📄 agricultura

Physics-Informed Neural Network for Daily Canopy Size Forecasting in Strawberry Production Using Fused Weather and Image Embeddings

Este estudio desarrolló una Red Neuronal Informada por la Física (PINN) híbrida que fusiona datos meteorológicos y recuentos de píxeles verdes derivados de imágenes para pronosticar con precisión el volumen diario del dosel de la fresa, demostrando un rendimiento superior sobre los modelos base para dos cultivares comerciales bajo condiciones de campo del mundo real.

Autores originales: Rohan Bagulwar, Won Suk Lee, Shinsuke Agehara, Hongyoung Jeon, Heping Zhu

Publicado 2026-09-08

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Rohan Bagulwar, Won Suk Lee, Shinsuke Agehara, Hongyoung Jeon, Heping Zhu

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

En los campos tranquilos de Florida, donde se cultivan fresas a gran escala, la salud de una planta se escribe a menudo en sus hojas. Para los agricultores, saber exactamente cuánta follaje verde tiene una planta en cualquier momento dado es crucial; les indica si el cultivo está prosperando, si tiene sed o si está bajo el ataque de una enfermedad. Tradicionalmente, obtener esta información significaba caminar por las hileras y medir a mano, una tarea lenta y laboriosa que ofrecía solo una instantánea del pasado. En años recientes, la tecnología ha ofrecido una forma más rápida: cámaras que pueden contar los píxeles verdes en la imagen de una planta para estimar su tamaño. Sin embargo, un simple conteo de píxeles verdes no es una bola de cristal. Le dice al agricultor cómo se ve la planta en este momento, pero le cuesta predecir cómo se verá la planta mañana, especialmente cuando el clima cambia inesperadamente. Una súbita ola de frío o una lluvia intensa pueden alterar la apariencia de una planta de formas que una simple cámara no puede anticipar, lo que lleva a conjeturas biológicamente imposibles, como que una planta se encoja cuando el clima en realidad se está calentando.

Para cerrar la brecha entre lo que ve una cámara y lo que dicta la biología, investigadores de la Universidad de Florida y del Departamento de Agricultura de los Estados Unidos desarrollaron un nuevo tipo de programa informático. Este sistema combina dos formas diferentes de entender el crecimiento. La primera parte se basa en las leyes conocidas de la biología vegetal, específicamente cómo las plantas crecen más rápido a medida que acumulan calor a lo largo del tiempo, un concepto que los agricultores han utilizado durante décadas para rastrear el desarrollo. La segunda parte es una herramienta de aprendizaje flexible que observa el clima y las imágenes diarias para detectar irregularidades a corto plazo, como una disminución temporal del color verde causada por un día nublado. Al entrelazar estos dos enfoques, los investigadores crearon un sistema que no solo adivina el futuro, sino que respeta las reglas de la naturaleza mientras presta atención a la realidad desordenada del campo.

El equipo probó este sistema en un campo de fresas en Citra, Florida, durante el invierno de 2025. Instalaron una estación de cámara autónoma alimentada por paneles solares, que tomó fotografías de las plantas cada quince minutos durante casi un mes. Se centraron en dos variedades populares de fresa, una llamada 'Florida Brilliance' y otra llamada 'Florida Medellion'. La cámara capturó las plantas desde arriba, y los investigadores utilizaron software para aislar las hojas verdes del suelo y el acolchado de plástico, contando el número de píxeles verdes para medir el tamaño del dosel. Junto a estas imágenes, el sistema extrajo datos meteorológicos en tiempo real, incluyendo temperatura, humedad y luz solar, para ver cómo el entorno influía en las plantas día tras día.

El núcleo de su innovación fue un modelo computacional híbrido que aprendió de estos datos. Una parte del modelo seguía una curva suave y predecible basada en el calor total que las plantas habían recibido, asegurando que las predicciones siempre siguieran un camino biológico lógico donde las plantas generalmente crecen más grandes a medida que la temporada se calienta. La otra parte del modelo actuaba como un mecanismo de corrección, aprendiendo a ajustar esa predicción suave hacia arriba o hacia abajo basándose en los eventos climáticos de la última semana. Si llegaba un frente frío, el modelo aprendía a esperar una ligera pausa en el crecimiento o un cambio de color, en lugar de seguir ciegamente la curva suave. Crucialmente, el sistema fue diseñado con una regla de seguridad: se le prohibía predecir que una planta se encogería en un día en que la acumulación de calor estaba aumentando, una imposibilidad biológica que a menudo confunde a los modelos informáticos más simples.

