Capítulo 3
Estimación de rendimiento y calidad
Paula Vargas Q., Stanley Best S., Hernán Aguilera C.,
Fabiola Flores P., Valentina Alarcón P.
3.1. Estimación de rendimiento
La estimación del rendimiento en los cultivos es uno de los datos más
importantes a la hora de determinar la producción agrícola, tanto para ajustar
sus estrategias comerciales, como para adecuar las logísticas de cosecha y
postcosecha. La compilación de los datos de superficies cultivadas presenta
dificultades, ya que muchos productores carecen de estos o no tienen. La
forma de datos más utilizada, sigue siendo la estimación visual o el uso de
estadística poco representativa. Esta práctica conduce a obtener datos poco
fiables, teniendo en cuenta las condiciones de variabilidad antes expuestas.
Es por esto que se considera la agricultura de precisión como el conjunto de
una serie de herramientas informáticas para mejorar la generación, captación,
almacenamiento y análisis de información para contribuir a la toma de
decisiones.
Dentro de estas necesidades, el INIA en conjunto con la empresa Hortifrut
S.A., se adjudicaron un proyecto en la convocatoria FIA 2016, que tiene como
objetivo solucionar los efectos de la inestabilidad climática en la agricultura
y la producción, denominada “Estimación del rendimiento y la calidad de los
huertos de arándanos (Vaccinium corymbosum ) basado en herramientas de
agricultura de precisión e IoT (Internet of Things) para la optimización de las
variables de producción”.
La tecnología desarrollada en este proyecto se basó en un sistema de
optimización de cosecha para mejorar las estimaciones y planificaciones
manuales, ya que con el manejo de la variabilidad espacio-temporal a nivel
de sub-parcela, se buscó como resultado una producción más homogénea
mediante una mayor eficiencia de los recursos disponibles. Ello con la finalidad
Introducción a la agricultura de precisión 4.0 en huertos de arándanos 35
de manejarla de acuerdo a los objetivos productivos, además de asegurar la
calidad del arándano en su destino final. El prototipo integra tecnologías de
informática y electrónica de punta, que permiten lograr una convergencia
tecnológica en un dispositivo de muy bajo costo y fácil aplicación, que asegura
una adopción a los distintos niveles socioculturales de sus usuarios.
Para poder llevar a cabo una adecuada agregación de ambientes, se debe
tener información relevante de caracterización de suelo (textura, profundidad,
topografía, etc.) que muchas veces no se obtiene fácilmente debido a su alto
costo. Otra forma de evaluar los ambientes, es mediante el uso de información
multiestacional de índices vegetativos, es decir, expresión en planta, asociado
a información de topografía (incidencia en radiación, suelo) que, mediante un
modelamiento multivariado, explicado anteriormente, generan ambientes
caracterizados (Figura 3.1.) que expresan el potencial de cada uno, factor que
fue la base del modelo de estimación desarrollado por este proyecto.
Figura 3.1 Esquema de modelo de caracterización de ambientes. (Fuente: elaboración
propia).
Para realizar una clasificación de zonas en los predios, se utilizaron técnicas
de clustering que, en la disciplina de la inteligencia artificial, identifica de
forma automática agrupaciones o clústeres de elementos de acuerdo a una
medida de similitud entre ellos. Además, se utilizó el algoritmo no jerárquico
de K-Means condicionado a un modelo de entropía. Esto permitió describir, de
mejor manera, la variabilidad intragrupal. Se considera como datos de entrada
valores de topografía, radiación y datos de NDVI históricos obtenidos del sensor
36 BOLETÍN INIA Nº 457
Sentinel 2 (A y B). La estrategia fue diseñada con el objetivo de caracterizar la
variabilidad espacial de la superficie y de la vigorosidad de la planta (planos
de NDVI históricos) como el propuesto por Prakash et al., (2012). Finalmente,
el resultado del modelo se integra bajo un árbol de decisión y clusterización
en base a 10 zonas (Figura 3.2.), las cuales fluctúan desde una muy permeable
(cluster 1) a las más compactadas o más impermeables (cluster 10).
