Evaluación de nuevas tecnologías para estimar floración y eficacia de aclareo en manzano

El manejo carga de cultivo es una de las estrategias más importantes pero difícil que determina la rentabilidad anual de las plantaciones de manzanos (Robinson et al., 2023). Los manzanos generalmente tienen una floración excesiva y en consecuencia resulta difícil ajustar la carga de cultivo optima. Sólo alrededor del 3-10% de la población inicial de frutos debe llevarse a cosecha para optimizar el valor del cultivo y promover una producción anual constante. Robinson et al. (2013) desarrollo el concepto manejo de precisión de la carga de cultivo para ayudar a los productores a administrar de manera sistemática, eficaz y optima el número de frutos objetivo y para obtener el máximo valor sin que se vea perjudicada la cosecha del año próximo. El proceso implica poda de precisión, aclareo químico de precisión y aclareo manual de precisión (Figura 1). En la zona productora de manzanas del estado de Nueva York actualmente se utilizan los modelos de crecimiento del tubo polínico (MCTP) (Allen et al., 2021; Dennis, 2000; Peck et al., 2016; Yoder et al., 2013), el modelo MaluSim de carbohidratos (Lakso and Robinson, 2015) y el modelo de crecimiento del fruto (Greene et al., 2013).

Durante los últimos años, el departamento de Horticultura de la Universidad de Cornell junto con otros centros y universidades de referencia en Estados Unidos han trabajado con varias empresas de agricultura de precisión que ofrecen comercialmente sistemas de visión digital para agilizar el recuento de brotes, flores y frutos en manzano para guiar a los trabajadores o sistemas automatizados con el objetivo de optimizar la carga del cultivo y minimizar los costos de la tareas. El objetivo del presente estudio fue evaluar la precisión de varios sistemas comerciales de visión digital para estimar el número de corimbos árbol y la eficacia de aclareo.

Se realizaron experimentos en 2021, 2022 y 2023 en parcelas comerciales de manzanas en Massachusetts (MA), Michigan (MI), Nueva York (NY) y Carolina del Norte (NC). En todos los ensayos se utilizaron parcelas y arboles de manzano uniformes y en plena producción, excepto un bloque de 'Granny Smith' de NC (3 años). Las variedades utilizadas en los ensayos fueron ‘NY1’, ‘NY2’, ‘Empire’, ‘Granny Smith’, ‘Gala’, ‘Fuji’ y ‘Honeycrisp’.

En la primavera de 2023 se realizaron conteos del número de corimbos árbol de forma manual y con sistemas de visión. Se evaluó el sistema de visón Pometa que utiliza una cámara de teléfono móvil en dos fincas comerciales de 'Gala' y 'NY1' (Sistema no comercial). Siguiendo las instrucciones de la empresa se seleccionaron cinco árboles representativos por bloque y se escanearon mediante la función de video con un teléfono móvil compatible (iPhone 12,13 o 14 pro) (Figura 2). Se realizaron dos videos por árbol (uno a cada lado), un total de diez videos. Los videos fueron subidos al sitio web de Pometa para su procesamiento y 24h después los resultados estuvieron disponibles. El sistema de visión de Orchard Robotics se evaluó en dos fincas comerciales de 'Gala' y 'Fuji'. Se escaneó una hilera completa en cada variedad con el sistema Orchard Robotics siguiendo las recomendaciones del fabricante, mientras que para los recuentos manuales se seleccionaron 30 árboles en cada hilera. En plena floración, se escaneó por el lado soleado y bien expuesto de la hilera con la cámara montada en un vehículo a 8 km/h, se contaron los corimbos de 5 arboles para calibrar el sistema y se subieron los videos a la plataforma web y 24h después los resultados estuvieron disponibles (Figura 2).

Las pruebas se llevaron a cabo en 18 fincas comerciales en NY, MA, MI y NC durante 2022 y 2023 (Table 3). Las variedades evaluadas fueron 'Gala', 'Fuji' y 'Honeycrisp' y se realizaron escaneos con el sistema Pometa (Figura 3) y se compararon con la aplicación MaluSim (mediciones manuales) (https://malusim.org). Ambos sistemas realizan las predicciones utilizando el modelo Greene, que evalúa la tasa de crecimiento de los frutos (Greene et al. (2013)). En el modelo Greene se selección de cinco árboles representativos por parcela y se etiquetan 15 corimbos florales/árbol (75 corimbos en total). En el modelo Greene (Manual) es necesario contar el número de corimbos/árbol, hacer una estimación del número de flores/corimbo y la carga objetivo. Después de realizar las aplicaciones de aclareo (entre 6-8 mm), se midieron los diámetros de todos los frutos de cada corimbo marcado los días 4 y 7 después de la aplicación. Paralelamente en los mismos arboles se realizaron 2 videos, uno por cada lado, con el sistema Pometa. Ambas aplicaciones realizan una predicción de los frutos que quedaran después de la aplicación de aclareo, es decir, de los frutos en cosecha.

