NOMO es una plataforma web para la gestión inteligente de fincas agrícolas diseñada para agricultores e ingenieros agrónomos. La plataforma provee de información actualizada sobre el estado del cultivo, estado hídrico, variables físicas, evolución de los últimos años, así como avisos y alertas precoces por cambios que ocurran en el comportamiento de la finca.

Esta información reduce el gasto en insumos hasta en un 30%, haciendo no solo más eficiente, sostenible e inteligente las explotaciones agrícolas, sino que genera una mayor productividad derivada de la monitorización y control continuo del estado del cultivo.

Los beneficios de aplicar estos sistemas pasan desde el aumento de las producciones agrícolas al ahorro de recursos: fertilizantes, pesticidas y agua. Junto con un desarrollo de una agricultura más sostenible gracias a la eficiencia de los recursos utilizados. Tratar en el lugar, momento y con la cantidad necesaria a cada elemento del cultivo.

Cada cultivo es un mundo, pero lo importante es que nos basamos en estudios científicos de distintos cultivos genéricos (olivo, viñedo, caña de azúcar, soja, maíz, colza, trigo y otros tipos de cereal…) desarrollados a lo largo de más de 30 años. Unido a ello nosotros mismos somos pioneros en el desarrollo y ampliación del estudio en cultivos leñosos como subtropicales, pistacho o almendro.

En primer lugar, necesitas tener una cuenta habilitada para entrar en NOMO, para ello, accede a nuevo usuario. Recibirás un correo en el que te indicaremos que verifiques tu cuenta. Por último, solo necesitas adquirir el plan fundamental para empezar a beneficiarte de las ventajas de NOMO.

Descubre más sobre NOMO en nuestra documentación.

Mantendrás los derechos de propiedad intelectual sobre el contenido que hayas creado en NOMO. Google, sus proveedores de licencias o los usuarios son propietarios de contenido que se puede ver y utilizar a través de NOMO, y están sujetos a las Condiciones del Servicio Adicionales de Google Earth Engine.

Las imágenes de NOMO utilizan información disponible de una gran variedad de proveedores, como fuentes públicas, gubernamentales o comerciales, las cuales  son procesadas, analizadas y representadas gracias a la implementación de metodologías propias. Esta misma información suele estar disponible para todos los usuarios que tengan licencia o la adquieran a través de estos proveedores.

Puedes usar la plataforma NOMO en tu navegador favorito (Chrome, Firefox, Opera, Explorer), en tu móvil o Tablet o en tu ordenador. Descarga las aplicaciones para disfrutar de toda la información de tu finca.

Para obtener más información sobre cómo usar NOMO y todas sus funciones, consulta nuestra documentación, en la que encontrarás tutoriales muy útiles y prácticas recomendadas. También puedes enviar sugerencias o comentarios sobre NOMO en Ayuda > Enviar comentarios.

NOMO dispone de numerosas funcionalidades y datos para que lo consultes cuando y donde quieras. Desde NOMO podrás acceder a información a cerca de la vigorosidad del cultivo y el estado hídrico desde 2016 hasta hoy consultando los valores estadísticos, podrás consultar información acerca de la topografía de tu finca con datos como las pendientes o las orientaciones, conoce cuales son las zonas proclives a sufrir encharcamientos, recibe recomendaciones de riego y avisos por anomalías en tu cultivo…entre otras muchas funcionalidades. Para conocer todos y cada una de ellas de una forma detallada descárgate nuestro dossier informativo.

Bibliografía:

• Adão, T., Hruška, J., Pádua, L., Bessa, J., Peres, E., Morais, R., & Sousa, J. J. (2017). Hyperspectral imaging: A review on UAV-based sensors, data processing and applications for agriculture and forestry. Remote Sensing, 9(11),
• Agüera, F., Carvajal, F., & Pérez, M. (2011). Measuring sunflower nitrogen status from an unmanned aerial vehicle-based system and an on the ground device. Arch. Photogramm. Remote Sens. Spat. Inf. Sci, 38, 33-37.
• Alatorre, L. C., Beguería, S., & Vicente-Serrano, S. M. (2010). Análisis de la evolución espacio-temporal del NDVI sobre áreas vegetadas y zonas de riesgo de erosión en el Pirineo Central. Pirineos, 165, 7-27.
• Alfonso García-Ferrer Porras & Francisco Javier Mesas Carrascosa (2015). EL POTENCIAL DE LOS VUELOS NO TRIPULADOS EN EL COMPLEJO AGROALIMENTARIO. Departamento de Ingeniería Gráfica y Geomática. Escuela Técnica Superior Ingenieros Agrónomos y Montes. Universidad de Córdoba.