Figura 3.2. Resultados de la caracterización zonal estructurada en 10 clases,
considerando varianza temporal de la información de base. (Fuente: elaboración propia).
Dentro del marco de las herramientas de inteligencia artificial, el perceptor
multicapa es en la actualidad, una de las arquitecturas más utilizadas en
la resolución de este tipo de problemas. Al utilizar este método, se obtuvo
un poder predictivo aceptable de variación geomorfológica del predio en
estudio. Esto indica que el ajuste de los datos fue mínimo, indicando un factor
de ajuste R2 (~50%, ver Figura 3.3.), por lo que no se asegura en el uso de este
modelo para la predicción exacta de textura directa, pero sí como un buen
modelo de evaluación de variabilidad del suelo, útil para ser utilizado para la
caracterización física y, por ende, un adecuado diseño de riego.
Introducción a la agricultura de precisión 4.0 en huertos de arándanos 37
Figura 3.3. Evaluación espacial de suelo mediante uso de modelo SAR-Multiespectral.
Con mapas texturales reales del sitio (A), Modelo de segmentación SAR-Multiespectral
(B), Mapa de NDVI sector estudio (C) y curvas de correlación y ajuste (D). Fuente:
elaboración propia, en base a resultados de proyecto INIA-FIA-Hortifrut. (Fuente:
elaboración propia).
Para poder evaluar espacialmente los suelos sobre la base de la estructura
productiva (rendimientos) de cada cuartel, se procedió a trabajar con la forma
de distribución de tipos de suelos generados por cuartel. De estos se tuvo
acceso a los rendimientos reales y se incorporaron los factores climáticos a un
modelo numérico.
A través de una base de información de 250 cuarteles de rendimiento de más
de 4 años de información espacial de suelo, variación de biomasa, clima, entre
otros factores, se generó un modelo de estimación de rendimiento y calidad
basados en redes neuronales (Figura 3.4.).
38 BOLETÍN INIA Nº 457
Figura 3.4. Interfase usuario del modelo de estimación de rendimiento obtenido. (A)
Modelo de determinación de fecha de cosecha y variabilidad de GDD. (B) Modelo de
clasificación de variabilidad y generación de archivos base para estimar rendimiento.
(C) Modelo de estimación de rendimiento con módulo A y módulo B. (D) Modelo de
detección de Berry. (E) Generación de reportes. (Fuente: elaboración propia).
Los resultados del modelo generaron errores de estimaciones, en general,
menor a 10 %, realizadas con 2 meses de antelación a cosecha (octubre),
la cual fue validada en la temporada 2019 con resultados de igual orden de
magnitud de error. Sin embargo, para el correcto funcionamiento del modelo,
se requiere de información satelital en septiembre y octubre, factor no muy
funcional para la zona sur de Chile, por el alto grado de nubosidad presente,
pero en la medida que se pueda ir incorporando información al modelo de
microsatélites (información diaria), se podrá mejorar este problema.
Por otra parte, el sistema predice el día de cosecha, sobre la base de
acumulaciones térmicas prediales con un pixel de 30 m, tal como se puede
visualizar en la Figura 3.5.
Introducción a la agricultura de precisión 4.0 en huertos de arándanos 39
Figura 3.5. Evolución de acumulación térmica en gados día espacial del bloque en VL2
en estudio. (Fuente: elaboración propia).
Sumado a la estimación, se logró desarrollar un modelo que permite evaluar
los diferentes potenciales niveles de madurez y llevarlos a planos espaciales.
Los modelos fueron validados con información verídica de terreno, utilizando el
prototipo óptico de captura (drones), permitiendo segmentar espacialmente los
niveles de madurez (Figura 3.6.) usados, para la evaluación localizada de fruta.