Ambos sistemas, Orchard Robotics y Pometa, mostraron buenas correlaciones entre el número de corimbos árbol y los recuentos manuales. El sistema Orchard Robotics proporcionó recuentos precisos a nivel de árbol, aunque resulta necesario realizar el calibrado adecuadamente con recuentos manuales para tener en cuenta las zonas ocluidas (Figura 4). El sistema Pometa mostró variabilidad en los resultados, mostrando un bloque con conteos precisos y otro con grandes diferencias entre los corimbos contados manualmente y las detectadas con la cámara (Figura 4), sin embargo, el sistema Pometa proporciona el porcentaje de flores abiertas/árbol (Figura 5). Nuestros resultados sugieren diferentes usos para ambos sistemas, puesto que la información georreferenciada proporcionada por el sistema Orchard Robotics se puede utilizar para crear mapas de calor y realizar aplicación variable de aclareo químico o mecánico a nivel de árbol en base a la floración. El porcentaje de flores abiertas del sistema Pometa podría resultar útil para estimar el mejor momento para iniciar el modelo de crecimiento del tubo polínico.

Greene et al. (2013) desarrollaron el modelo de tasa de crecimiento de frutos (Modelo Greene) para predecir la eficiencia del aclareo e tomarla la decisión sobre la necesidad de realizar más aplicaciones de aclareo. El modelo utiliza la tasa de crecimiento de los frutos marcados y medidos para predecir el porcentaje de abscisión. Las mediciones manuales requieren unas ocho horas de trabajo por bloque para estimar la eficacia de aclareo. El sistema de visión Pometa utiliza el mismo concepto de modelo de tasa de crecimiento del fruto, pero utiliza la cámara de un teléfono móvil para medir los diámetros de la fruta. Se realizan videos de los 5 árboles representativos con un tiempo máximo de 10 min por bloque. Nuestros resultados sugieren que ambos sistemas (MaluSim y Pometa) mostraron predicciones precisas del porcentaje de absición y el número de frutos final en cosecha cuando la carga de árbol fue inferior a 200 frutos/árbol (Figura 6). Sin embargo, cuando el número de frutos en la cosecha fue superior a 200 frutos/árbol, tanto el sistema MaluSim como el Pometa sobreestimaron el número de frutos en la cosecha, por lo tanto, predicen un porcentaje menor de absición y en consecuencia un número de frutos mayor en cosecha (Figura 6). La sobreestimación con cargas altas en términos de número de frutos por árbol probablemente se deba a la mayor caída natural de frutos después de que ha pasado la periodo de aclareo químico (Lordan et al., 2019). A pesar de la sobreestimación del número final de frutos cuando la carga de cultivo es alta, nuestros resultados mostraron que tanto el modelo manual (MaluSim) como el sistema de visión Pometa están correlacionados y las estimaciones con ambos sistemas fueron muy similares. Por lo tanto, el sistema de visión con menos tiempo requerido probablemente se convierta en el método preferido para estimar la eficacia del adelgazamiento en el futuro.

El uso de los sistemas de visión para estimar la intensidad de floración y la eficiencia del aclareo generó predicciones precisas y datos utilizables para los productores.

Ambos sistemas de evaluados (Pometa y Orchard robotics) pudieron estimar con precisión la cantidad de corimbos/árbol. Esta información, georreferenciada a nivel de árbol, podría permitir una gestión precisa de las aplicaciones de productos de aclareo en flor. Además, el porcentaje de flores abiertas permitirá iniciar el modelo del tubo polínico de forma más precisa.

El modelo de tasa de crecimiento de frutos utilizando el sistema Pometa y las mediciones manuales (MaluSim app) mostraron predicciones precisas de la eficacia del aclareo cuando la carga de cultivo era inferior a 200 frutos/árbol. Sin embargo, cuando el número de frutos en el momento de la cosecha fue superior a 200 frutos/árbol, tanto el sistema manual (MaluSim app) como Pometa predijeron un mayor número de frutos en el momento de la cosecha a los realmente fueron cosechados.

En general, la gestión precisa de la carga de cultivos con sistemas basados en teléfonos inteligentes ofrece ventajas como bajo costo, acceso rápido y operación simple. Sin embargo, los sistemas de visión con cámaras especiales y georreferenciación de cada árbol aportan información específica a nivel de árbol que permitirá una gestión precisa de la carga de cultivo de cada árbol de forma individual.