Investigación aplicada y método científico
Diseño experimental, análisis cuantitativo, interpretación crítica y evaluación de metodologías.
Bruna Condé Lima, PhD es investigadora y consultora. Su trabajo conecta la investigación experimental y la visión artificial con la teledetección, el análisis geoespacial y el aprendizaje automático. Sus aplicaciones recientes son agrícolas, pero su enfoque no se limita a un cultivo o sector.
Fragmentos interiores de un seguimiento real; sin límites ni referencias geográficas.
Su experiencia combina diseño científico y herramientas computacionales para responder preguntas concretas. Los trabajos agrícolas son ejemplos reales de métodos que pueden aplicarse en otros contextos.
Diseño experimental, análisis cuantitativo, interpretación crítica y evaluación de metodologías.
Experiencia publicada en análisis de imágenes y desarrollos recientes de segmentación semántica con deep learning.
Procesamiento e interpretación de imágenes UAV y Sentinel para estudiar respuestas espectrales y cambios entre fechas.
Zonificación relativa, series temporales y detección de anomalías, con mapas y capas SIG reproducibles.
Casos y líneas de investigación con experiencia reciente en arroz y viñedo. La metodología puede explorarse en otros cultivos, regiones y sectores.
Caso de estudio: arroz, campaña 2026. Imágenes UAV y observaciones Sentinel integradas para interpretar la respuesta relativa de la vegetación, su evolución temporal y la variabilidad dentro de una parcela.
Índices espectrales, clasificación en tres zonas y cambios entre vuelos.
Seguimiento Sentinel-1/Sentinel-2 y anomalías relativas.
Mapas, capas SIG e informes interpretativos para orientar comprobaciones en campo.
Recortes reales anonimizados; no se publican perímetros, coordenadas ni informes completos de clientes.
Análisis de series Sentinel e índices de vegetación y humedad para estudiar la variabilidad de superficies a lo largo del tiempo. Aplicación reciente: viñedos y evaluación de parcelas para apoyar decisiones sobre terrenos.
Desarrollo experimental de modelos de segmentación semántica mediante aprendizaje profundo y recursos de alto rendimiento (Leonardo HPC), con aplicaciones iniciales en imágenes UAV de arroz. Se buscan colaboradores del sector agrícola, operadores UAV y grupos de investigación interesados en explorar esta metodología en diferentes regiones, cultivos y condiciones de campo.
Proponer una colaboración ↗La pregunta de partida determina las fuentes de datos, las técnicas de análisis y las comprobaciones necesarias; no se parte de una lista cerrada de indicadores.
Se concreta el problema, la decisión o la pregunta de investigación y se identifica la evidencia disponible.
Se comprueba la calidad y adecuación de imágenes, series temporales y observaciones de referencia.
Se seleccionan y contrastan los métodos apropiados, considerando sus limitaciones y el contexto.
Se presentan resultados interpretables y, según el encargo, mapas, capas GIS, código o informes.
Cada proyecto indica las limitaciones de los datos y el nivel de validación de las conclusiones.
Bruna Condé Lima, PhD, es investigadora y consultora con formación en ingeniería de alimentos y doctorado por la University of Melbourne. Su trayectoria integra investigación experimental, métodos analíticos y visión artificial.
Su trabajo académico incluyó investigaciones sobre calidad de vinos espumosos, química analítica y evaluación mediante sistemas robóticos y análisis de imágenes. Parte de esta investigación apareció en revistas como Food Control y Food Research International.
Esta base se amplió hacia el aprendizaje profundo y el reconocimiento de imágenes fuera de distribución con VitiNet (2025), y hacia el procesamiento multiespectral, la teledetección Sentinel-1/2 y el análisis geoespacial. Los proyectos agrícolas muestran aplicaciones concretas de capacidades transferibles a otros cultivos y sectores.
PhD en Ciencias AgrariasUniversity of Melbourne
MSc en Food ScienceUniversity of Melbourne
Grado en Ingeniería de AlimentosUniversidade Federal de Viçosa
Investigación y docenciaUniversity of Melbourne; publicaciones revisadas por pares
Formación en ML aplicadaBSC AI Factory · Essential Machine Learning (completada)
Publicaciones en ciencia alimentaria, análisis de imágenes, robótica y técnicas analíticas.
VitiNet: clasificación de enfermedades en hojas de vid con ResNet18 y reconocimiento de imágenes fuera de distribución (OOD).
Imágenes UAV, observaciones Sentinel, series temporales y productos para el seguimiento agrícola.
Investigación en segmentación de imágenes para cartografía de malas hierbas con recursos de Leonardo HPC.
Artículos científicos y una contribución a congreso que muestran una evolución desde la investigación experimental y la visión artificial hasta el aprendizaje profundo aplicado.
Food Research International
Ver publicaciónFood Control
Ver publicaciónJournal of Agricultural and Food Chemistry
Ver publicaciónCritical Reviews in Food Science and Nutrition
Ver publicaciónIECAG 2025 · 5th International Electronic Conference on Agronomy
Clasificador de enfermedades de hojas de vid basado en ResNet18 y reconocimiento de imágenes fuera de distribución (OOD). En un conjunto de prueba experimental obtuvo un 98,2 % de exactitud y un 99,6 % de precisión en la clase «Other». Resultados sujetos a las condiciones del estudio; no se presentan como rendimiento validado en campo.
Ver contribución al congresoPara propuestas de investigación aplicada, consultoría técnica y desarrollo de metodologías en teledetección, análisis geoespacial, visión artificial y aprendizaje automático.