40 BOLETÍN INIA Nº 457
Figura 3.6. Esquema de salidas del modelo espacial de madurez de fruta (1) y sección de
muestreo en campo para análisis químico detallado (2). (Fuente: elaboración propia).
3.2. Evaluación de calidad de fruta
Hace algunos años se consideró al arándano como uno de los frutos más
deseados a nivel mundial, lo que demandó un mayor manejo agronómico para
aumentar su producción y mejorar su calidad. En el hemisferio sur se realizaron
diferentes estudios para ver los beneficios de este cultivo, aumentando año
tras año la producción y, por ende, los envíos a distintas zonas geográficas a
nivel mundial, siendo Chile uno de los principales países exportadores.
Según cifras de ODEPA, en 2018 se exportaron 113.944 toneladas de arándanos
en frescos. Para mantener estas cifras, se exige una adecuación en la oferta
orientada, básicamente, a satisfacer al consumidor con alimentos de alta
calidad, ya que a medida que el comercio evoluciona hacia lo internacional,
la calidad se consolida como la herramienta competitiva por excelencia,
conduciendo a la necesidad de fortalecer un mercado interno exigente,
así como la inserción y posicionamiento de sus productos en los mercados
internacionales.
Introducción a la agricultura de precisión 4.0 en huertos de arándanos 41
Estos estándares de calidad e inocuidad nacen para proteger la salud
del consumidor y satisfacer sus expectativas de calidad. Las demandas
de alimentos de calidad son cada vez mayores; en consecuencia, se han
incrementado las exigencias de los productos agrícolas, de modo cumplan altos
estándares y sean producidos en condiciones ecológicamente responsables.
Esta calidad de la fruta está influenciada por los manejos agronómicos
y condiciones agroclimáticas, las cuales atrasan o adelantan los estados
fisiológicos del cultivo, lo que se traduce en el potencial productivo y afectan
considerablemente la aceptabilidad del arándano chileno en los mercados
objetivos, trayendo consigo consecuencias en el largo plazo. A esto se suma
la creciente preocupación por tener una dieta más equilibrada y nutritiva,
características propias del arándano que son altamente apreciadas por los
mercados, debido a su alto valor nutricional y contenido de antioxidantes.
Respecto a la calidad de las frutas, no se debe pensar únicamente en frutos
de aspecto homogéneo y que no tengan daños, sino que se debe determinar
cómo los consumidores perciben la fruta en términos sensoriales, entre los
cuales destacan parámetros como la firmeza, los grados brix y la acidez
titulable, así como también los análisis de antocianos y polifenoles. Estos
permiten caracterizar la fruta y establecer relaciones con la calidad y vida de
postcosecha que ella presentará. Para esto es necesario realizar diferentes
mediciones de los parámetros, con la finalidad de obtener un resultado
reproducible y comprobable mediante escalas. En el caso de la madurez del
fruto, que está relacionado con las antocianinas y polifenoles, la calidad de la
apariencia se determina visualmente; sin embargo, de esta forma no es posible
clasificar con precisión el grado de coloración de los frutos maduros, derivados
de una alta heterogeneidad de frutos cosechados.
Lo expuesto anteriormente ha impulsado que los esfuerzos estén orientados
a generar nuevas tecnologías y a adaptar otras que permitan predecir los
rendimientos, la calidad y condición de los frutos, para tomar acciones de
mitigación y disminuir las pérdidas de sustentabilidad que pudiera generar el
cambio climático.
¿Qué son las antocianinas?