Los resultados mostraron que este enfoque combinado funcionó significativamente mejor que usar cualquiera de los dos métodos por separado. Para la variedad 'Florida Brilliance', el sistema predijo el tamaño diario del dosel de la planta con un error promedio de unos 6,996 píxeles, una cifra que representaba una diferencia del 4.53% respecto a las mediciones reales. Esto supuso una mejora notable respecto a un modelo que solo seguía la curva biológica suave, el cual falló por más de 10,000 píxeles, y fue mucho mejor que una simple conjetura que asumía que la planta mantendría el mismo tamaño que tenía el día anterior. El sistema también funcionó bien en la variedad 'Florida Medellion', aunque la tasa de error fue ligeramente superior, con un 16.4%. Los investigadores señalaron que este error más alto se debió probablemente al hecho de que tenían muchos menos datos para esta planta específica, ya que una fuerte tormenta dañó su equipo temprano en el estudio, acortando el periodo de observación. Incluso con estos datos limitados, el modelo híbrido superó a los métodos más simples, demostrando que la combinación de reglas biológicas y aprendizaje consciente del clima era robusta.

Lo que hace que este hallazgo sea particularmente valioso es que el modelo computacional no solo produjo un número; también aprendió las características de crecimiento específicas de las fresas que estaba observando. Sin que se le dijeran las respuestas de antemano, el sistema determinó el tamaño máximo que las plantas podrían alcanzar y la velocidad a la que crecían, valores que coincidieron con lo que los investigadores observaron en el campo. Esto sugiere que el modelo no solo está memorizando los datos, sino que realmente está comprendiendo la biología subyacente. Los investigadores encontraron que el sistema podía ejecutarse en una computadora pequeña e económica del tamaño de una tarjeta de crédito, lo que lo hace factible para que los agricultores lo utilicen en tiempo real sin necesidad de servidores costosos o acceso constante a Internet.

El estudio destaca un camino a seguir para la agricultura de precisión, donde la tecnología ayuda a los agricultores a tomar decisiones antes de que los problemas sean visibles para el ojo humano. Al predecir cómo responderá una planta al clima venidero, un cultivador podría potencialmente regar o alimentar sus cultivos en el momento exacto en que lo necesitan, en lugar de esperar a que aparezcan los signos de estrés. Si bien el sistema actual fue probado durante un periodo relativamente corto y se centró en las etapas tempranas de crecimiento, los investigadores sugieren que, con más datos y mejores formas de manejar las condiciones cambiantes de luz, este enfoque podría expandirse para cubrir toda la temporada de cultivo. El trabajo demuestra que cuando la informática respeta las leyes fundamentales de la biología, puede crear herramientas que no solo son precisas, sino también confiables para las personas que dependen de ellas para alimentar al mundo.

Resumen Técnico: Red Neuronal Informada por la Física para el Pronóstico Diario del Tamaño del Dosel en la Producción de Fresa

Planteamiento del Problema
La producción de fresa en Florida requiere una gestión precisa del dosel para optimizar la aplicación de agua, nutrientes y la detección de estrés. Aunque el conteo de píxeles verdes mediante imágenes ofrece un proxy de bajo costo para el volumen del dosel, las tecnologías existentes carecen de la capacidad de pronosticar el crecimiento futuro del dosel o de integrar impulsores fisiológicos (como la acumulación térmica) con datos ambientales en tiempo real. Los modelos puramente basados en datos suelen fallar al generalizarse entre estaciones o cultivares, producen predicciones biológicamente implausibles (por ejemplo, el declive del dosel durante el aumento de la acumulación térmica) y requieren grandes conjuntos de datos que a menudo no están disponibles en entornos de granjas experimentales. Por el contrario, los modelos tradicionales basados en la física (por ejemplo, curvas de crecimiento logístico impulsadas por Grados Día Calor) capturan tendencias a largo plazo, pero no logran contabilizar las fluctuaciones de corto plazo causadas por el clima.

Metodología
El estudio propone una arquitectura híbrida de Red Neuronal Informada por la Física (PINN, por sus siglas en inglés) diseñada para pronosticar el volumen diario del dosel de la fresa (medido en conteos de píxeles verdes) fusionando datos climáticos y embeddings derivados de imágenes.

Adquisición de Datos: Las imágenes se capturaron cada 15 minutos durante 38 días para dos cultivares ('Florida Brilliance' y 'Florida Medallion') en Citra, FL. Las imágenes pasaron por un preprocesamiento que incluyó la extracción manual de regiones, normalización de la iluminación y umbralización HSV (Matiz: 35°–90°, Saturación/Valor: 40–255) para aislar los píxeles verdes. Los datos climáticos (13 variables) se obtuvieron de la Red Automatizada de Clima de Florida (FAWN), y los Grados Día Calor (GDD) se acumularon utilizando una temperatura base de 7°C.
Ingeniería de Características: La entrada diaria consistió en un vector de 45 elementos: 13 variables climáticas y 32 dimensiones de embeddings de imagen (derivados de una CNN preentrenada y reducidos mediante PCA). Se utilizó una ventana deslizante de 7 días para construir secuencias para predecir el tamaño del dosel del octavo día.
Arquitectura PINN: El modelo consta de dos ramas paralelas:
1. Rama de Física: Una función de crecimiento logístico de tres parámetros aprendible ( $G(x) = K(1 + e^{-r(x-x_0)})^{-1}$ ) impulsada por los GDD acumulados. Esta rama captura la trayectoria de crecimiento biológico determinista y monotónica. Los parámetros $K$ (asíntota), $r$ (tasa) y $x_0$ (punto de inflexión) se aprenden de extremo a extremo.
2. Rama de Datos: Una LSTM de una sola capa (tamaño oculto 64) con una cabeza MLP procesa la secuencia de 7 días para predecir un residuo diario con signo ( $\Delta$ ). Esta rama captura las desviaciones estocásticas causadas por eventos climáticos transitorios (por ejemplo, olas de frío, lluvia) que la curva logística suave no puede explicar.
3. Salida: La predicción final es la suma de la salida de la rama de la física y el residuo de la LSTM ( $\hat{y} = G_{physics} + \Delta$ ).
Entrenamiento y Regularización: El modelo fue entrenado con una función de pérdida compuesta: $L = MSE(\hat{y}, y) + 0.1 \times P$ . El término de penalización $P$ se activa cuando los GDD aumentan pero el tamaño del dosel predicho disminuye, imponiendo la restricción biológica de que el área del dosel no debe declinar durante la acumulación positiva de calor térmico. El modelo se entrenó durante 400 épocas utilizando el optimizador Adam.