• Anaya, , Chuvieco, E., & Palacios, A. (2008). Estimación de biomasa aérea en Colombia a partir de imágenes MODIS. Revista de Teledetección, 30, 5-22.
• Assmann, J. J., Kerby, J. T., Cunliffe, A. M., & Myers-Smith, I. H. (2018). Vegetation monitoring using multispectral sensors–best practices and lessons learned from high latitudes. Journal of Unmanned Vehicle Systems, (ja).
• Bendig, J., Willkomm, M., Tilly, N., Gnyp, M. L., Bennertz, S., Qiang, C., … & Bareth, G. (2013). Very high resolution crop surface models (CSMs) from UAV-based stereo images for rice growth monitoring in Northeast China. Arch. Photogramm. Remote Sens. Spat. Inf. Sci, 40, 45-50.
• Berni, J. A. J., Zarco-Tejada, P. J., Suárez, L., González-Dugo, V., & Fereres, E. (2009). Remote sensing of vegetation from UAV platforms using lightweight multispectral and thermal imaging sensors. Arch. Photogramm. Remote Sens. Spatial Inform. Sci, 38(6).
• Caldentey Aventín, P. (2017). Utilización de sensores multiespectrales e hyperespectrales embarcados en RPAS con el objetivo de dosificar abonos en cultivos (Bachelor’s thesis, Universitat Politècnica de Catalunya).
• Candiago, , Remondino, F., De Giglio, M., Dubbini, M., & Gattelli, M. (2015). Evaluating multispectral images and vegetation indices for precision farming applications from UAV images. Remote Sensing, 7(4), 4026-4047.
• Cantuarias-Avilés T.E. (1995). Transpiration rate and water status of a mature avocado orchard as related to wetted soil volume. Tesis de Máster presentada en la Hebrew University of
• Carmona, F., Rivas, R., & Fonnegra, D. C. (2015). Vegetation Index to estimate chlorophyll content from multispectral remote sensing data. European Journal of Remote Sensing, 48(1), 319-326.
• Comparetti, A. (2011). Precision Agriculture: Past, Present and Future. In International scientific conference AGRICULTURAL ENGINEERING AND ENVIRONMENT-2011 (pp. 216- 230). Aleksandras Stulginskis
• Das, J., Cross, G., Qu, C., Makineni, A., Tokekar, P., Mulgaonkar, Y., & Kumar, V. (2015, August). Devices, systems, and methods for automated monitoring enabling precision agriculture. In Automation Science and Engineering (CASE), 2015 IEEE International Conference on (pp. 462-469).

• Ehsani, , & Maja, J. M. (2013). The rise of small UAVs in precision agriculture. Resource Magazine, 20(4), 18-19.
• Ehsani, Reza & Maja, Joe (2013). The rise of small UAVs in precision agriculture. Resource: Engineering and Technology for Sustainable World. 20. 18-19.

• Foley, A., Ramankutty, N., Brauman, K. A., Cassidy, E. S., Gerber, J. S., Johnston, M., … & Balzer, C. (2011). Solutions for a cultivated planet. Nature, 478(7369), 337.
• Fiorentini, G., Sentana, E., & Calzolari, G. (2004). On the validity of the Jarque–Bera normality test in conditionally heteroskedastic dynamic regression models. Economics Letters, 83(3), 307-312.
• Gabriel, L., Zarco-Tejada, P. J., López-Herrera, P. J., Pérez-Martín, E., Alonso-Ayuso, M., & Quemada, M. (2017). Airborne and ground level sensors for monitoring nitrogen status in a maize crop. biosystems engineering, 160, 124-133.
• Gago, , Douthe, C., Coopman, R., Gallego, P., Ribas-Carbo, M., Flexas, J., … & Medrano, H. (2015). UAVs challenge to assess water stress for sustainable agriculture. Agricultural water management, 153, 9-19.

