Un nuevo método, que utiliza conjuntos de datos sintéticos y aprendizaje por transferencia para superar la escasez y variabilidad de los datos, supera significativamente las técnicas convencionales en ensayos de campo de varios años.
por la Academia China de Ciencias
El índice de área foliar (IAF), un indicador crucial del crecimiento y la productividad de los cultivos, desempeña un papel fundamental en la teledetección agrícola. Los métodos tradicionales de recuperación del IAF, que utilizan modelos empíricos y modelos de transferencia radiativa (MTR) unidimensionales, suelen presentar dificultades con la variabilidad ambiental y las complejidades estructurales, especialmente al aplicarse en diferentes años y etapas de crecimiento. Para abordar estos desafíos, los investigadores han recurrido cada vez más al aprendizaje profundo. Sin embargo, estos modelos suelen requerir grandes conjuntos de datos etiquetados, cuya recopilación en entornos agrícolas requiere mucho tiempo y es costosa.
Un estudio publicado en Plant Phenomics el 28 de febrero de 2025 por el equipo de Hao Yang, de la Academia de Agricultura y Ciencias Forestales de Beijing, ofrece una solución transformadora para la agricultura de precisión al permitir un monitoreo escalable, preciso y de bajo costo del IAF a lo largo de las estaciones utilizando solo datos multiespectrales de UAV.
Para facilitar la recuperación precisa del IAF a lo largo de los años y las etapas de crecimiento, los investigadores generaron y validaron primero conjuntos de datos espectrales sintéticos mediante un modelo de transferencia radiativa (RTM) 3D, lo que garantizó que los valores de reflectancia capturaran una amplia gama de variabilidad fisiológica y ambiental. Se observó que estos conjuntos de datos, que incorporan diversas arquitecturas del dosel del maíz y características bioquímicas, se alineaban adecuadamente con las observaciones multianuales con drones, complementando eficazmente el limitado alcance de los datos medidos en campo.
En comparación con el modelo RTM 1D basado en PROSAIL, que alcanzó un R² máximo de tan solo 0,55 y presentaba sesgos de subestimación y sobreestimación, el modelo KGCNN basado en RTM 3D ofreció mejoras significativas tanto en precisión como en consistencia. Modelos alternativos como RNN, LSTM y bosques aleatorios también presentaron deficiencias, especialmente en la generalización a conjuntos de datos no analizados.
En cambio, el modelo KGCNN + TL superó consistentemente a estos métodos, mostrando una precisión de recuperación superior a lo largo de varios años. Además, los modelos entrenados únicamente con datos medidos sin preentrenamiento obtuvieron un rendimiento notablemente inferior, lo que subraya el valor de los datos simulados.
Los experimentos de ablación en la arquitectura KGCNN revelaron que aumentar el número de canales convolucionales mejoró el aprendizaje de características y la robustez del modelo. La mejor configuración alcanzó un R² de 0,87 y un RMSE de 0,54, lo que valida el diseño de la arquitectura. En general, la integración de la simulación RTM 3D, el diseño de redes neuronales a medida y el aprendizaje por transferencia ofrece un marco sólido para el monitoreo confiable y escalable del IAF de cultivos en condiciones de campo variables.
Al fusionar datos simulados de modelado avanzado de transferencia radiativa 3D con técnicas de aprendizaje profundo y aprendizaje por transferencia, esta investigación ofrece un método altamente preciso y transferible para la recuperación del IAF. El marco KGCNN + TL establece un nuevo referente para el monitoreo interanual de cultivos, demostrando el potencial de revolucionar la forma en que agricultores, investigadores y agrónomos monitorean y gestionan el crecimiento de los cultivos en condiciones ambientales cambiantes.
Más información: Dan Zhao et al., Recuperación dinámica del índice de área foliar verdadera del maíz con KGCNN y TL y modelado 3D integrado de transferencia radiativa para el fenotipado de cultivos, Plant Phenomics (2025). DOI: 10.1016/j.plaphe.2025.100004
