A medida que la población mundial aumenta y las necesidades de proteínas se duplican, los fitomejoradores modernos deben optimizar aún más la estructura de las plantas de soja y el rendimiento por planta para los sistemas agrícolas mecanizados modernos.
Los métodos de cultivo tradicionales utilizan una evaluación visual imprecisa y una recolección manual de plantas individuales que requiere mucha mano de obra. Sin embargo, muchas características importantes de las plantas para los sistemas de cultivo modernos son difíciles de medir utilizando las herramientas de mejoramiento actuales, especialmente aquellas asociadas con interacciones fisiológicas, estructurales y ambientales complejas.
Los intentos de medir con precisión estos rasgos a menudo requieren tecnología avanzada o métodos que requieren mucha mano de obra. Por lo tanto, el profesor asociado de UTokyo, Wei Guo, tiene la intención de «marcar el comienzo de una nueva era de fenómica vegetal basada en inteligencia artificial (IA) para estos rasgos valiosos pero difíciles de encontrar».
Su laboratorio se asoció con el investigador de soja de NARO, el Dr. Akito Kaga, para desarrollar un proceso de captura de imágenes y análisis de IA. Su tecnología permite una medición mucho más precisa y rápida del rendimiento de cada planta, de su estructura y de la ubicación de las semillas mediante fotografías o vídeos de campo fácilmente capturados. El estudio fue publicado en la revista Plant Phenomics y en TransSpread.
Como dice el profesor Wei Guo: “La mayoría de las aplicaciones agrícolas de IA que mejoran la eficiencia requieren costosas plataformas aéreas o robóticas, mientras que nuestro sistema, mucho más económico, puede ser utilizado por productores de soja con recursos financieros muy modestos”.
Tang Li, candidato a doctorado de UTokyo, ha desarrollado un nuevo sistema de análisis de imágenes que puede procesar y estimar automáticamente el número y la distribución espacial de semillas de soja por planta en un campo. Un canal de análisis de imágenes de aprendizaje profundo llamado Multi Scale Attention Network (MSAnet) utiliza un motor de atención de múltiples escalas para ayudar en el recuento de semillas.
Lee explicó que «el aspecto más desafiante del diseño de MSANet fue detectar sólo el primer plano con recursos computacionales mínimos». Después de centrarse en el primer plano y generar mapas de calor de distribuciones de semillas, se realizan varias tareas en las imágenes aumentadas, luego se reducen las imágenes, se comparan con las imágenes vecinas y se aplica una función de pérdida para mejorar la confianza de la estimación.
Finalmente, se utiliza un algoritmo de densidad de granos para detectar y contar semillas, con resultados más precisos que cualquier otro proceso existente. Luego se pueden generar gráficos fáciles de interpretar que muestran la distribución vertical de semillas en plantas individuales, que los fitomejoradores pueden utilizar para evaluar varios rasgos que antes no estaban disponibles en nuevas variedades potenciales o para realizar análisis genéticos de estos nuevos rasgos.
Los mejoradores de soja pueden utilizar esta nueva tecnología para seleccionar directamente variedades superiores para sistemas de cultivo específicos o para análisis genéticos para identificar regiones genéticas del genoma de la soja que controlan la ubicación vertical de las semillas, la arquitectura de la planta y la altura.
Según el Dr. Kaga, «MSANet facilitará la selección de la posición de semilla más baja, un rasgo importante para la cosecha mecánica moderna que todo obtentor desea cuantificar, pero que antes era imposible de medir en un proceso de alto rendimiento».
Los obtentores ahora pueden identificar rápidamente nuevas variedades potenciales con la combinación ideal de rasgos. «Me alegra ver que la tecnología que propusimos para evaluar la distribución vertical de las semillas ha sido reconocida por el fitomejorador Dr. Kaga, y espero con interés su aplicación en la producción real», dijo Lee.
Fuente: TransSpread