• Gao, B. C. (1996). NDWI—A normalized difference water index for remote sensing of vegetation liquid water from space. Remote sensing of environment, 58(3), 257-266.
• Getis, A., & Ord, J. K. (2010). The analysis of spatial association by use of distance statistics. In Perspectives on Spatial Data Analysis (pp. 127-145). Springer, Berlin, Heidelberg.
• Gevaert, C. M., Suomalainen, J., Tang, J., & Kooistra, L. (2015). Generation of spectral– temporal response surfaces by combining multispectral satellite and hyperspectral UAV imagery for precision agriculture IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 8(6), 3140-3146.
• Gonzalez-Dugo, , Zarco-Tejada, P., Nicolás, E., Nortes, P. A., Alarcón, J. J., Intrigliolo, D. S., & Fereres, E. (2013). Using high resolution UAV thermal imagery to assess the variability in the water status of five fruit tree species within a commercial orchard. Precision Agriculture, 14(6), 660-678.
• Goodchild, M. F. (1986). Spatial autocorrelation (Vol. 47). Geo
• Greenlee, D. D. 1987. «Raster and Vector Processing for Scanned Linework». Photogrammetric Engineering and Remote Sensing 53 (10): 1383–1387.

• Grenzdörffer, G. J., Engel, A., & Teichert, B. (2008). The photogrammetric potential of low-cost UAVs in forestry and agriculture. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 31(B3), 1207-1214.

• Griffith, D. A. (1987). Spatial autocorrelation: A primer resource publications in geography. Association of American Geographers, Washington,
• Guerif, M., Houlès, V., & Baret, F. (2007, October). Remote sensing and detection of nitrogen status in Application to precise nitrogen fertilization. In 4th International Symposium on Intelligent Information Technology in Agriculture (pp. 26-29).
• Haboudane, D., Miller, J. R., Tremblay, N., Zarco-Tejada, P. J., & Dextraze, L. (2002). Integrated narrow-band vegetation indices for prediction of crop chlorophyll content for application to precision agriculture. Remote sensing of environment, 81(2-3), 416- 426.
• Hamilton, L. C. (1992). Regression with graphics: A second course in applied
• Hassan-Esfahani, L., Torres-Rua, A., Ticlavilca, A. M., Jensen, A., & McKee, M. (2014, July). Topsoil moisture estimation for precision agriculture using unmmaned aerial vehicle multispectral In Geoscience and Remote Sensing Symposium (IGARSS), 2014 IEEE International (pp. 3263-3266). IEEE.
• Honkavaara, , Saari, H., Kaivosoja, J., Pölönen, I., Hakala, T., Litkey, P., … & Pesonen, L. (2013). Processing and assessment of spectrometric, stereoscopic imagery collected using a lightweight UAV spectral camera for precision agriculture. Remote Sensing, 5(10), 5006-5039.
• Knyazikhin, Y., Schull, M. A., Stenberg, P., Mõttus, M., Rautiainen, M., Yang, Y., … & Disney, M. I. (2013). Hyperspectral remote sensing of foliar nitrogen content. Proceedings of the National Academy of Sciences, 110(3), E185-E192.
• Jiménez-López, A. F., Jiménez-López, F. R., & Jiménez-López, M. (2015). Multispectral analysis of vegetation for remote sensing applications. Iteckne, 12(2), 156-167.
• Lamb, D. W., & Brown, R. B. (2001). Pa—precision agriculture: Remote-sensing and mapping of weeds in Journal of Agricultural Engineering Research, 78(2), 117-125.
• Laudin, F., Navarro, F. B., & Valenti, L. (2018). Análisis exploratorio de datos multiespectrales sobre áreas dedicadas a la ganadería extensiva en el norte de la Provincia de Córdoba (Bachelor’s thesis).
• Matese, A., Toscano, P., Di Gennaro, S. F., Genesio, L., Vaccari, F. P., Primicerio, J., … & Gioli, (2015). Intercomparison of UAV, aircraft and satellite remote sensing platforms for precision viticulture. Remote Sensing, 7(3), 2971-2990.
• Mathews, A. J., & Jensen, J. L. (2013). Visualizing and quantifying vineyard canopy LAI using an unmanned aerial vehicle (UAV) collected high density structure from motion point cloud. Remote Sensing, 5(5), 2164-2183.

