío de fotografías al extremo remoto 2 también puede ser o bien de forma periódica o bien de forma no periódica.

El equipo electrónico puede incluir adicionalmente sensores meteorológicos, tales como uno o más sensores de temperatura y / o uno o más sensores de humedad, para recopilar datos meteorológicos procedentes de las trampas 1. Estos datos meteorológicos se pueden capturar de forma periódica o de forma no periódica. A este respecto, las condiciones meteorológicas son muy importantes en el método actual para establecer un pronóstico de plagas, teniendo en cuenta que la biología tiene una influencia fundamental sobre una población de plaga futura, así como sobre los daños causados a los cultivos. Por ejemplo, si las temperaturas son demasiado altas o demasiado bajas, estas desempeñarán un papel significativo en la población de plaga futura (un indicador clave habitual son los grados - día). Además, los inventores de la presente invención han observado que los datos meteorológicos también desempeñan un papel fundamental en la susceptibilidad de la planta al daño - por ejemplo, puede haber una población de plaga significativa, sin embargo, un cultivo objetivo no está en la fase en la que tal población de plaga causaría daño alguno (los frutos no se han desarrollado aún, entre otras fases).

El equipo electrónico también incluye medios de alimentación, tales como uno o más módulos de energía, para alimentar energía a los componentes electrónicos comprendidos en una trampa 1 correspondiente. Ejemplos no limitativos de medios de alimentación son células solares, batería y / o clavija eléctrica. El equipo electrónico puede incluir adicionalmente unos medios de procesamiento de fotografías básicos, por ejemplo, para detectar cuándo una trampa requiere limpieza, y / o unos medios de almacenamiento de datos, tales como una o más memorias, por ejemplo, para almacenar fotografías tomadas en una trampa 1, datos meteorológicos recopilados por sensores meteorológicos, y / u otros datos. Cada trampa 1 también puede comprender un mecanismo de autolimpieza de trampa, para limpiar la trampa sin requerir que una persona se desplace hasta la ubicación de trampa.

En resumen, cada trampa 1 envía al extremo remoto 2 diferentes datos 10 capturados en la trampa, tales como: fotografías de contenidos de trampa (es decir, insectos capturados, de haber alguno) y metadatos asociados, tales como el momento en el que se tomaron las fotografías; las coordenadas de GPS de la trampa respectiva desde la que se envían fotografías; y datos de temperatura y de humedad tomados en la trampa respectiva, si la trampa 1 tiene sensores meteorológicos. Estos datos se envían preferiblemente de forma periódica, tal como una vez al día o una vez cada período de tiempo, como una vez cada hora o una vez cada 30 minutos. Estos datos procedentes de las trampas 1 se representan en la figura 1 con las flechas 10.

La figura 1 también ilustra un extremo remoto 2 al que se envían los datos 10 desde cada trampa 1 para su procesamiento adicional. El extremo remoto 2 se puede materializar como un medio informático, tal como cualquier medio que comprenda una capacidad de procesamiento y una capacidad de almacenamiento, tal como un ordenador o una agrupación de ordenadores. En una implementación preferida de la invención, los medios informáticos del extremo remoto 2 están situados en la nube, en donde se asigna una capacidad de almacenamiento y de procesamiento en la nube. Los medios informáticos pueden funcionar como un servidor.

Con el fin de realizar el cálculo del pronóstico de plagas de la presente invención, el extremo remoto 2 - más precisamente, los medios informáticos del extremo remoto 2 - también se puede alimentar con otros datos, si están disponibles, además de los datos 10 proporcionados por las trampas 1. Las fuentes externas, que pueden ser fuentes gratuitas o fuentes sujetas a pago, pueden proporcionar información y pronóstico meteorológicos, tales como temperatura, precipitaciones, lluvia y / o velocidad del viento. Las fuentes externas también pueden proporcionar datos, tales como datos históricos de migración de plagas, procedentes de usuarios de un sistema de gestión agrícola. Por ejemplo, algunas plagas son migradoras conocidas y esas tendencias se pueden observar con una red de trampas a lo largo de un área más grande y se pueden tener en cuenta en pronósticos futuros. Los datos procedentes de fuentes externas se representan en la figura 1 con las flechas 11.

