Congreso Internacional de Ciencias Agronómicas
Congreso Internacional de Ciencias Agronómicas
Congreso Internacional de Ciencias Agronómicas
ÍN D I C E
CONVOCA
a la comunidad científica, a especialistas e interesados en la investigación agronómica y
a la comunidad universitaria, para participar en el
PROGRAMA GENERAL
MESAS DE TRABAJO
2. Agroecología (cinca.agroecologia@chapingo.mx)
2.1. Diseño, manejo y evaluación de agroecosistemas
2.2. Procesos de generación y apropiación de tecnologías agroecológicas
2.3. Gestión de la sustentabilidad
2.4. Agricultura orgánica
Es MUY IMPORTANTE atender el llenado correcto del formato de registro, pues será el único
medio por el cual se generará electrónicamente la carta de aceptación y constancia(s);
así como el programa, memorias, recibos y facturas. En el caso de ponentes, el registro
deberá acompañarse del resumen correspondiente.
Al momento del registro se generará nombre de usuario y clave para ingresar a un panel
de control en donde se dará el seguimiento correspondiente.
Una vez recibido el resumen, el Comité Científico evaluará la pertinencia, así como el
enfoque disciplinario. Posteriormente, se emitirá un dictamen, que se comunicará a los
autores a través del panel de control, considerando las alternativas siguientes:
FECHAS
4
CUOTAS DE INSCRIPCIÓN
Categoría Monto (MXN)
Ponente Profesionista $3,000.00
Ponente estudiante de posgrado $1,600.00
Ponente estudiante de licenciatura $750.00
Asistente profesionista (no ponente) $1,000.00
Estudiante asistente (no ponente)* $200.00
Se deberá enviar el comprobante de pago digitalizado a través del panel de control donde
se registró previamente, en la dirección electrónica https://www.chapingo.mx/agronomico/
COMPROBANTE DE PAGO
Los ponentes o asistentes que requieran comprobante fiscal (factura) por concepto de
inscripción, deberán llenar los campos requeridos en el registro en línea.
Los participantes que sólo requieran recibo de pago, deberán indicarlo en el registro en
línea. Dicho comprobante no genera costo adicional.
5
FORMATO DE RESÚMENES, PRESENTACIONES ORALES Y CARTELES
RESÚMENES
Deberá contener los apartados: Título (en negritas, centrado, con mayúsculas con
excepción de los nombres científicos, en los que se seguirá la nomenclatura científica
correspondiente), Autor(es), Adscripción, Introducción, Materiales y Métodos, Resultados
y Discusión, Conclusiones y Literatura Citada. El nombre del (de los) autor(es) deberá(n)
iniciar con el apellido paterno, seguido de las iniciales del apellido materno y del
nombre(s). La adscripción se refiere a la institución correspondiente. Se debe evitar
escribir grados o cargos. Las figuras deberán presentar formato sencillo, en blanco y
negro o color, sin efectos de volumen (3D) ni de fondos. EN EL ANEXO A LA PRESENTE
CONVOCATORIA SE MUESTRAN EJEMPLOS A SEGUIR.
MOTIVOS DE RECHAZO
Es pertinente mencionar que la función del Comité Científico no es corregir formato
ni ortografía de los resúmenes. Algunos MOTIVOS DE RECHAZO de las contribuciones
son los siguientes: (1) Trabajos publicados previamente; (2) Presentación de
investigaciones inconclusas; (3) falta de relación con las temáticas del congreso; (4)
contradicciones en los planteamientos presentados; (5) falta de sustento en los
planteamientos presentados; (6) extensión mayor a dos hojas; (7) falta de cumplimiento
con el formato y la extensión requerida; (8) uso de referencias bibliográficas en el texto
no incluidas en la sección de Literatura Citada; (9) presentación de referencias
bibliográficas en la sección de Literatura Citada no usadas en el texto; (10) faltas de
ortografía.
PRESENTACIONES ORALES
Los ponentes deberán estar presentes del inicio al final de la Mesa de Trabajo asignada, al
menos el día de su presentación.