Contribuciones Clave

Arquitectura Híbrida para Datos Pequeños: El estudio demuestra que combinar un prior físico estructurado (crecimiento logístico) con un aprendiz de residuo basado en datos (LSTM) mejora la precisión del pronóstico incluso con datos de entrenamiento limitados (aproximadamente 30 días para un cultivar, 7 días para otro).
Consistencia Biológica: Al incrustar restricciones de crecimiento directamente en la función de pérdida, el modelo evita predicciones biológicamente implausibles (por ejemplo, la reducción del dosel durante la acumulación de calor), aumentando así la confianza en el sistema para aplicaciones agronómicas.
Parámetros Físicos Aprendibles: A diferencia de los modelos tradicionales que requieren calibración manual, la PINN aprende los parámetros logísticos ( $K, r, x_0$ ) directamente de los datos, obteniendo valores consistentes con las observaciones empíricas (por ejemplo, la asíntota $K$ aprendida coincidió con el tamaño máximo observado del dosel).
Despliegue en el Borde (Edge): El sistema es ligero (<22,000 parámetros) y capaz de ejecución en tiempo real en hardware de bajo costo (Raspberry Pi 4) con capacidades de energía fuera de la red.

Resultos
El modelo fue evaluado en dos cultivares utilizando el Error Absoluto Medio (MAE) y el Error Porcentual Absoluto Medio (MAPE):

'Florida Brilliance' (conjunto de datos de 38 días): La PINN logró un MAE de 6,996 píxeles (MAPE 4.53%) durante un período de prueba de cinco días. Esto representó una reducción del 32% en el error en comparación con la línea base de la logística de solo física (MAE 10,260) y una reducción del 26% en comparación con una línea base de persistencia (MAE 9,416).
'Florida Medallion' (conjunto de datos de 9 días): A pesar de los datos limitados, la PINN logró un MAE de 9,440 píxeles (MAPE 16.4%) durante un período de prueba de dos días, superando a la línea base de solo física (MAE 10,880) y a la línea base de persistencia (MAE 9,580). El modelo fue entrenado con siete días de datos del total de nueve días. El mayor error en Medallion se atribuyó al tamaño menor del conjunto de datos y a la sensibilidad de las métricas basadas en porcentajes ante recuentos de píxeles absolutos bajos en plantas más pequeñas.
Dinámica de Entrenamiento: El término de penalización física estuvo más activo durante las primeras 150 épocas, guiando al modelo hacia un comportamiento biológicamente consistente antes de que la rama logística se adaptara suficientemente a los datos, momento en el cual la contribución de la penalización disminuyó.

Significancia y Afirmaciones
El artículo afirma que este enfoque híbrido logra cerrar la brecha entre los modelos agronómicos interpretables y el aprendizaje automático flexible. Al anclar las predicciones en leyes biológicas conocidas mientras se permite que la red neuronal aprenda las desviaciones ambientales de corto plazo, el sistema proporciona a los cultivadores una "estimación prospectiva y biológicamente fundamentada" del desarrollo del dosel. Los autores sostienen que tal sistema puede utilizarse para detectar patrones de crecimiento anormales de manera temprana, ayudando en la gestión del agua, los nutrientes y la mitigación del estrés. El estudio concluye que la arquitectura es particularmente valiosa en entornos agrícolas con escasez de datos, donde los modelos puramente basados en datos corren el riesgo de sobreajuste o de producir resultados poco confiables. El trabajo futuro sugerido por los autores incluye extender el período de observación a través de las fases de fructificación, reemplazar los recuentos de píxeles brutos con índices invariantes a la iluminación (como el GCC) para reducir los artefactos de iluminación, y explorar el aprendizaje por transferencia multicultivar.

Resumen Técnico: Red Neuronal Informada por la Física para el Pronóstico Diario del Tamaño del Dosel en la Producción de Fresa

Más como este