El extremo remoto 2 también se puede alimentar con unos datos 12 proporcionados por usuarios de trampas, tales como datos de cultivo proporcionados por el usuario de una trampa (es decir, el productor o el personal correspondiente) y / o información visual acerca de plagas (por ejemplo, fotos, vídeos). Ejemplos no limitativos de datos de cultivos son el tipo, la cantidad y / o el tiempo, relacionados con la siembra y la protección de cultivos (tal como pulverización, cambio de señuelos, cambio de superficies pegajosas, perturbación del apareamiento, control biológico, etc.). La población de plaga está fuertemente influenciada por la protección de cultivos. Por esta razón, obtener datos con respecto a la protección de cultivos puede potenciar el éxito del pronóstico de plagas. Estos datos se representan en la figura 1 con la flecha 12. Como puede entender el lector, la provisión de estos datos 12 depende de la disponibilidad de los usuarios, como consecuencia de lo cual no se puede garantizar su provisión. Por lo tanto, el método de cálculo de un pronóstico de plagas se puede realizar sin estos datos 12 proporcionados por usuarios de trampas. En realizaciones de la invención, estos datos 12 pueden ser introducidos por usuarios (por ejemplo, o bien a través de una página web o bien a través de una aplicación electrónica o una aplicación de software).

En los medios informáticos del extremo remoto 2, se procesan y se almacenan todos los datos recibidos (al menos datos procedentes de trampas 10, opcionalmente también datos procedentes de fuentes externas 11 y / o datos proporcionados por usuarios 12). El procesamiento y almacenamiento se realiza preferiblemente en la nube. En particular, los medios de procesamiento pueden realizar procesamiento de datos, técnicas de visión por ordenador y algoritmos de aprendizaje automático con el fin de pronosticar apariciones futuras de insectos a partir de datos actuales y recopilados históricamente. En particular, se realiza un pronóstico 33 de apariciones de insectos nocivos para cada trampa 1 durante los siguientes N días, siendo N un número natural. En realizaciones de la invención, N se selecciona como sigue: 1 < N < 30, tal como 1 < N < 21, o 1 < N < 15 o 1 < N < 7. El pronóstico 33 puede estar sujeto a probabilidades y se puede basar en datos interpolados procedentes de trampas. El pronóstico 33 tiene en cuenta al menos una ubicación geográfica de interés, usando al menos los datos 10 obtenidos a partir de una pluralidad de trampas 1. Opcionalmente, se pueden usar datos procedentes de fuentes externas 11 y datos proporcionados por usuarios de trampas 12. El pronóstico puede tener en cuenta una pluralidad de ubicaciones geográficas de interés. El pronóstico 33 realizado para una trampa 1 puede tener en cuenta solo las trampas que pertenecen a una ubicación geográfica de interés; o las trampas que pertenecen a la ubicación geográfica de interés, además de trampas en unas inmediaciones de la ubicación geográfica de interés (por ejemplo, dentro de un cierto radio); o todas las trampas 1 que están enviando datos 10, es decir, incluyendo trampas más allá de aquellas en las inmediaciones de la ubicación geográfica de interés). El pronóstico se puede realizar para ubicaciones diferentes de las ubicaciones de trampa. En una realización particular, que representa el escenario más simple, la predicción (pronóstico) se realiza interpolando simplemente los datos de las trampas 1 que se tienen en cuenta. En otras realizaciones, las predicciones (pronóstico) se pueden ampliar ponderando de acuerdo con la distancia entre trampas y / o de acuerdo con las confianzas de las predicciones de trampa. En otras realizaciones, se usan esquemas más complicados para combinar predicciones (pronóstico), tales como esquemas usados habitualmente en el aprendizaje automático.