Se trata de la madurez fisiológica y fenológica del fruto que depende,
principalmente, del porcentaje de contenidos fenólicos y sólidos solubles
42 BOLETÍN INIA Nº 457
(azúcares) presentes en la baya. Mientras más altos los contenidos de
sólidos solubles y fenólicos, mayores serán sus propiedades organolépticas,
demostradas en color, sabor y aroma en el fruto. Existe una relación entre el
color y la maduración de las frutas que se refleja al momento de la cosecha,
postcosecha y comercialización, debido a los cambios de pigmentación que
tienen lugar durante el desarrollo y maduración del producto en la planta. De
este modo, se puede relacionar el contenido antioxidante con el color de las
frutas.
El fruto del arándano contiene principalmente antocianinas, responsables de su
característico color azul, y además posee una excelente fuente de vitamina C,
fibra dietética, y minerales como manganeso, potasio, hierro y calcio. También
es importante destacar que, por su elevada actividad antioxidante, presenta
potenciales beneficios para la salud, lo que ha despertado gran interés desde
el punto de vista nutricional y, a su vez, desde el enfoque de protección y
prevención de enfermedades.
3.3. Prototipo óptico de captura (dron) para estimar
rendimiento y evaluar el índice de madurez de las
frutas
La adopción de técnicas de agricultura de precisión permite un ahorro
considerable en el consumo de insumos y energía, orientado a la calidad de los
cultivos. Herramientas como drones y espectroscopía de infrarojo cercano, han
permitido monitorizar el rendimiento y la calidad de la fruta de una forma no
destructiva.
Se evidencia que, a partir de los drones, vistos como una herramienta
tecnológica innovadora, es posible resolver las problemáticas expuestas en
campos de cultivos de gran extensión, ya que con cámaras de alta definición
e información geográfica, pueden recorrer más de mil hectáreas en menos
de una hora. Estos dispositivos para la toma de mediciones y captura remota
que sobrevuelan los cultivos con cámaras multiespectrales, pueden tomar
fotografías y grabar videos de alta resolución que detectan características de
los cultivos, ayudando a respaldar las decisiones para una mejor precisión y
productividad del campo.
Introducción a la agricultura de precisión 4.0 en huertos de arándanos 43
Como se ha mencionado, los principales indicadores de calidad de los
arándanos están asociados con la aceptabilidad del consumidor. En el proyecto
de estimación de rendimiento y calidad en arándanos, se buscó desarrollar un
modelo para la clasificación de rendimiento y calidad de las bayas cosechadas,
mediante uso de tecnologías de visión y modelamiento digital a favor de la
maximización de las logísticas comerciales y base para mejorar acciones
agronómicas. Adicionalmente, es necesario avanzar hacia la determinación
de las características organolépticas de los frutos (contenido adecuado de
azúcares, ácidos y compuestos volátiles responsables del aroma característico
de los arándanos), con el objetivo de asociar las distribuciones de calidad de la
fruta en postcosecha.
La evaluación del rendimiento y calidad de arándanos se propone de la
siguiente manera: el dron cuenta con capacidad de vuelo autónoma guiada por
sistema de posicionamiento RTK (cinemática en tiempo real) con sistema de
captura de datos inalámbrico e integración de electrónica y programación para
control automático de recolección, almacenamiento y descarga de datos. Este
envía las imágenes RGB capturadas sobre las plantas a un servidor que procesa
y estima los kilógramos de fruta de la planta y, a su vez, mide el índice de color
de la fruta para determinar el punto óptimo de cosecha. En la Figura 3.8., se
muestra el porcentaje de índice de madurez por planta de arándano.
Figura 3.7. Dron para estimar rendimiento y calidad. (Fuente: elaboración propia).
44 BOLETÍN INIA Nº 457
Una vez capturada las imágenes de los arándanos, se envían al servidor web de
procesamiento para el análisis y proyección de los datos, generando un plano
de madurez que determina las zonas con mayor madurez dentro del campo.
Figura 3.8. Mapa de proyección datos para indicar el en índice de madurez de las bayas
de arándano. (Fuente: elaboración propia).