• McCollan, G (2018). Correlating Nitrogen Application Rates in Sugarcane With Low-Cost Normalized Difference Vegetation Index (NDVI). Informe de Proyecto SARE_USDA, disponible en https://projects.sare.org/project-reports/fs14-282/ (Consultado 16/02/2018)
• McFeeters, S. K. (1996). The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features. International journal of remote sensing, 17(7), 1425-1432.
• Meneses, V. A. B., Téllez, J. M., & Velasquez, D. F. A. (2015). Uso de drones para el análisis de imágenes multiespectrales en agricultura de precisión. @ limentech, Ciencia y Tecnología Alimentaria, 13(1).
• Mitchell, A. (2005). La Guía de Esri para el análisis
• Moran, S., Inoue, Y., & Barnes, E. M. (1997). Opportunities and limitations for image- based remote sensing in precision crop management. Remote sensing of Environment, 61(3), 319-346.
• Moreno, J. C. (2015). Plant Physiology and Development. In Anales de Biologia (No. 37, p. 163). Servicio de Publicaciones, Universidad de Murcia.

• Mulla, D. J. (2013). Twenty five years of remote sensing in precision agriculture: Key advances and remaining knowledge gaps. Biosystems engineering, 114(4), 358-371.
• Muñoz-Huerta, R., Guevara-Gonzalez, R., Contreras-Medina, L., Torres-Pacheco, I., Prado-Olivarez, , & Ocampo-Velazquez, R. (2013). A review of methods for sensing the nitrogen status in plants: advantages, disadvantages and recent advances. sensors, 13(8), 10823-10843.
• Nebiker, S., Annen, A., Scherrer, M., & Oesch, D. (2008). A light-weight multispectral sensor for micro UAV—Opportunities for very high resolution airborne remote sensing. The international archives of the photogrammetry, remote sensing and spatial information sciences, 37(B1), 1193-1199.
• Nguy-Robertson, A., Gitelson, A., Peng, Y., Viña, A., Arkebauer, T., & Rundquist, D. (2012). Green leaf area index estimation in maize and soybean: Combining vegetation indices to achieve maximal sensitivity. Agronomy Journal, 104(5), 1336-1347.
• Ovando, G., de la Casa, A., Bressanini, L., Martínez, J., Miranda, C., Miretti, D., … & Moglia, J. P. (2016, December). Metodología para estimar cual es la fecha óptima de adquisición de imágenes Landsat para estimar el rendimiento en un lote de soja en el marco de la agricultura de precisión. In VIII Congreso Argentino de AgroInformática (CAI- 2016)-JAIIO 45 (Tres de Febrero, 2016).

• Pölönen, I., Saari, H., Kaivosoja, J., Honkavaara, E., & Pesonen, L. (2013, October). Hyperspectral imaging based biomass and nitrogen content estimations from light- weight UAV. In Remote Sensing for Agriculture, Ecosystems, and Hydrology XV (Vol. 8887, p. 88870J). International Society for Optics and
• Primicerio, , Di Gennaro, S. F., Fiorillo, E., Genesio, L., Lugato, E., Matese, A., & Vaccari, F. P. (2012). A flexible unmanned aerial vehicle for precision agriculture. Precision Agriculture, 13(4), 517-523.
• Quesada Molina, P. (2019, September). Agricultura de Precisión en Cultivos Subtropicales mediante Teledetección con Satélite y Dron. Universidad de Granada, Spain. MAGOT 18/19.