El pronóstico 33 puede adoptar diferentes formas, dependiendo de las preferencias de usuario y del uso previsto de las predicciones. Por lo tanto, la predicción puede ser una predicción numérica de la densidad de plagas esperada en el intervalo de tiempo (por ejemplo, en los días inmediatamente siguientes, o la siguiente semana...). A modo de ejemplo, una predicción numérica puede ser: "Se espera que mañana se observen 5 insectos", o "Se espera que la siguiente semana haya 0,7 insectos por metro cuadrado". Esto se puede ver como la forma más simple de predicción. Una segunda versión, más sofisticada, de una predicción numérica puede definir la distribución de probabilidad esperada de una plaga, por ejemplo, una distribución normal con una cierta desviación típica y media. Esta segunda forma de predicción es una descripción cualitativa de una población de plaga, tal como una tendencia estable / creciente / decreciente de la población de la plaga, en el siguiente período de tiempo (es decir, varios días, una o más semanas...). Se observa que las predicciones cualitativas también pueden tener una precisión variable (como una tendencia creciente, decreciente o estable, o posiblemente varios (por ejemplo, 5) valores diferentes de intensidad de tendencia). Una tercera forma de la predicción 33 es la provisión de la fase de desarrollo de la plaga observada en un intervalo de tiempo, por ejemplo, fase de desarrollo de huevo, de larva, de pupa o de adulto. Una cuarta forma de la predicción 33 es la recomendación de protección de cultivos en un intervalo de tiempo, por ejemplo, pulverización necesaria o no necesaria. Todos estos cuatro tipos de los pronósticos 33 pueden contener información adicional, como probabilidad o confianza de estimación, horizonte de predicción o diferentes estimaciones para diferentes horizontes de predicción. Algunos de los cuatro tipos de pronósticos, o su totalidad, se pueden obtener a partir de predicciones numéricas y, opcionalmente, usando algunos modelos biológicos adicionales. Sin embargo, aquellas predicciones que no sean puramente numéricas pueden presentar un desempeño mejor en términos de potencia de predicción o en términos de satisfacción de usuario (véase, por ejemplo, D. Suc, D. Vladusic, I. Bratko, Qualitatively faithful quantitative prediction, Artificial Intelligence, 158 (2) (2004), págs.189 - 214). En resumen, el pronóstico de población de plaga puede proporcionar diferentes resultados, tales como número, tendencia o fase de desarrollo; puede proporcionar una descripción cualitativa o cuantitativa con una precisión variable, tal como aumento / disminución / estable; y puede estar sujeto a una cierta probabilidad. Las diferentes fases para realizar el pronóstico de plagas 33 de acuerdo con la presente divulgación se explican en vista del diagrama de flujo ilustrado en la figura 2.

Con respecto a la figura 2, en primer lugar, a partir de los datos 10 capturados en cada trampa 1, las fotografías y metadatos 10a asociados se introducen en una fase de procesamiento visual y de aprendizaje 21. Cada imagen está asociada con un número de trampa exclusivo y una marca de tiempo, por lo que se sabe en dónde y cuándo se tomó la imagen. Otros datos 10b de los datos 10 capturados en cada trampa 1, tales como coordenadas de GPS de las trampas respectivas y datos de temperatura y de humedad tomados en la trampa respectiva, si la trampa 1 tiene sensores meteorológicos, se introducen en una fase de preprocesamiento 25. En la fase de procesamiento visual y de aprendizaje 21 se obtiene un número de insectos nocivos 31 identificados en cada imagen de cada trampa (es decir, el número de insectos atrapados en la trampa correspondiente). Las técnicas de reconocimiento de imágenes identifican el número de insectos nocivos objetivo en la imagen, por ejemplo, el número de E. ambiguella o el número de C. capitate, u otros. Esto se hace usando un modelo predictivo 22 basándose en un enfoque de aprendizaje profundo o en otros medios para identificar el número de insectos nocivos a partir de cada imagen. El modelo predictivo comprende pesos de red y una estructura de red, que se adaptan a una plaga específica. En realizaciones de la invención, el modelo predictivo está adaptado para una plaga específica (por ejemplo, para E. ambiguella). En otras palabras, hay un modelo por cada plaga individual. Habitualmente, esto produce unos resultados mejores. En realizaciones de la invención, se usa un modelo predictivo general a entrenar / adaptar a varias plagas y se adapta para contar el número de esos insectos nocivos en las imágenes. Esto reduce el tiempo necesario para entrenar el modelo al tiempo que se obtiene una precisión de reconocimiento tan buena como es posible.