3.4. Caja de selección de frutos NIR para indicar
calidad en arándanos
La madurez en la cosecha determina, considerablemente, la calidad y el
potencial de vida de postcosecha de las frutas (Kader, 1999). La heterogeneidad
de la madurez del fruto dificulta la estimación de la fecha óptima de inicio de
la cosecha. El trabajo apunta a precisar la fecha exacta de cosecha, para que la
producción no se vea afectada por el descarte de las empresas exportadoras, al
no cumplir con los estándares requeridos. La idea es crear una herramienta de
clasificación de calidad a través de la espectroscopía de infrarrojo, que además
destaque por su condición de detección de patrones para selección de bayas,
originando un fruto deseable para los mercados.
El método de espectroscopía de infrarrojo cercano (NIR, por sus siglas en inglés)
se utiliza ampliamente para la determinación de ciertos compuestos químicos,
lo que permite analizar un gran número de muestras en corto tiempo, sin
necesidad de hacer extracción previa de los compuestos. El uso de sensores VIS-
NIR es un gran avance para la agricultura. Estas herramientas utilizan el infrarrojo
Introducción a la agricultura de precisión 4.0 en huertos de arándanos 45
cercano, donde un haz de luz que es emitido por la lámpara, pasa directamente
a la muestra donde una parte es absorbida y otra reflejada, permitiendo
determinar, a través de calibraciones, el analito de interés. Esta tecnología
apunta al monitoreo del cultivo a tiempo real, considerando las variables de
producción, podas y la condición de calidad de la fruta que hoy son subjetivas,
y que para un real impacto deben ser objetivas y de bajo costo. Actualmente
se cuenta con metodologías o herramientas que evalúan el ciclo productivo
del cultivo o la calidad de la fruta, dando un diagnóstico directo a través de un
análisis químico de ésta. Por su alto costo se toman sólo de 1 a 5 muestras por
predio, siendo poco representativas dentro del área de producción a causa del
desconocimiento de la variabilidad espacial del campo. Estas metodologías,
además son poco utilizadas debido al tiempo de entrega de los resultados por
parte del laboratorio (costo/beneficio). Debido a esto, los resultados de los
análisis químicos limitan la toma decisiones de forma oportuna afectando los
planes de manejo agronómico de los cultivos. Las otras vías utilizadas son a
través de manuales técnicos y recomendaciones bibliográficas, quedando sujeto
a la experiencia e intuición del técnico o asesores de campo que muchas veces
son erráticas debido a que no están sujetas para cada condición edafoclimática
específica y que, asociados a la inestabilidad climática, causan enormes pérdidas
en la calidad comercial de la producción.
En la agricultura, estos sensores se calibran mediante técnicas de quimiometría
analítica, que podría definirse como la aplicación de la química que utiliza
la matemática y la estadística para diseñar experimentos y analizar datos
químicos. Así, el conjunto de datos proporcionados por los sensores (espectros
VIS-NIR) y los datos de los laboratorios convencionales, permiten generar
algoritmos de predicción para identificar y cuantificar un compuesto de interés.
Estos métodos tienen variadas aplicaciones en la agricultura para evaluar
calidad de frutas y semillas, nutrición foliar y de suelo, además de detección de
enfermedades. Esto solo con el espectro proporcionado por el sensor una vez
calibrado, entrega los parámetros cuantitativos o de calidad de un producto en
específico. Este sistema resulta tener muchas ventajas, entre ellas, que es un
sistema no destructivo, y que no necesita una preparación de la muestra. Basta
solo con acercar el sensor y obtener el espectro del haz de luz. Otra ventaja es
el número de muestras que pueden obtener, ya que es una herramienta útil en
el análisis rápido de muestras, tanto en campo, como en laboratorio sin utilizar
reactivos químicos ni producir contaminantes. Además, estas técnicas permiten
obtener información de las muestras en tiempo real, lo que posibilita la toma
de decisiones de manera oportuna, mejorando las logísticas del predio.
