Dado que se prevé que el aumento de la demanda mundial de productos agrícolas básicos aumentará sustancialmente para 2050 debido al crecimiento demográfico, el aumento del ingreso per cápita y el creciente uso de biocombustibles, es necesario adoptar prácticas de intensificación agrícola sostenible en las tierras de cultivo existentes para satisfacer esta demanda.
Sin embargo, los procesos de estimación empleados actualmente en el Sur global siguen siendo inadecuados. Los métodos tradicionales como la autoinformación y el corte de cultivos tienen sus limitaciones, y las tecnologías de teledetección no se utilizan plenamente en este contexto.
Sin embargo, los avances recientes en inteligencia artificial y aprendizaje automático, en particular el aprendizaje profundo con redes neuronales convolucionales (CNN), ofrecen soluciones prometedoras en este sentido. Para explorar el alcance de esta nueva tecnología, investigadores de Japón realizaron un estudio centrado en el arroz. Utilizaron imágenes digitales terrestres tomadas en la etapa de cosecha del cultivo, combinadas con CNN, para estimar el rendimiento del arroz. Su estudio apareció en Plant Phenomics .
“Comenzamos llevando a cabo una extensa campaña de campo. Recopilamos imágenes de la cubierta vegetal del arroz y datos de rendimiento de grano en bruto de 20 lugares en siete países para crear una base de datos multinacional integral”, dice el Dr. Yu Tanaka, profesor asociado de la Escuela de Graduados en Ciencias Ambientales. , Vida, Ciencias Naturales y Tecnología, Universidad de Okayama, quien dirigió el estudio.
Las imágenes se capturaron utilizando cámaras digitales que podían recopilar los datos necesarios desde una distancia de 0,8 a 0,9 metros, verticalmente hacia abajo desde el dosel del arroz. Con el Dr. Kazuki Saito del Instituto Internacional de Investigación del Arroz (anteriormente Centro Africano de Arroz) y otros colaboradores, el equipo creó con éxito una base de datos de 4.820 datos de rendimiento de parcelas de cosecha y 22.067 imágenes, que abarcan diversos cultivares de arroz, sistemas de producción y prácticas de manejo de cultivos . .
A continuación, se desarrolló un modelo CNN para estimar el rendimiento de grano para cada una de las imágenes recopiladas. El equipo utilizó un método de oclusión visual para visualizar el efecto aditivo de diferentes regiones en las imágenes del dosel del arroz. Implicaba enmascarar partes específicas de las imágenes y observar cómo cambiaba la estimación de rendimiento del modelo en respuesta a las regiones enmascaradas.
Los conocimientos obtenidos con este método permitieron a los investigadores comprender cómo el modelo CNN interpretaba varias características en las imágenes de la cubierta vegetal del arroz, lo que influyeba en su precisión y su capacidad para distinguir entre los componentes que contribuyen al rendimiento y los elementos que no contribuyen a la cubierta vegetal.
El modelo funcionó bien y explicó alrededor del 68% al 69% de la variación del rendimiento en los conjuntos de datos de validación y prueba. Los resultados del estudio resaltaron la importancia de las panículas (racimos de flores con ramas sueltas) en la estimación del rendimiento mediante visualización basada en oclusión. El modelo podría predecir el rendimiento con precisión durante la etapa de maduración, reconociendo panículas maduras y también detectar diferencias entre cultivares y gestión del agua en el rendimiento en el conjunto de datos de predicción. Sin embargo, su precisión disminuyó a medida que disminuyó la resolución de la imagen.
Sin embargo, el modelo demostró ser robusto y mostró una buena precisión en diferentes ángulos de disparo y momentos del día. “En general, el modelo CNN desarrollado demostró capacidades prometedoras para estimar el rendimiento de grano grueso a partir de imágenes de la cubierta vegetal del arroz en diversos entornos y cultivares. Otro aspecto atractivo es que es muy rentable y no requiere cortes de cultivos que requieren mucha mano de obra ni tecnologías complejas de detección remota. “, dice el Dr. Tanaka.
El estudio enfatiza el potencial de los modelos basados en CNN para monitorear la productividad del arroz a escalas regionales. Sin embargo, la precisión del modelo puede variar bajo diferentes condiciones, y la investigación adicional debería centrarse en adaptar el modelo a ambientes lluviosos y de bajo rendimiento. El método basado en IA también se ha puesto a disposición de agricultores e investigadores a través de una sencilla aplicación para teléfonos inteligentes, lo que mejora enormemente la accesibilidad de la tecnología y sus aplicaciones en la vida real.
El nombre de esta aplicación es ‘HOJO’ y ya está disponible en iOS y Android. Los investigadores esperan que su trabajo conduzca a una mejor gestión de los campos de arroz y ayude a acelerar los programas de mejoramiento, contribuyendo positivamente a la producción mundial de alimentos y a las iniciativas de sostenibilidad.
Más información: Yu Tanaka et al, El aprendizaje profundo permite una estimación instantánea y versátil del rendimiento del arroz utilizando imágenes RGB terrestres, Plant Phenomics (2023). DOI: 10.34133/plantfenómica.0073