En el presente caso se podrían usar otras técnicas de visión por ordenador convencionales o personalizadas, tales como segmentación, clasificación usando descriptores de imagen locales, etc. El modelo predictivo 22 se actualiza / entrena con unos datos de entrenamiento 24. El resultado del modelo predictivo 22 es una posición de cada insecto atrapado en una imagen, por lo que se conoce el número total de insectos por imagen 31. A modo de ejemplo, la figura 3 muestra una imagen tomada de una trampa, a la que se ha aplicado la fase de procesamiento visual y de aprendizaje 21. En este ejemplo particular, se ha aplicado un modelo predictivo 22 para detectar una plaga denominada helicoverpa. En la imagen, los cuadrados alrededor de la plaga identificada se refieren a detecciones de helicoverpa con p (helicoverpa | recuadro) > 0,5. En cada cuadrado, se muestra la probabilidad estimada de que la plaga sea helicoverpa.

El número de insectos (insectos nocivos) identificados 31 en cada trampa y sus posiciones sobre la placa pegajosa se obtiene de una forma plenamente automática. Además, es posible verificar y corregir manualmente unos errores posibles 23, corrigiendo de este modo manualmente el número de insectos nocivos 31 obtenidos de forma automática. Además, los datos de entrenamiento 24 usados para actualizar / entrenar el modelo predictivo 22 se pueden enriquecer añadiendo los datos clasificados / verificados / corregidos 23 recién obtenidos. Por lo tanto, el modelo predictivo 22 se puede actualizar / reentrenar con el fin de obtener un modelo con una precisión más alta. Los datos de entrenamiento 24 para entrenar un modelo por primera vez se pueden obtener manualmente, de forma semiautomática o automática (usando un modelo para la identificación visual de una plaga similar).

A continuación, el número de insectos o insectos nocivos 31 identificados en cada trampa en un cierto período de tiempo T, obtenido a partir de las fotografías y metadatos 10a asociados, se introduce, junto con los otros datos 10b 11 12 recibidos por el extremo remoto 2 (como se explica en relación con la figura 1), en una fase de preprocesamiento 25. Los otros datos pueden comprender: a) otros datos 10b capturados en cada trampa 1, incluyendo al menos coordenadas de GPS de las trampas respectivas y, opcionalmente, datos de temperatura y de humedad tomados por sensores en la trampa respectiva dentro del período de tiempo T; b) opcionalmente, unos datos 11 procedentes de fuentes externas, incluyendo información y pronóstico meteorológicos y, opcionalmente, datos históricos de migración de plagas y / o datos procedentes de un sistema de gestión agrícola de un usuario; y c) opcionalmente unos datos 12 proporcionados por usuarios de trampas (por ejemplo, agricultores), tales como datos de cultivos proporcionados por el usuario de una trampa, tales como tipo y hora de pulverización, o momento de cambiar un señuelo de trampa; y / o información visual acerca de plagas (por ejemplo, fotos o vídeos).