46 BOLETÍN INIA Nº 457
La interacción NIR con diferentes compuestos en la planta, puede proporcionar
información sobre muchos parámetros químicos y físicos en cultivos, como
también análisis de suelo y tejidos vegetales, mediciones de madurez y calidad
en la fruta, determinación de enfermedades, entre otras. Estos sistemas se
encuentran dentro del mercado y están a la venta con diferentes precios y
usos (Figura 3.9.). Algunos de ellos son: Avaspec-NIR256 de Avantes, ocupado
para la identificación de patógenos; el espectroradiómetro Felix F-750 para
la medición de calidad como materia seca, sólidos solubles, acidez titulable y
color; el analizador NIR portátil Phazir Rx de Polychromix, especialmente para
uso en distintas áreas; o el uso de cámaras NIR en un sistema de detección
automatizada (drone) de Sentera, que permite visualizar diferentes parámetros
a través de todo el campo en tan solo minutos.
Figura 3.9. Espectroradiómetros disponibles en el mercado. (Fuente: imágenes libres
internet).
Así, para el caso de los arándanos, el principal interés del prototipo NIR
desarrollado en este estudio, fue relacionar los porcentajes de pigmentos
fenólicos con el índice de madurez, que son cambios de aspecto visual,
fisiológico y bioquímico, sobre el efecto en calidad y madurez del fruto, con la
utilización de diferentes técnicas de evaluación a través de la caja de selección
de frutos.
La caja de selección de frutos indicadores de calidad se basa en un sistema
o software de clasificación de bayas de arándanos, a partir de filtros ópticos
que permiten el paso de luz correcto para determinar las antocianinas. Esto
filtros son montados en una cámara NIR, dando origen a una segregación
de frutos desde pintones a maduros, identificando la condición de las bayas
cosechadas que puede determinar su vida útil en postcosecha y su destino de
comercialización (Figura 3.10.).
Introducción a la agricultura de precisión 4.0 en huertos de arándanos 47
Figura 3.10. Prototipo para captura de imágenes con cámara NIR, en condiciones de luz
controlada. (Fuente: elaboración propia).
Para determinar la calidad de los frutos, en este caso arándanos, se extraen
muestras desde el predio en estudio y son transportadas a laboratorio para
realizar los respectivos análisis. Los arándanos cosechados se extraen de
diferentes partes del huerto, para incorporar el factor variabilidad en el
muestreo.
Los frutos cosechados se clasifican según el grado de madurez (Fig. 3.11.):
Clase 1: Sobre madura (IQF).
Clase 2: Madura (exportación).
Clase 3: Medio pintón (exportación según destino y porcentaje de muestra).
Clase 4: Pintón (exportación según destino y porcentaje de muestra).
48 BOLETÍN INIA Nº 457
Figura 3.11. Grados de madurez del arándano: a) sobre maduras, b) maduras, c) medio
pintón, d) pintón. (Fuente: elaboración propia).
La cámara NIR seleccionada corresponde a una cámara de alta resolución que
facilita el posterior procesamiento de las imágenes. Esta corresponde a una
cámara QSI, que posee una alta sensibilidad, amplio rango dinámico, tasas de
lectura doble, rendimiento de ruido muy bajo y la posibilidad de montar ruedas
portafiltros internas (Figura 3.12.).
Figura 3.12. Cámara QSI. (Fuente: elaboración propia).
Introducción a la agricultura de precisión 4.0 en huertos de arándanos 49
Determinación de distancia para fabricación de carcasa
del prototipo
Antes de realizar la carcasa del prototipo, es necesario tener en cuenta los
puntos anteriormente mencionados (cámara, filtros cámara e iluminación), así
como también la distancia a la que se ubicará la cámara del objeto, en este
caso en particular bayas. La idea es generar un software que además determine
el diámetro de bayas de manera automática a través de las imágenes
capturadas, para disminuir el tiempo en que se realiza manualmente.
