📄 other

Using UAV-LiDAR for stem volume phenotyping in the genetic selection of radiata pine

Este estudio demuestra que las métricas derivadas de UAV-LiDAR, particularmente el área superficial del casco convexo 3D y la altura del árbol, sirven como indicadores altamente heredables y escalables del volumen del tronco que pueden acelerar eficazmente la ganancia genética en los programas de mejora de pino radiata, reduciendo al mismo tiempo la dependencia de las mediciones de campo laboriosas.

Autores originales: Joane Simone Elleouet, Sadeepa Jayathunga, Natalie G Graham, Mark F Paget, Jaroslav Klápště, Robin J.L. Hartley

Publicado 2026-07-24

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Joane Simone Elleouet, Sadeepa Jayathunga, Natalie G Graham, Mark F Paget, Jaroslav Klápště, Robin J.L. Hartley

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que eres un detective intentando encontrar a los "superhéroes" del bosque. En el mundo de la mejora forestal, los científicos buscan constantemente los árboles específicos que crecen más grandes, más rectos y más rápido, para que puedan ser utilizados en la plantación de bosques que produzcan más madera. Pero aquí está la parte difícil: los árboles tardan décadas en crecer. Si esperas hasta que un árbol sea adulto para ver si es un ganador, habrás desperdiciado una generación entera de tiempo. Por lo tanto, los fitomejoradores tienen que adivinar qué jóvenes plantones se convertirán en gigantes basándose en pistas que pueden ver ahora mismo.

Tradicionalmente, la pista principal ha sido la "cintura" del árbol, medida a la altura del pecho. Esto se llama Diámetro a la Altura del Pecho, o DAP. Es como medir la cintura de una persona para adivinar cuánto músculo tendrá cuando sea adulta. Pero medir miles de árboles con una cinta métrica es lento, aburrido y costoso. Además, no puedes medir el volumen total de un árbol solo mirando su cintura; también necesitas saber qué tan alto y frondoso es.

Entra en escena la nueva tecnología: drones equipados con escáneres láser (LiDAR). Piensa en estos drones como robots voladores que disparan millones de rayos láser invisibles hacia el bosque. Estos rayos rebotan para crear un mapa 3D superdetallado de cada árbol individual, capturando su altura, su forma y cuánto espacio ocupa en el aire. La gran pregunta para los científicos ha sido: ¿Pueden estos mapas láser reemplazar las viejas cintas métricas? ¿Puede un dron detectar a los futuros gigantes tan bien como un humano con una cinta métrica, pero mucho más rápido?

Esto es exactamente lo que un equipo de investigadores se propuso investigar en un estudio reciente sobre el pino Radiata, un árbol de crecimiento rápido famoso en Nueva Zelanda. No se limitaron a adivinar; volaron drones sobre 11 ensayos forestales que contenían alrededor de 27,000 árboles. Compararon las mediciones láser del dron contra el "estándar de oro" del volumen del árbol, que se calcula utilizando el tamaño de la cintura del árbol (DAP) y su altura.

Los investigadores descubrieron que el dron es increíblemente bueno detectando los árboles con más "volumen leñoso". Si bien la medición del dron sobre la altura total de un árbol fue el número único más fiable para predecir qué tan rápido crecería un árbol, la verdadera estrella del espectáculo fue una medida 3D específica llamada "área de superficie del casco convexo". Imagina envolver un árbol en una bolsa de plástico invisible y ajustada que se ciñe a cada rama y hoja; el área de superficie de esa bolsa es el casco convexo. El estudio encontró que este "tamaño de la bolsa" 3D era la mejor estimación basada en láser de cuánta madera tendría un árbol eventualmente, coincidiendo con las mediciones tradicionales con una conexión muy fuerte (una correlación de hasta 0.87).

Sin embargo, el artículo también descarta la idea de que los drones deban reemplazar completamente a los humanos todavía. Los investigadores descubrieron que, aunque el dron es asombroso, tiene un punto ciego: no puede distinguir fácilmente si un árbol está "roto" o "malformado" (como tener dos copas en lugar de una) solo mirando el mapa láser. En el bosque, un árbol roto es un perdedor, pero el dron podría seguir pensando que es un gigante porque es grande y frondoso. Cuando los científicos incluyeron estos árboles rotos en su análisis basado solo en el dron, la precisión disminuyó un poco.