En la fase de preprocesamiento 25, se usan etapas y métodos de aprendizaje automático. La salida de la fase de preprocesamiento 25 es toda la información disponible y relevante por cada trampa codificada de la forma que sea la más útil para un procesamiento con algoritmos de aprendizaje automático y de toma de decisiones. Estas etapas y métodos de aprendizaje automático en la fase 25 incluyen la limpieza de datos, el manejo de datos faltantes y la detección y corrección de valores atípicos. Por ejemplo, se pueden detectar y corregir anomalías (o se pueden ignorar datos correspondientes). Por ejemplo, si un sensor proporciona una lectura muy diferente de las lecturas de otros sensores en una misma área, se descartan los datos procedentes del sensor que presenta anomalías. Estas etapas suelen ser automáticas, pero también pueden ser semiautomáticas (por ejemplo, con la intervención de un usuario experto o un empleado del proveedor de servicios). También en la fase de preprocesamiento 25 se realizan una detección de tendencias automática y un etiquetado de datos automático. Estos se usan para transformar el conocimiento a partir de datos en una forma que es más útil para los siguientes algoritmos y fases de método o para el usuario final. Por ejemplo, se pueden detectar y usar algunos patrones cualitativos en los datos, como una tendencia creciente o decreciente en el número de insectos nocivos, o temperaturas muy bajas. Además, en la fase de preprocesamiento 25, se lleva a cabo una generación automática de características para un aprendizaje automático. Estas características generadas codifican los datos disponibles en la forma que sea la más adecuada para un procesamiento con algoritmos de aprendizaje automático y de toma de decisiones. Ejemplos no limitativos de características generadas son diferencias y relaciones (por ejemplo, la relación entre la temperatura promedio al atardecer para los últimos cinco días y la temperatura promedio al atardecer para los últimos veinte días), promedios móviles (por ejemplo, promedio móvil exponencial del número de insectos nocivos), valores normalizados, etc. Con el fin de generar características, opcionalmente se pueden usar datos procedentes de recursos externos 11 y datos proporcionados por usuarios 12. Como resultado, se obtiene un conjunto de datos preprocesados 32, que comprenden la información relevante por cada trampa. Los datos preprocesados 32 que comprenden información procedente de cada trampa 1 se almacenan en los medios de almacenamiento de datos 27 como datos históricos. Una fase de aprendizaje automático 28 puede usar estos datos históricos para producir unas predicciones 38 en la fase 29. El resultado 36 de los enfoques de modelado ejecutados en la fase de aprendizaje automático 28 también se puede almacenar en los medios de almacenamiento de datos 27. Las predicciones también se pueden almacenar en medios de almacenamiento de datos 27 e introducirse en algoritmos de toma de decisiones 26. Estas predicciones 38 son o bien numéricas o bien cualitativas (es decir, una tendencia de población de plaga). Los ejemplos no limitativos de predicciones numéricas incluyen el número de insectos nocivos o la densidad de insectos nocivos en algunos horizontes de predicción (habitualmente, de uno a diez días) con o sin estimaciones de confianza, o la distribución de probabilidad de la densidad de insectos nocivos esperada en uno o más horizontes de predicción. Los ejemplos no limitativos de predicción cualitativa incluyen valores cualitativos con una precisión variable (como una tendencia creciente, decreciente o estable, o posiblemente varios (por ejemplo, 5) valores diferentes de intensidad de tendencia), y fase de desarrollo de plaga (huevos, larvas en 1a fase, ..., animales adultos). Un experto entenderá que los detalles de implementación de la fase de aprendizaje automático 28 pueden variar en diferentes realizaciones de la invención. Ejemplos no limitativos de estos enfoques de modelado son: aprendizaje automático de clasificación, enfoques para combinar varios modelos (por ejemplo, aprendizaje en conjunto) y aprendizaje sensible al coste. En realizaciones de la invención, se puede usar un aprendizaje de clasificación, tal como máquinas de vectores de soporte, para predecir la tendencia de densidad de plagas en los siguientes N días, a partir de características obtenidas a partir de los datos históricos 27. En realizaciones de la invención, se puede usar un aprendizaje sensible al coste para penalizar diferentes errores de clasificación errónea. Se puede usar una calibración con regresión isotónica para calibrar las estimaciones de probabilidad y otros enfoques de aprendizaje automático convencionales. En realizaciones de la invención, se puede usar un aprendizaje de regresión, como procesos gaussianos o de regresión no lineales, para predecir el valor numérico (o la distribución de probabilidad) de la densidad de plagas en días inmediatamente siguientes.

Las predicciones de aprendizaje automático 29 y los datos preprocesados 32 se introducen en algoritmos de toma de decisiones en la fase 26. Obsérvese que esta fase 26 puede usar tanto los datos más recientes (indicados por la flecha que apunta directamente desde la fase 38) como los datos históricos 37. El resultado de los algoritmos de toma de decisiones 26 es el pronóstico 33 final (por ejemplo, densidad / presión de plagas, tendencia, fase de desarrollos de plaga). Las predicciones 38 se pueden usar para optimizar el pronóstico de plagas 33 realizado en esta fase 26. Los detalles de implementación de la fase 29 pueden variar en diferentes realizaciones de la invención. De hecho, aunque en una realización preferida se usan predicciones de aprendizaje automático, el pronóstico 33 final se puede realizar en un caso simplificado en el que las predicciones de aprendizaje automático 29 son triviales o no se usan en absoluto. Esto es indicado por una flecha opcional 38, lo que significa que, en realizaciones de la invención, no se hace uso alguno de las predicciones 29. En esta realización, la más simple, de la invención, los datos preprocesados 32 recientes y los datos históricos 27 son la entrada de los algoritmos de toma de decisiones 26. Ejemplos habituales de datos históricos 27 son registros de seguimiento de historial de capturas de trampas y datos de temperatura, entre otras cosas. Por ejemplo, en la fase 25, se pueden usar datos de temperatura, si hay disponible información de temperatura, para generar diferentes características de grados - día, obtenidas mediante diferentes parámetros de un modelo de grados - día bien conocido. Estas características se podrían usar entonces con algoritmos de toma de decisiones (en la fase 26) para generar un pronóstico 33. En su lugar (o además de los modelos de grados - día) se podrían usar otros modelos biológicos, algoritmos de inteligencia artificial o heurísticas. En otras palabras, los algoritmos de toma de decisiones 26 hacen pronósticos 33 acerca de la tendencia de plagas, usando enfoques como el enfoque de "grados - día", bien conocido, y otros algoritmos de inteligencia artificial y / o modelos biológicos y / o heurísticos. El resultado de esta fase 26 se almacena en los medios de almacenamiento de datos 27 (la flecha 34).