3.5. Software para clasificación del estado de madurez
Se capturaron varias imágenes con las bayas separadas por clases
subjetivamente, para obtener las curvas espectrales de cada baya, discriminando
las que se salgan de los rangos medios (Figura 3.13.). A partir de varias
curvas (conjunto de datos) espectrales por clase, se determinaron los rangos
espectrales de cada tipo a clasificar (Figura 3.14.).
Figura 3.13. Curvas espectrales para cada baya, diferenciación de clases. (Fuente:
elaboración propia).
50 BOLETÍN INIA Nº 457
Figura 3.14. Curvas espectrales para cada baya, para diferenciación de clases o estados
de madurez. (Fuente: elaboración propia).
Una vez definidos los rangos, se genera el software de clasificación. Lo primero
que realiza el programa es el pre procesado de la imagen, donde se mejora la
calidad de este, aplicando filtros y eliminando ruidos, para realizar así el trabajo
posterior.
Luego se detecta cada baya mediante técnicas de detección de objetos, lo que
consiste en transformar puntos de la imagen en un espacio de parámetros. La
idea es encontrar curvas parametrizables (círculos) (Figura 3.15.). Tras detectar
los círculos o bayas, se obtienen las propiedades de cada una, se extrae el
promedio de los pixeles de cada baya y a partir de este valor se realiza su
clasificación.
Introducción a la agricultura de precisión 4.0 en huertos de arándanos 51
Figura 3.15. Clasificación de arándanos separados visualmente. (Fuente: elaboración
propia).
Figura 3.16. Software de clasificación de frutos para determinar su índice de madurez.
(Fuente: elaboración propia).
52 BOLETÍN INIA Nº 457
Finalmente, el software de clasificación de frutos se presenta como se muestra
en la Figura 3.16. En este se introduce la imagen obtenida de la cámara QSI de
las bayas en formato tiff. Luego se presiona el botón “Procesar” para procesar
dichas imágenes. El resultado que se presenta en el recuadro corresponde a
la cantidad de bayas por clase que hay y guarda una imagen en la carpeta,
señalando las bayas con sus respectivas clases.
¿Cómo se relaciona la madurez fenólica con la cámara NIR?
La madurez fenólica aumenta las concentraciones de antocianinas
progresivamente, hasta alcanzar una concentración máxima, para luego
disminuir en el periodo de sobre madurez. La cohesión celular se ve disminuida
debido al efecto del envejecimiento celular, por la degradación de las paredes
y membranas celulares. Es por ello que ocurre una liberación de antocianos
desde las células, facilitando su extracción y oxidación. La baya con un
adecuado estado de madurez fenólica, posee una cutícula con altos contenidos
de antocianos, mejorando las características organolépticas de los frutos.
En las Figuras 3.17. y 3.18., se muestran los resultados de la cuantificación de
los polifenoles totales. De acuerdo a estos resultados, las bayas de arándanos
presentan mayor contenido de polifenoles en el estado 4, determinado con el
método de reflectancia como los frutos con madurez ideal.
Figura 3.17. Polifenoles totales en función de la clasificación del estado de madurez.
(Fuente: elaboración propia).
Introducción a la agricultura de precisión 4.0 en huertos de arándanos 53
Figura 3.18. Antocianos totales en función de la clasificación del estado de madurez.
(Fuente: elaboración propia).
Al visualizar ambos gráficos, se puede evidenciar que la clasificación realizada
sobre el formato óptico permitió una clara diferenciación en los niveles de
estos parámetros, al agruparse cada estado de madurez determinada por los
niveles ópticos dentro de una zona bien definida.
Una vez que los rangos están definidos, se genera el software de clasificación,
tal como lo muestra la Figura 3.16. Este nuevo software entrega un porcentaje
de 200 bayas clasificadas para cada clase y su porcentaje de madurez
correspondiente.
54 BOLETÍN INIA Nº 457