A breeder in the sky: scoring flowering with fewer flights
Este estudio introduce un marco basado en la regresión que aprovecha un gran conjunto de datos de imágenes de UAV para predecir con precisión el tiempo de floración de las plantas a partir de tan solo una observación por experimento, reduciendo significativamente la carga de recolección de datos en comparación con los métodos tradicionales de múltiples observaciones.
Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA de un preprint que no ha sido revisado por pares. No es consejo médico. No tome decisiones de salud basándose en este contenido. Leer descargo de responsabilidad completo
En el mundo de la agricultura, el tiempo lo es todo. Para un fitomejorador que intenta desarrollar una nueva variedad de maíz, saber exactamente cuándo florecerá un cultivo es crítico. Este momento determina si la planta podrá sobrevivir a una helada local, cuánto tiempo tiene para crecer antes de la cosecha y si prosperará en una región específica. Tradicionalmente, encontrar esta respuesta ha sido una tarea laboriosa y humana. Debido a que las flores no aparecen en una fecha fija del calendario, sino que dependen del clima y la genética, los investigadores deben caminar por sus campos cada pocos días, observando los primeros signos de polen o seda. Deben repetir este proceso durante semanas, desde la planta que florece más temprano hasta la que lo hace más tarde, para obtener un promedio preciso para cada parcela. Este monitoreo constante es lento, costoso y limita cuántos campos puede estudiar un equipo a la vez.
Para resolver esto, los científicos han recurrido a los drones, o vehículos aéreos no tripulados, que pueden tomar fotografías de alta resolución de campos enteros desde el cielo. Sin embargo, simplemente tomar fotos no es suficiente. Los intentos previos de usar estas imágenes para predecir el tiempo de floración a menudo requerían que un dron volara sobre el mismo campo docenas de veces, capturando imágenes cada día o cada dos días durante la temporada de floración. Esto creaba una enorme cantidad de datos que eran difíciles de procesar y seguía requiriendo vuelos frecuentes y costosos. El desafío persistía: ¿podría una computadora aprender a distinguir exactamente cuándo floreció una planta de maíz con solo un puñado de fotos, quizás incluso con solo una, sin necesidad de volar constantemente sobre ella?
Un equipo de investigadores ha respondido ahora a esta pregunta con un nuevo enfoque que cambia la forma en que se aborda el problema. En lugar de enseñar a una computadora simplemente a decidir si una planta está "floreciendo" o "no floreciendo" en una instantánea única, entrenaron un modelo de inteligencia artificial para que actúe como un cronometrador. Le pidieron al modelo que mirara una foto de una parcela de maíz y estimara cuántos días faltaban para su momento de máxima floración. Este podría ser un número negativo, lo que significaría que la planta aún no había florecido, o un número positivo, lo que significaría que ya había pasado esa etapa. Al tratar la floración como una línea de tiempo continua en lugar de un simple interruptor de sí o no, el modelo pudo aprender de los cambios sutiles en la apariencia de la planta tanto antes como después de la floración.
Los investigadores construyeron este sistema utilizando una colección masiva de datos recopilados durante seis años. Combinaron más de 200,000 imágenes de drones tomadas en ensayos de campo en siete estados diferentes, cubriendo más de 1,200 tipos diferentes de híbridos de maíz. Estas imágenes fueron emparejadas con registros precisos de cuándo floreció cada parcela específica, según lo determinado por observadores humanos que caminaron por los campos. El equipo utilizó un tipo poderoso de IA conocido como Transformador de Visión (Vision Transformer), que está diseñado para comprender patrones visuales complejos. Le mostraron a la computadora imágenes de parcelas de maíz junto con la diferencia de tiempo exacta entre el momento en que se tomó la foto y cuando el maíz floreció. Con el tiempo, el modelo aprendió a reconocer las señales visuales que indican que una planta se acerca a su fecha de floración, como la orientación de las hojas superiores o la sutil extensión del tallo, mucho antes de que la flor sea visible al ojo humano.
Los resultados fueron sorprendentemente efectivos. El equipo probó su modelo en experimentos de campo que nunca había visto, incluyendo ubicaciones y años que eran completamente nuevos para el sistema. Incluso cuando el modelo recibió una sola imagen de un campo tomada dentro de las dos semanas previas a la fecha de floración, pudo predecir el tiempo de floración con un error promedio de solo unos tres días. Este nivel de precisión es comparable a la precisión de los observadores humanos que caminan por los campos. Cuando los investigadores promediaron las predicciones de dos o tres vuelos, el error disminuyó aún más, a menudo a menos de dos días. Esto sugiere que los fitomejoradores podrían lograr resultados altamente precisos con muchos menos vuelos de drones de lo que se pensaba necesario, reduciendo potencialmente el costo y el esfuerzo de monitorear los cultivos por un margen significativo.
El estudio también reveló cómo la computadora "ve" las plantas. Al visualizar en qué partes de la imagen se concentraba el modelo, los investigadores descubrieron que la atención de la IA cambiaba dinámicamente a medida que las plantas crecían. Antes de que aparecieran las flores, el modelo se concentraba en el centro de la planta donde la flor emergería eventualmente. A medida que pasaba el tiempo, su enfoque se movía hacia las hojas circundantes y la forma general del dosel. Esto indica que el modelo no solo está buscando una flor; está comprendiendo todo el viaje de desarrollo de la planta. Puede detectar cambios fisiológicos sutiles que ocurren días antes de que un humano note algo diferente, y continúa rastreando el estado de la planta mucho después de que la floración haya ocurrido.
Uno de los hallazgos más significativos fue que el modelo funcionó bien incluso cuando los datos provenían de diferentes años, diferentes ubicaciones y diferentes tipos de cámaras. Esto sugiere que el sistema es lo suficientemente robusto como para ser utilizado en nuevos entornos sin necesidad de ser reentrenado desde cero con datos locales. Los investigadores también probaron si el uso de una medición de tiempo basada en la temperatura, conocida como grados día de crecimiento, mejoraba los resultados. Si bien este método ofreció una ligera ventaja en la precisión, el modelo funcionó notablemente bien utilizando simplemente días de calendario. Esto significa que el sistema no requiere datos climáticos complejos para funcionar, lo que facilita su despliegue en una amplia variedad de entornos.
Las implicaciones para el fitomejoramiento son sustancialas. Al reducir la necesidad de vuelos diarios y la calificación manual, este método permite a los investigadores monitorear poblaciones de cultivos mucho más grandes con menos recursos. Abre la puerta para estudiar cómo diferentes variedades genéticas responden al tiempo de floración en un rango más amplio de entornos, lo cual es esencial para desarrollar cultivos que puedan adaptarse a un clima cambiante. El estudio demuestra que un solo vuelo de dron, o quizás solo unos pocos, puede proporcionar la misma información crítica que antes requería semanas de labor humana. El modelo no reemplaza al fitomejorador, sino que actúa como una herramienta poderosa que extiende su alcance, permitiéndole ver los ritmos invisibles del crecimiento de las plantas desde el cielo.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.