En una realización preferida de la invención, las predicciones de aprendizaje automático 38 (obtenidas en la fase 29) y los datos históricos 37 (almacenados en el bloque 27) se introducen en algoritmos de toma de decisiones en la fase 26. Los algoritmos de toma de decisiones 26 usan entonces estas predicciones y datos para realizar y emitir la predicción 33 final. Por ejemplo, predicciones de aprendizaje automático del número o densidad de insectos nocivos y sus estimaciones de confianza de todas las trampas son usadas por los algoritmos de toma de decisiones 26 para producir un pronóstico de una tendencia de población de plaga en una trampa o en una ubicación geográfica específica. También se pueden usar algoritmos de toma de decisiones para producir un pronóstico de una fase de desarrollo de plaga en una trampa o en una ubicación geográfica específica basándose en predicciones de aprendizaje automático de una tendencia de población de plaga y las estimaciones de confianza correspondientes de todas las trampas, además de datos históricos de población de plaga observada, además de modelos biológicos (como grados - día), si están disponibles. El algoritmo de toma de decisiones 26 puede ponderar los datos de diferentes trampas de acuerdo con su distancia desde la ubicación geográfica de interés, sus estimaciones de confianza, la correlación histórica y similares. Los algoritmos de aprendizaje automático 28 y de toma de decisiones 26 también pueden combinar información procedente de diferentes trampas, por ejemplo, mediante votación o enfoques de aprendizaje automático más sofisticados.

Habitualmente, las trampas pertenecen a usuarios diferentes o a redes diferentes. Algunos usuarios prefieren compartir sus datos de trampa con otros, y otros usuarios quieren que sus datos sigan siendo privados. Para dar cabida a tales preferencias de usuario, los algoritmos pueden simplemente usar datos de trampas que son visibles para un usuario específico.

El método de pronóstico de plagas del presente enfoque es robusto. Además, se combinan diferentes fuentes de datos. Por ejemplo, los datos procedentes de una trampa también se están usando en otras trampas en al menos dos aspectos: En primer lugar, se modelan correlaciones de trampas (por ejemplo, trampas cercanas) y se usan para mejorar la calidad de las mediciones (por ejemplo, datos procedentes de sensores de trampa). En segundo lugar, la fiabilidad de las predicciones se puede mejorar basándose en métodos de conjunto (por ejemplo, votación o promediado de muchas trampas cercanas o relacionadas).

Además, los datos se usan para ajustar y reentrenar los modelos de predicción de plagas que se usan para el pronóstico de plagas en línea. Tal ajuste o reentrenamiento de los modelos se puede realizar de forma periódica (por ejemplo, una vez al mes) o de forma no periódica, dependiendo de los detalles específicos acerca de insectos, protección de cultivos y requisitos de pronóstico.

En este texto, el término "comprende" y sus derivaciones (tales como "que comprende", etc.) no deberían entenderse en un sentido exclusivo, es decir, estos términos no deberían interpretarse como que excluyen la posibilidad de lo que se describe y define pueda incluir elementos, etapas, etc., adicionales.

La invención evidentemente no está limitada a la realización o realizaciones específicas descritas en este documento, sino que también abarca cualquier variación que pueda considerarse por un experto en la materia (por ejemplo, con respecto a la elección de materiales, dimensiones, componentes, configuración, etc.), dentro del alcance general de la invención como se define en las reivindicaciones.

