El estudio del equipo para proteger la colza de la pata negra, causada principalmente por el hongo Leptosphaeria maculans, es uno de los primeros en Canadá en utilizar inteligencia artificial para analizar los resultados y hacer recomendaciones.
En un artículo de Jim Timlik, reportero de la publicación agronómica canadiense Grainews, que habla sobre los avances realizados en la integración de la inteligencia artificial para proteger la colza de una enfermedad común.
…El estudio fue realizado por un grupo de científicos de la Universidad de Manitoba bajo el liderazgo de Dilanto Fernando, profesor del Departamento de Ciencias Vegetales. A ellos se unieron Michael Harding, fitopatólogo de Agricultura e Irrigación de Alberta, y la comunidad agrícola de Alberta: el estudio incluyó aproximadamente 60 granjas de Alberta cada temporada durante las temporadas de crecimiento de 2021 y 2022. Los resultados fueron publicados en la revista Canadian Journal of Plant Pathology, revisada por pares internacionales.
Fernando dice que el objetivo era utilizar el aprendizaje automático para identificar mejor los factores de riesgo que determinan el resultado de la enfermedad para que los productores puedan comprender mejor la pata negra y adoptar un enfoque proactivo para proteger su canola/canola del problema. Los datos recopilados por Harding y sus colaboradores se utilizaron en modelos de aprendizaje automático creados por el becario postdoctoral Liang Zhou, y los modelos incluyeron todos los factores que contribuyen a la pata negra, incluido el clima, los escarabajos pulgas, las larvas de las raíces, la rotación de cultivos y las variedades. Se evaluó el riesgo asociado a cada uno de ellos.
El estudio encontró que alrededor del 66 por ciento del riesgo de pata negra en la colza está determinado por el clima y la rotación de cultivos, así como por la variedad cultivada y el gen de resistencia presente en esa variedad.
En otras palabras, «estos modelos pueden predecir con precisión el riesgo de patas negras el 66 por ciento de las veces cuando la única información que obtienen es la rotación de cultivos y el clima», explica Harding.
“Si a los modelos se les dan datos sobre la rotación de cultivos y el clima, pueden predecir con precisión el riesgo de pata negra en la colza en aproximadamente dos tercios de los casos. No hay nada que podamos hacer con respecto al clima, por lo que gestionar el riesgo se reduce a la rotación de cultivos y la selección de variedades, y a plantar la variedad adecuada en el campo adecuado. Esto le permitirá sacar el máximo partido a su inversión, ya que reducirá el riesgo de desarrollar esta enfermedad”, aconseja el experto.
Harding dice que ampliar la rotación de cultivos y plantar una variedad de variedades resistentes es una recomendación que él y sus colegas han estado comunicando a los agricultores durante años. Espera que los datos presentados en el estudio refuercen este consejo y convenzan a más productores a seguirlo.
“La conclusión clave para mí es que tenemos una publicación revisada por pares que respalda mi mensaje tanto sobre los beneficios de la rotación de cultivos como sobre las variedades de canola con diferentes genes R. Si se hace esto y el clima no es muy propicio para el desarrollo de enfermedades, se reducirá el riesgo de pata negra en dos tercios simplemente practicando una buena rotación de cultivos y de genes de resistencia”, enfatizó.
“El enorme riesgo de pérdida de rendimiento de la colza debido a la pata negra se mitiga con prácticas simples que solo requieren planificación por parte del productor y la voluntad de abandonar en ocasiones el cultivo huésped. Si construye su programa de control de la pata negra en torno a la resistencia de los cultivos y la rotación del gen R, tendrá una base realmente sólida para comenzar a agregar algunas de las otras herramientas de control, como el control del escarabajo pulga y los tratamientos de semillas o la aplicación temprana de fungicidas. Si le digo a un productor que debería dejar la canola y esa recomendación sólo reducirá el riesgo de pata negra en un cinco por ciento, pensará: «Podría pensar en ello». Pero si reduce el riesgo en un 60 por ciento, bueno, ahora escucharán”, continúa Harding.
Dilanto Fernando elogió las contribuciones de Zhou a los modelos de aprendizaje automático, que desempeñaron un papel importante en el estudio: “Muchos investigadores tienen dificultades para utilizar la IA debido a la falta de datos disponibles del mundo real. Esto no fue una preocupación en este caso, ya que Harding proporcionó una gran cantidad de información detallada sobre docenas de granjas en funcionamiento. Creo que el punto es que este enfoque se ve facilitado por datos reales y personas reales que los recopilaron. Teníamos datos reales que introdujimos en modelos de aprendizaje automático y vimos cuál sería el resultado”.
Harding y Fernando esperan que la IA se utilice cada vez más en la investigación agrícola. Harding dice que esto ayuda a los científicos a separar el proverbial trigo de la paja.
“Como científicos, podemos generar datos, pero necesitamos separar el ruido de la imagen real. Hay muchas otras cosas dando vueltas que son aleatorias o que nos impiden comprender la causa y el efecto. El aprendizaje automático es una forma más poderosa de tomar conjuntos de datos realmente complejos que tienen múltiples entradas y llegar al fondo de la causa y el efecto de ese ruido. Por eso optamos por el camino del aprendizaje automático, porque tenía que funcionar mejor que algunas de las técnicas clásicas de análisis estadístico que podíamos utilizar”, explica.
Los niveles de resistencia de diferentes variedades de canola/canola entre sí en diferentes campos no se pueden medir porque las poblaciones de patógenos pueden variar entre campos, dijeron los científicos. Sin embargo, en el futuro se podrán rastrear genes patógenos en zonas agrícolas de todas las provincias canadienses.
“Sin embargo, puedo decir con confianza que se obtendrán resultados similares en otras provincias de las praderas canadienses. Cultivamos variedades bastante similares, tenemos condiciones climáticas bastante similares y nuestros métodos de producción son bastante comparables”, dijo Harding.
La pata negra se descubrió por primera vez en las praderas canadienses en los años 80 y al principio se mantuvo bajo control gracias a la genética y las variedades desarrolladas en aquella época. En los últimos años, se ha informado de un marcado aumento en la incidencia a medida que el patógeno se vuelve más virulento y algunos genes R se vuelven menos efectivos.
Fernando dice que por eso proyectos como este son tan importantes, ya que ayudan a los productores a gestionar mejor el riesgo de enfermedades. Harding considera que el consultor de IA desarrollado es una herramienta importante para proteger no sólo la colza, sino también las inversiones de los agricultores, ya que los recursos para la producción de canola de alto rendimiento, incluso para el mercado de exportación, son muy importantes.
Fuente: Grainnews.ca Autor: Jim Timlick.
En la foto se ven tallos de colza afectados por la pata negra. Crédito de la foto: Michael Harding.