Entonces, ¿cuál es el veredicto? El artículo sugiere que la mejor estrategia no es elegir entre el dron y la cinta métrica, sino usarlos como un dúo dinámico. El dron puede escanear rápidamente miles de árboles para encontrar los que tienen la mejor altura y forma 3D, actuando como un filtro superrápido. Luego, los fitomejoradores pueden usar la cinta métrica tradicional en los principales candidatos para verificar defectos y obtener la medida final de la cintura. Esta combinación permite identificar a las superestrellas genéticas mucho antes y de forma más económica que antes, aumentando potencialmente la creación de mejores bosques sin perder la precisión necesaria para tomar las decisiones correctas. El dron no reemplaza al detective; simplemente le entrega una lupa de alta tecnología para resolver el caso más rápido.

Resumen Técnico: Uso de UAV-LiDAR para el Fenotipado del Volumen del Tronco en la Selección Genética de Pino Radiata

Planteamiento del Problema
Los programas de mejora de pino radiata (Pinus radiata) priorizan el volumen del tronco a la edad de cosecha como un objetivo primario. Sin embargo, los largos periodos de rotación (25–30 años) en Nueva Zelanda hacen necesario la selección indirecta basada en rasgos juveniles para acelerar la ganancia genética. El fenotipado tradicional depende en gran medida del Diámetro a la Altura del Pecho (DAP) como un indicador del volumen del tronco, a menudo combinado con ecuaciones alométricas de altura medida en campo. Este enfoque enfrenta restricciones significativas: las mediciones de campo requieren mucha mano de obra, son costosas y consumen mucho tiempo, lo que crea un cuello de botella fenotípico que limita la intensidad de la selección. Además, las mediciones de altura en el terreno suelen ser imprecisas en comparación con el DAP, y las ecuaciones alométricas pueden introducir errores relativos de hasta un 20% debido a la variación en la forma del tronco entre árbol y árbol. Existe la necesidad de alternativas escalables y de alto rendimiento para estimar con precisión el volumen del tronco y capturar la variación genética que no se refleja plenamente en las mediciones tradicionales de diámetro.

Metodología
El estudio evaluó la utilidad de LiDAR mediante Vehículos Aéreos No Tripulados (UAV) como herramienta de fenotipado en 11 ensayos genéticos de clones de hermanos completos de pino radiata en Nueva Zelanda, que abarcan aproximadamente 27,000 árboles de dos series de ensayos (BC52-55-59 y BC66).

Adquisición de Datos: Los datos de UAV-LiDAR se recolectaron utilizando un sensor DJI L1 montado en una plataforma DJI M300 RTK. Los parámetros de vuelo se optimizaron para generar nubes de puntos densas (45 m de altitud, 3–5 m/s de velocidad). Los datos de campo, incluyendo el DAP y registros de defectos, se recolectaron de forma concurrente o dentro de los tres meses posteriores a los vuelos de UAV.
Derivación de Métricas: Las métricas de árboles individuales se extrajeron de nubes de puntos segmentadas. Las métricas clave incluyeron la altura del árbol derivada de LiDAR ( $z_{max}$ ) y descriptores geométricos como áreas de superficie y volúmenes de envolventes convexas (convex hulls) en 2D y 3D.
Rasgo de Referencia: El Volumen de Tronco Alométrico (ASV, por sus siglas en inglés) se calculó utilizando una ecuación validada (Kimberley y Beets, 2007) que combina el DAP medido en campo y la $z_{max}$ derivada de LiDAR. Este sirvió como referencia para el volumen del tronco.
Análisis Genético: Se empleó un modelo de predicción lineal insesgada más probable genómica de un solo paso (ssGBLUP) utilizando aproximadamente 9,500 SNPs y datos de pedigrí. El modelo estimó los valores genéticos mejorados (EBV) para el DAP, el ASV y diversas métricas de LiDAR.
Análisis Comparativo: El estudio comparó el desempeño de las métricas de LiDAR frente al DAP y al ASV mediante la evaluación de:
- Correlaciones fenotípicas y genéticas.
- Heredabilidad de sentido estrecho ( $h^2$ ).
- Solapamiento en los 100 genotipos seleccionados superiores.
- La recuperación de la ganancia genética potencial al seleccionar basándose en proxies de LiDAR frente al DAP.
- El impacto de incluir árboles malformados (que típicamente son filtrados en los cálculos de ASV basados en campo) en los análisis de solo LiDAR.