CARTELES
El diseño del cartel deberá realizarse en formato jpg o png con orientación horizontal, que
no exceda 2 Mb. Se deberá incluir la información más relevante del trabajo en relación a
Introducción (Justificación y Objetivos), Metodología, Resultados, Conclusiones y
Literatura Citada. El mensaje debe ser claro y simple, estar debidamente organizado para
que el lector siga fácilmente el flujo de información presentada. El nombre del (de los)
autor(es) y su adscripción, deberá(n) escribirse inmediatamente abajo del título y deberán
evitarse grados académicos.
CONSTANCIAS DE PARTICIPACIÓN
En el formato de constancia los nombres del ponente y autores aparecerán en el orden
en que fueron registrados en línea.
Las constancias de participación estarán disponibles en línea una semana después del
término del evento en el sistema del congreso: https://www.chapingo.mx/agronomico/
7
INSTANCIAS UNIVERSITARIAS ORGANIZADORAS
UNIDADES ACADÉMICAS
DEPARTAMENTO DE AGROECOLOGÍA
DEPARTAMENTO DE FITOTECNIA
DEPARTAMENTO DE SUELOS
DEPARTAMENTO DE ZOOTECNIA
8
COMITÉ EJECUTIVO
Presidente
Vicepresidenta Tesorero
Secretaria
9
INFORMES
https://www.chapingo.mx/agronomico/
10
ANEXO 1: EJEMPLO DE RESUMEN
11
RESPUESTAS DE LECHUGA A LA APLICACIÓN DE FOSFITO EN LA SOLUCIÓN
NUTRITIVA
Estrada O., E.1; Trejo T., L.I.1; Gómez M., F. C.2; Silva R., H. V.1; Castillo G., A. M.3; Avitia G.,
E3.
1
Colegio de Postgraduados, Campus Montecillo. Km 36.5 Carretera México-Texcoco. 56230,
Montecillo, Texcoco, Estado de México.
2
Colegio de Postgraduados, Campus Córdoba. Km 348 Carretera Córdoba-Veracruz. 94946,
Amatlán de los Reyes, Veracruz.
3
Instituto de Horticultura. Universidad Autónoma Chapingo. Km 38.5 Carretera México-Texcoco.
56230, Chapingo, Estado de México.
correo-e: estrada.elias@colpos.mx
Introducción
Materiales y Métodos
Resultados y Discusión
Raíz Vástago N P K N P K
0.00 1.85 a 17.50 a 26.33 a 5.5 bz 12.03 b 26.74 a 12.87 b 14.33 a
0.25 1.73 a 18.91 a 28.60 a 5.91 b 13.52 b 32.01 a 15.75 a 14.02 a
0.50 1.64 a 14.74 a 26.33 a 7.66 a 17.43 a 26.28 a 13.35 b 14.51 a
yDMSH 0.57 6.39 2.57 0.84 2.17 9.55 2.00 2.71
zValores con la misma letra dentro de columnas, son estadísticamente iguales con base a la prueba de
Fosfito (meq L-1) Clorofila (mg g-1) Azúcares totales (mg g-1)
A B Total
0.00 0.375 bz 0.103 b 0.483 b 23.898 b
0.25 0.480 b 0.158 ab 0.643 ab 43.683 a
0.50 0.648 a 0.198 a 0.853 a 12.258 b
yDMSH 0.189 0.066 0.250 16.162
zValores con la misma letra dentro de columnas, son estadísticamente iguales con base a la prueba de
Conclusiones
Aplicaciones de fosfito de hasta 0.5 meq L-1 de solución nutritiva favorecen acumulación
nutrimental en raíz (N, P y K) y estimulan la acumulación de clorofilas a, b y total en hojas, sin
afectar la ganancia de materia seca de la planta. Aplicaciones de 0.25 meq L-1 de solución nutritiva
favorecen la acumulación de azúcares totales y nutrimental (N, P y K) en vástago.