Claims (14)

REIVINDICACIONES

1. Un método para realizar un pronóstico de plagas, que comprende:

en una pluralidad de trampas (1), capturar datos (10) que comprenden: fotografías de contenidos de trampa y metadatos asociados capturados durante un cierto período de tiempo (10a) y otros datos (10b) que comprenden coordenadas de GPS de la trampa respectiva; y enviar dichos datos (10, 10a, 10b) a través de medios de comunicación a un extremo remoto (2) situado en la nube;

a partir de las fotografías de contenidos de trampa y metadatos (10a) asociados capturados en cada trampa (1), aplicar una fase de procesamiento visual y de aprendizaje (21) que comprende aplicar un modelo predictivo (22) para estimar un número de insectos identificados (31) en cada trampa (1) durante dicho cierto período de tiempo; preprocesar (25) al menos dicho número estimado de insectos identificados (31) en cada trampa (1), dichos metadatos asociados a las fotografías y dichos otros datos (10b) capturados en cada trampa (1), obteniendo de este modo un conjunto de datos preprocesados (32), comprendiendo dicho preprocesamiento (25) aplicar técnicas de aprendizaje automático, comprendiendo dicho preprocesamiento (25) la generación de características que codifican dicho número estimado de insectos identificados (31) en cada trampa (1), dichos metadatos asociados a las fotografías y dichos otros datos (10b) capturados en cada trampa (1), en una forma para un procesamiento con algoritmos de aprendizaje automático y de toma de decisiones;

almacenar los datos preprocesados (32) en medios de almacenamiento de datos (27), manteniendo de este modo datos históricos a lo largo del tiempo;

a partir de los datos preprocesados (32) recientemente y los datos históricos, realizar un pronóstico de plagas (33) para cada trampa (1) para los siguientes N días aplicando algoritmos de toma de decisiones (26), en donde realizar un pronóstico de plagas (33) comprende:

alimentar (35) un modelo de aprendizaje automático (28) con dichos datos históricos y obtener resultados (36) del modelo ejecutado (28);

realizar predicciones numéricas o cualitativas (29, 38) a partir del resultado (36) de aplicar dicho modelo de aprendizaje automático (28);

almacenar dichas predicciones en medios de almacenamiento de datos (27);

enriquecer dichos algoritmos de toma de decisiones (26) con dichas predicciones (29).

2. El método de la reivindicación 1, en donde dichos otros datos (10b) capturados en cada trampa (1) comprenden datos de temperatura y de humedad tomados por sensores dispuestos en las trampas (1) respectivas.

3. El método de una u otra de la reivindicación 1 o 2, que comprende además enviar, a través de medios de comunicaciones, unos datos (11) desde fuentes externas a dicho extremo remoto (2) situado en la nube, comprendiendo dichos datos (11) información y pronóstico meteorológicos.

4. El método de la reivindicación 3, en donde dichos datos (11) proporcionados por fuentes externas también comprenden datos históricos de migración de plagas.

5. El método de cualquiera de las reivindicaciones anteriores, que comprende además enviar, a través de medios de comunicaciones, unos datos (12) proporcionados por usuarios de trampas, comprendiendo dichos datos (12) protección de cultivos aplicada a trampas de usuarios respectivos.

6. El método de cualquier reivindicación anterior, en donde la fase de estimar un número de insectos (31) en cada trampa (1) dentro de un cierto período de tiempo comprende además:

actualizar y entrenar dicho modelo predictivo (22) con unos datos de entrenamiento (24);

verificar y corregir manualmente posibles errores (23) en la estimación del número de insectos nocivos (31) enriquecer dichos datos de entrenamiento (24) con el número actualizado de insectos nocivos (31) y con los errores (23) corregidos manualmente en la estimación del número de insectos nocivos (31).

7. El método de cualquiera de las reivindicaciones anteriores, en donde dicho preprocesamiento (25) comprende al menos uno de los siguientes: limpieza de datos, etiquetado de datos automático, detección de tendencias automática, manejo de datos faltantes y detección y corrección de valores atípicos automática.

8. El método de cualquiera de las reivindicaciones anteriores, en donde el pronóstico de plagas (33) realizado está en forma o bien de una predicción numérica o bien de una provisión de una fase de desarrollo de la plaga observada en un intervalo de tiempo o una recomendación de protección de cultivos.