• Robson, A. J., Petty, J., Joyce, D. C., Marques, J. R., & Hofman, P. J. (2014, August). High resolution remote sensing, GIS and Google Earth for avocado fruit quality mapping and tree number auditing. In Proceedings of the 29th International Horticultural Congress, Brisbane Convention and Exhibition Centre, Brisbane, Australia (pp. 17-22).
• Robson, A., Rahman, M., & Muir, J. (2017). Using worldview satellite imagery to map yield in Avocado (Persea americana): a case study in Bundaberg, Australia. Remote Sensing, 9(12),
• Rodríguez Montero, W. Agricultura, ciencia y
• Rokhmana, C. A. (2015). The potential of UAV-based remote sensing for supporting precision agriculture in Indonesia. Procedia Environmental Sciences, 24, 245-253.
• Salamí, , Barrado, C., & Pastor, E. (2014). UAV flight experiments applied to the remote sensing of vegetated areas. Remote Sensing, 6(11), 11051-11081.
• Salgadoe, , Robson, A., Lamb, D., Dann, E., & Searle, C. (2018). Quantifying the severity of phytophthora root rot disease in avocado trees using image analysis. Remote Sensing, 10(2), 226.
• Simic Milas, A., Romanko, M., Reil, P., Abeysinghe, T., & Marambe, A. (2018). The importance of leaf area index in mapping chlorophyll content of corn under different agricultural treatments using UAV images. International Journal of Remote Sensing, 1- 17.
• Sombrero, A., Escribano, A., Nieto, M., de Benito, A., & Nafría, D. (2001). Agricultura de precisión: Un nuevo concepto de agricultura. Agricultura: Revista agropecuaria, (829), 492-496.
• Torre, A. G., & Soler, V. G. (2017). Uso de drones en la distribución urbana. 3c Empresa: investigación y pensamiento crítico, (1), 108-115.
• Guillén Climent, L., Zarco-Tejada, P. J., Berni, J. A. J., Martín, V., & Francisco, J. (2010). Validacion de un modelo 3D para la estimación de radiación interceptada en cubiertas heterogéneas mediante imágenes de alta resolución espacial.

• Voiland, A. (2009). NDVI: Satellites Could Help Keep Hungry Populations Fed as Climate Changes.
• VAZQUEZ PAULIN, J. C., & BACKHOFF POHLS, M. A. (2017). PROCESAMIENTO GEO- INFORMATICO DE DATOS GENERADOS MEDIANTE DRONES PARA LA GESTION DE INFRAESTRUCTURA DEL TRANSPORTE. PUBLICACION TECNICA, (490).
• Wooldridge, J. M., & Econometrics, I. (2003). A Modern Approach. Mason: Thomson South-Western.
• Yacobi, Y. Z. (2012). From Tswett to identified flying objects: A concise history of chlorophyll a use for quantification of phytoplankton. Israel Journal  of  Plant  Sciences, 60(1-2), 243-251.
• Zarco-Tejada, P. J., González-Dugo, V., & Berni, J. A. (2012). Fluorescence, temperature and narrow-band indices acquired from a UAV platform for water stress detection using a micro-hyperspectral imager and a thermal camera. Remote Sensing of Environment, 117, 322-337.
• Zarco-Tejada, P., Hubbard, N., & Loudjani, P. (2014). Precision Agriculture: An Opportunity for EU Farmers—Potential Support with the CAP 2014-2020. Joint Research Centre (JRC) of the European
• Zinsstag, , Abakar, M. F., Ibrahim, M., Tschopp, R., Crump, L., Bonfoh, B., & Schelling, E. (2016). Cost-effective control strategies for animal and zoonotic diseases in pastoralist populations. Rev. Sci. Tech. Off. Int. Epiz, 35(2), 673-681.

Webgrafía:

• Material de la NASA 
• FAO, 2015: Global Initiative on Food Loss and Waste Reduction
• Photochemical Reflectance Index
• Normalized difference vegetation index 
• Food and Agriculture Organization of the United Nations: Food Security
• Espectro electromagnético
• Características de cámara Micasense RedEdge
• Sistemas de Información Geográfica
• Google Earth Engine