Literatura Citada
15
ALGORITMO DE VISIÓN ARTIFICIAL PARA RECONOCIMIENTO DE ENTORNO DE UN ROBOT
AGRÍCOLA
Introducción
Se prevé que la población mundial alcanzará casi los 9 700 millones de personas para 2050 (FAO, 2017).
Para cubrir esta demanda, se requerirán tecnologías agrícolas capaces de producir casi un 50% más de
alimentos, forraje y biocombustible de los que se producen actualmente. Con la automatización de
operaciones es posible reducir costos e incrementar la productividad agrícola significativamente.
Una máquina agrícola totalmente autónoma requiere un sistema capaz de guiarlo y ubicarlo para navegar
con éxito de forma independiente incluso en zonas irregulares o con difícil acceso, dicho sistema necesita
un método de reconocimiento de entorno para su funcionamiento.
Materiales y Métodos
Se construyó una cámara estéreo de bajo costo con dos cámaras web Logitech c720 con 70 mm de
separación. Se extrajeron los parámetros intrínsecos de las cámaras con el programa “Camera Calibration
With OpenCV” de Gábor (2019), posteriormente se extrajeron los parámetros extrínsecos y de rectificación
con las funciones “stereoCalibrate” y “stereoRectify” de OpenCV.
El algoritmo de reconocimiento de entorno consta de tres partes. La primera es la base de reconocimiento
de entorno, se encarga de adquirir información tridimensional del sensor mediante el principio de visión
estéreo. Primero se capturan las imágenes y se rectifican con los parámetros de calibración obtenidos.
Luego se buscan las coincidencias de objetos mediante extracción, descripción y emparejamiento de
puntos clave de las imágenes con algoritmos SIFT y FLANN. A cada pareja de puntos clave se le calcula
la disparidad y posteriormente su profundidad con respecto al punto focal de la cámara izquierda.
La segunda parte es la encargada de identificar el objeto de interés del robot según la labor agrícola que
esté realizando, en este caso los cultivos de hoja verde, en específico al maíz. Para esta función se usó
el algoritmo de segmentación automática de plantas de Chávez-Sánchez (2016) el cual entrega una
máscara binaria de la imagen que indica con blanco la presencia de plantas y con negro su ausencia.
En la tercera parte del algoritmo se reconstruye el entorno en una nube de puntos tridimensional graficando
las coordenadas reales de los puntos clave usando la librería OpenGL y la máscara binaria con la cual
podemos identificar los puntos pertenecientes a plantas. Así mismo, utilizando solo las coordenadas X y
Z del sistema de coordenadas reales se generó un mapa local de 10 metros cuadrados, también con
segmentación de plantas.
Con el fin de determinar la precisión de las mediciones realizadas por el algoritmo de reconocimiento de
entorno se colocó un pliego de papel con una hoja de planta pegada al centro en 40 puntos diferentes de
un terreno dispersos en un rango de 150 a 25x103 mm frente a la cámara estéreo. Mediante el algoritmo
propuesto se estimó la profundidad de cada punto y se comparó con su profundidad real medida con
anterioridad.
Resultados y Discusión
Figura 4. Reconstrucción del entorno en nube de Figura 5. Mapa local del entorno (Vista
puntos tridimensional. superior).
Conclusiones
El sistema de visión de máquina de bajo costo construido tuvo un buen desempeño al emplearse como
sensor de visión estéreo para procesamiento de imágenes. En conjunto, este sistema de visión artificial
tiene una precisión de 97.95 % que permite utilizarlo en exploración de entornos irregulares para robots
agrícolas.
Literatura Citada
FAO, (2017). The future of food and agriculture: trends and challenges by Food and Agriculture
Organization of the United Nations.
Gábor, B. (2019). Camera Calibration With OpenCV.
Doi: https://docs.opencv.org/master/d4/d94/tutorial_camera_calibration.html. Visitado el 27 de
junio de 2019.
Chávez-Sánchez, A. (2016). Reconocimiento automático del tallo en cultivo de tomate en
invernadero mediante visión por computadora. Posgrado de Ingeniería Agrícola y Uso Integral
del Agua. Universidad Autónoma Chapingo.