La soja, valorada por su uso como semillas oleaginosas y cereales, enfrenta limitaciones de rendimiento en comparación con cultivos como el maíz y el arroz, lo que enfatiza la necesidad de desarrollar variedades de mayor rendimiento.
por la Universidad Agrícola de NanJing
Sin embargo, la relación entre el crecimiento temprano de las copas de la soja y el rendimiento general aún no se comprende adecuadamente, lo que indica una importante laguna en la investigación. Si bien los avances en el fenotipado de alto rendimiento, particularmente a través de la tecnología UAV, han mejorado la eficiencia del monitoreo, enfrentan desafíos en la precisión del análisis de datos, particularmente en la segmentación de imágenes.
Plant Phenomics publicó una investigación titulada » Fenotipado de campo de series temporales del análisis del crecimiento de la soja mediante la combinación de aprendizaje profundo multimodal y modelado dinámico «.
En este estudio, se evaluó la eficacia de RIFSeg-Net para la segmentación del dosel de soja utilizando un modelo de aprendizaje profundo multimodal diseñado específicamente para analizar datos fenotípicos de múltiples fuentes capturados por UAV.
La investigación implicó una evaluación de precisión comparativa con modelos establecidos (por ejemplo, FCN, UNet, SegNet) y el análisis de diferentes arquitecturas ResNet como columna vertebral de RIFSeg-Net, lo que reveló un rendimiento superior con ResNet-50 en términos de precisión.
Además, se extrajeron hojas individuales de soja utilizando el modelo SAM, una tarea que exige importantes recursos computacionales, para clasificar 200 variedades de soja en cuatro grupos distintos según las proporciones de aspecto de las hojas. Luego se aplicó un modelado dinámico a estos grupos, extrayendo cinco parámetros fenotípicos para estudiar la dinámica del desarrollo del dosel, demostrando variaciones significativas en la cobertura del dosel entre diferentes subgrupos de soja.
Esta metodología, que utiliza vehículos aéreos no tripulados para la recopilación de datos de alta precisión temporal a lo largo del ciclo reproductivo de la soja, supera el fenotipado manual tradicional al permitir experimentos de campo a gran escala y de alto rendimiento. La fusión de entradas de datos multimodales mejora significativamente la precisión de la segmentación, lo que permite la captura y el seguimiento automáticos de la cobertura dinámica del dosel.
El modelado dinámico, respaldado por la función de crecimiento ‘S’, establece parámetros confiables para caracterizar las diferencias de genotipo, destacando el papel crucial del vigor temprano en los resultados del rendimiento. Este enfoque no sólo facilita análisis fenotípicos detallados centrados en el vigor temprano, sino que también ayuda a identificar recursos de germoplasma de soja con características favorables para el mejoramiento de variedades más productivas y resilientes.
En conclusión, el estudio muestra el potencial del fenotipado de UAV combinado con técnicas avanzadas de aprendizaje profundo y modelado dinámico para fenotipar eficientemente una amplia gama de genotipos de soja, proporcionando información invaluable para el mejoramiento de variedades de soja de alto rendimiento. Este enfoque integral subraya la integración de tecnologías y metodologías de vanguardia en la investigación agrícola , estableciendo así un nuevo estándar para el fenotipado de alto rendimiento en condiciones de campo.
Más información: Hui Yu et al, Datos de UAV de alta resolución y series temporales para el análisis del crecimiento de la soja mediante la combinación de aprendizaje profundo multimodal y modelado dinámico, Fenómica de plantas (2024). DOI: 10.34133/plantfenómica.0158