Contribuciones Clave y Resultados

Proxy Óptimo de LiDAR: Entre las métricas probadas, el área de la envolvente convexa 3D del árbol individual (convexhull3D_area) demostró la correlación más alta con el ASV (hasta $r = 0.87$ ). Superó a la altura del árbol por LiDAR ( $z_{max}$ ) como proxy de volumen, con una correlación promedio de 0.77 entre los sitios.
Heredabilidad: La altura del árbol por LiDAR ( $z_{max}$ ) exhibió la mayor heredabilidad en todos los sitios (media $h^2 = 0.37$ , rango 0.23–0.50), indicando un fuerte control genético y menor ruido ambiental en comparación con el diámetro. La heredabilidad de convexhull3D_area fue similar a la del DAP (media $h^2 = 0.26$ ).
Eficiencia de Selección:
- Seleccionar los 100 mejores genotipos basados en el DAP recuperó el 88–96% de la ganancia genética potencial para el ASV.
- Seleccionar basándose en convexhull3D_area recuperó el 67–86% de la ganancia genética potencial del ASV.
- Crucialmente, convexhull3D_area identificó entre el 24% y el 33% de los genotipos con mejor desempeño en ASV que no fueron seleccionados por el DAP, lo que sugiere que el LiDAR captura una variación genética única relacionada con la forma del árbol y el volumen.
Impacto de las Malformaciones: Cuando los análisis incluyeron árboles malformados (un escenario relevante para el fenotipado totalmente automatizado por LiDAR donde la calificación visual de defectos está ausente), el desempeño de los proxies de LiDAR como indicadores de ASV disminuyó marginalmente (en un 3.5–10.3% en la ganancia recuperada), pero siguieron siendo proxies efectivos.
Validación del Modelo: El modelo ssGBLUP utilizando una matriz de relación pedigrí-genómica combinada ( $H_{0.5}$ ) proporcionó un mejor ajuste y estimaciones de varianza genética aditiva más altas en comparación con un modelo de solo pedigrí (PBLUP), validando el uso de datos genómicos en estos ensayos.

Significancia y Reivindicaciones

El artículo sostiene que las métricas derivadas de UAV-LiDAR, particularmente convexhull3D_area y la altura del árbol ( $z_{max}$ ), poseen propiedades deseables para complementar, en lugar de reemplazar inmediatamente, el fenotipado tradicional de campo en el pino radiata.

Complementariedad: Aunque el DAP sigue siendo el criterio único más efectivo para la selección de volumen de tronco debido a su relación directa con la ecuación alométrica, las métricas de LiDAR ofrecen una alta heredabilidad (especialmente la altura) y la capacidad de detectar la variación genética que el diámetro por sí solo no logra captar.
Escalabilidad y Costo: El estudio destaca que el LiDAR proporciona un método escalable, repetible y no destructivo para medir rasgos de crecimiento. Esto puede reducir los costos de fenotipado y permitir mediciones más frecuentes, facilitando la caracterización de las trayectorias de crecimiento.
Aceleración de la Ganancia Genética: Al integrar rasgos de alta heredabilidad derivados de LiDAR en evaluaciones genéticas multirrasgo, los programas de mejora pueden mejorar la precisión de las predicciones de los valores genéticos, particularmente en ensayos donde la heredabilidad del DAP es baja. Esto apoya decisiones de selección tempranas y acelera la entrega de genotipos mejorados.
Limitaciones Actuales: Los autores señalan modestamente que las métricas de LiDAR son actualmente sensibles a la densidad del dosel (lo que reduce la precisión en rodales más antiguos y cerrados) y aún no pueden identificar malformaciones del tronco sin inspección visual. Por lo tanto, la estrategia óptima identificada es un enfoque híbrido donde el LiDAR complementa las mediciones de campo para mejorar la precisión y la eficiencia de la selección.

Más como este