Capturing Spatial Heterogeneity Using UAV-Derived Multispectral Phenotypes and Random Regression Models Improves Genetic Evaluation in Alfalfa Breeding Trials
Este estudio demuestra que la integración de fenotipos multiespectrales derivados de UAV de carácter longitudinal en modelos de regresión aleatoria captura eficazmente la heterogeneidad espacial en los ensayos de fitomejoramiento de alfalfa, mejorando así la precisión y la reproducibilidad de las evaluaciones genéticas en comparación con los métodos convencionales de corrección espacial.
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
Los agricultores y los fitomejoradores han sabido durante mucho tiempo que un campo nunca es perfectamente uniforme. Incluso en una sola parcela de tierra, el suelo puede ser más rico en una esquina, el agua puede drenar de forma diferente en otra y la temperatura puede variar ligeramente de una fila a otra. Esta irregularidad, conocida como heterogeneidad espacial, crea una capa de ruido que puede ocultar el verdadero potencial de las plantas que se están cultivando. Cuando los fitomejoradores intentan seleccionar las mejores semillas para la siguiente generación, este ruido ambiental puede hacer que una planta mediocre parezca una campeona, o una superior parezca débil. Para solucionar esto, los científicos han dependido tradicionalmente de métodos estadísticos que asumen que las condiciones del suelo cambian de forma gradual y predecible de una planta a la siguiente, de forma muy similar a cómo la temperatura puede descender al alejarse de un calentador. Sin embargo, estos métodos antiguos a menudo pasan por alto los patrones complejos y cambiantes del mundo real, especialmente cuando solo observan la cosecha final.
Un nuevo enfoque está cambiando la forma en que los investigadores ven este problema al utilizar a las propias plantas como sensores. En lugar de adivinar cómo varía el entorno, los científicos ahora observan cómo reaccionan las plantas ante él a lo largo del tiempo. Al volar drones equipados con cámaras especiales sobre los campos, los investigadores pueden capturar imágenes detalladas de los cultivos durante toda la temporada de crecimiento. Estas imágenes revelan cómo crecen las plantas, qué tan verdes son y cómo están responciendo a las condiciones específicas de su entorno inmediato. Este flujo continuo de datos permite a los científicos mapear las variaciones ocultas del campo con mucha mayor precisión que nunca, separando la verdadera calidad genética de una planta de la suerte de dónde fue plantada.
En un estudio reciente centrado en la alfalfa, una forrajera vital, los investigadores se propusieron probar si este método de observar las plantas a lo largo del tiempo podía mejorar la precisión de los programas de fitomejoramiento. El equipo, liderado por científicos de la Universidad de Cornell, la Universidad Estatal de Nuevo México y la Universidad de Virginia Tech, llevó a cabo ensayos en dos regiones muy diferentes: los campos áridos y extensos de Nuevo México y las parcelas más compactas y variadas de Nueva York. Cultivaron cientos de variedades diferentes de alfalfa y las monitorearon de cerca durante las temporadas de crecimiento de 2022 y 2023. Utilizando drones, sobrevolaron los campos aproximadamente una vez por semana, capturando imágenes multiespectrales que medían la luz reflejada por las plantas. A partir de estas imágenes, calcularon índices de vegetación, que son valores numéricos que indican la salud y la densidad del dosel verde. Entre los diferentes tipos de mediciones, un índice que dependía de la luz verde en lugar de la luz roja resultó ser el indicador más fiable de la salud de la planta y del rendimiento futuro.
El núcleo del estudio consistió en un proceso de dos pasos para dar sentido a esta enorme cantidad de datos. Primero, los investigadores utilizaron una técnica estadística llamada regresión aleatoria para analizar las imágenes semanales de los drones. Este método les permitió modelar cómo cada parcela de tierra específica cambiaba con el tiempo, capturando las condiciones ambientales únicas y persistentes que afectaban a ese punto en particular. Trataron estas influencias ambientales a largo plazo como un "efecto ambiental permanente", una forma de cuantificar las ventajas o desventajas específicas de una parcela debido a su suelo o microclima, independientemente de la genética de la planta. En el segundo paso, tomaron estos efectos ambientales calculados y los utilizaron para ajustar las evaluaciones genéticas finales de las variedades de alfalfa.
Los resultados mostraron que este nuevo método era significativamente mejor para encontrar los verdaderos ganadores genéticos que los enfoques tradicionales. En los grandes ensayos de Nuevo México, donde las condiciones del suelo variaban ampliamente a través del campo, el nuevo método mejoró la consistencia de las predicciones genéticas de dos a tres veces en comparación con los métodos estándar. Logró eliminar con éxito el ruido causado por el campo desigual, revelando el verdadero potencial de las plantas. Incluso en los ensayos de Nueva York, donde los campos eran más uniformes y el ruido espacial era menor, el nuevo método funcionó tan bien como, o mejor que, las técnicas convencionales. Crucialmente, los investigadores encontraron que los patrones de variación ambiental que detectaron con los drones coincidían con los mapas de rendimiento reales de los campos, confirmando que los drones estaban capturando, de hecho, diferencias físicas reales en la disponibilidad de suelo y agua.
Este estudio demuestra que las plantas mismas, cuando se observan de cerca a lo largo del tiempo, pueden decirnos exactamente dónde está sufriendo el campo y dónde está prosperando. Al utilizar esta información para corregir los datos de fitomejoramiento, los científicos pueden tomar decisiones más precisas sobre qué semillas guardar para el futuro. El enfoque no requiere equipos nuevos y costosos ni cambios complejos en la forma en que los agricultores gestionan actualmente sus campos; simplemente consiste en utilizar los datos que ya están siendo recopilados por los drones modernos de una manera más inteligente. Los hallazgos sugieren que, a medida que la agricultura de alta tecnología se vuelva más común, la capacidad de aprender de la historia continua del crecimiento de una planta se convertirá en una herramienta estándar para mejorar los rendimientos de los cultivos y asegurar que se seleccionen las mejores la genéticas, independientemente del terreno desigual en el que crezcan.
¿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.