9. El método de la reivindicación 1, en donde dicho modelo de aprendizaje automático (28) comprende al menos una de las técnicas siguientes: aprendizaje automático de clasificación, enfoques para combinar varios modelos (por ejemplo, aprendizaje en conjunto) y aprendizaje sensible al coste.

10. El método de cualquiera de las reivindicaciones anteriores, en donde el pronóstico de plagas (33) realizado para una trampa (1) se basa al menos en las trampas que pertenecen a una ubicación geográfica de interés, siendo la ubicación geográfica de interés un área definida por un cierto radio desde la ubicación de dicha trampa o una agrupación de trampas no necesariamente dispuestas dentro de un cierto radio.

11. Un sistema para realizar un pronóstico de plagas, que comprende:

una pluralidad de trampas (1) dispuestas en diferentes ubicaciones en un campo de cultivo, comprendiendo cada trampa (1) una cámara para capturar fotografías de contenidos de trampa, unos medios de ubicación geográfica para recuperar la ubicación de la trampa (1) respectiva y unos medios de comunicación para enviar los datos capturados;

unos medios informáticos (2) situados en la nube, comprendiendo dichos medios informáticos una capacidad de almacenamiento y de procesamiento;

unos medios de comunicación para intercambiar datos entre dicha pluralidad de trampas (1) y dichos medios informáticos (2);

estando configurados dichos medios informáticos para:

recibir datos (10, 10a, 10b) capturados en dicha pluralidad de trampas (1), comprendiendo dichos datos fotografías de contenidos de trampa y metadatos asociados capturados durante un cierto período de tiempo (10a) y otros datos (10b) que comprenden coordenadas de GPS de la trampa respectiva;

a partir de las fotografías de contenidos de trampa y metadatos (10a) asociados capturados en cada trampa (1) durante un cierto período de tiempo (10a), aplicar una fase de procesamiento visual y de aprendizaje (21) que comprende aplicar un modelo predictivo (22) para estimar un número de insectos identificados (31) en cada trampa (1) durante dicho cierto período de tiempo;

preprocesar (25) al menos dicho número estimado de insectos identificados (31) en cada trampa (1), dichos metadatos asociados a las fotografías y dichos otros datos (10b) capturados en cada trampa (1), obteniendo de este modo un conjunto de datos preprocesados (32), comprendiendo dicho preprocesamiento (25) aplicar técnicas de aprendizaje automático, comprendiendo dicho preprocesamiento (25) la generación de características que codifican dicho número estimado de insectos identificados (31) en cada trampa (1), dichos metadatos asociados a las fotografías y dichos otros datos (10b) capturados en cada trampa (1); almacenar los datos preprocesados (32) en medios de almacenamiento de datos (27), manteniendo de este modo datos históricos a lo largo del tiempo;

a partir de los datos preprocesados (32) recientemente y los datos históricos, realizar un pronóstico de plagas (33) para cada trampa (1) para los siguientes N días aplicando algoritmos de toma de decisiones (26), en donde realizar un pronóstico de plagas (33) comprende:

alimentar (35) un modelo de aprendizaje automático (28) con dichos datos históricos y obtener resultados (36) del modelo ejecutado (28);

realizar predicciones numéricas o cualitativas (29, 38) a partir del resultado (36) de aplicar dicho modelo de aprendizaje automático (28);

almacenar dichas predicciones en medios de almacenamiento de datos (27);

enriquecer dichos algoritmos de toma de decisiones (26) con dichas predicciones (29).

12. El sistema de la reivindicación 11, en donde dichos medios de comunicación son inalámbricos.

13. El sistema de cualquiera de las reivindicaciones 11 -12, en donde al menos alguna de dicha pluralidad de trampas (1) comprende sensores meteorológicos configurados para recopilar datos meteorológicos procedentes de la trampa (1).

14. Un programa informático que comprende medios de código de programa informático adaptados para realizar las etapas del método de acuerdo con cualquiera de las reivindicaciones 1 a 10 cuando dicho programa se ejecuta en un ordenador, un procesador de señales digitales, una matriz de puertas programables en campo, un circuito integrado específico de la aplicación, un microprocesador, un microcontrolador, o cualquier otra forma de hardware programable.