An Environment-Driven Dynamic Growth Model for Pleurotus citrinopileatus: Advancing Precision Control and Automation in Container Cultivation

Resumen Técnico: Un Modelo de Crecimiento Dinámico Impulsado por el Entorno para Pleurotus citrinopileatus

Planteamiento del Problema
El cultivo industrial de Pleurotus citrinopileatus (seta de ostra dorada) en instalaciones de contenedores inteligentes enfrenta un cuello de botella crítico: la falta de marcos teóricos cuantitativos para el control ambiental. Si bien la Agricultura de Ambiente Controlado (CEA) ofrece una alta capacidad de control, la gestión actual depende en gran medida de prácticas empíricas. Los modelos de crecimiento tradicionales (p. ej., Logístico, Richards) utilizados en la agricultura de precisión suelen tratar los parámetros de crecimiento como constantes estáticas, sin tener en cuenta las fluctuaciones ambientales dinámicas inherentes a los sistemas automatizados. Además, aunque existen enfoques de aprendizaje automático, estos suelen carecer de interpretabilidad biológica (naturaleza de "caja negra") y presentan dificultades para la generalización bajo condiciones novedosas. Existe una necesidad específica de un modelo que vincule la interpretabilidad biológica con la capacidad de respuesta en tiempo real a los impulsores ambientales para permitir un cultivo autónomo y de precisión.

Metodología
El estudio se llevó a cabo en un contenedor de 40 pies reacondicionado, equipado con un sistema de control ambiental de precisión (temperatura, humedad, luz, CO₂).

• Recolección de Datos: Los investigadores monitorearon 72 bolsas de sustrato durante un periodo de fructificación de 8 días, recolectando 576 observaciones iniciales. Tras la eliminación de valores atípicos, se analizaron 459 conjuntos de datos válidos. Se midieron los parámetros morfológicos (longitud, anchura, altura) diariamente, y el volumen se estimó mediante una fórmula basada en elipsoides calibrada con métodos de drenaje.
• Variables Ambientales: Los datos brutos (temperatura, HR, luz, CO₂) se procesaron en variables derivadas, incluyendo la Temperatura Efectiva Acumulada (TEA), la Humedad Relativa Acumulada (HRA) y valores medios instantáneos (MT, MRH, MCO₂, MLI).
• Selección del Modelo: Se evaluaron tres modelos no lineales (Logístico, Weibull, Richards) frente a los datos empíricos de crecimiento. El modelo de Richards fue seleccionado como base debido a su ajuste superior a las curvas de crecimiento asimétricas en forma de S observadas en P. citrinopileatus.
• Identificación de Impulsores: El análisis de correlación de Pearson, las pruebas de significancia y los diagnósticos del Factor de Inflación de la Varianza (VIF) se utilizaron para identificar los impulsores ambientales centrales. Este proceso filtró las variables multicolineales (p. ej., Temperatura Media) e identificó la TEA, la HRA y el CO₂ medio (MCO₂) como los predictores significativos.
• Construcción del Modelo (ED-DGM): La innovación central consistió en transformar los parámetros estáticos del modelo de Richards —el límite asintótico ($A$) y la tasa de crecimiento ($K$)— en funciones lineales dinámicas de los impulsores ambientales identificados (TEA, HRA, MCO₂). Esto creó el Modelo de Crecimiento Dinámico Impulsado por el Entorno (ED-DGM).
• Evaluación: El modelo se validó utilizando una división de entrenamiento-prueba de 7:3. El rendimiento se evaluó mediante $R^2$, RMSE, MAPE y análisis de residuos, comparando el ED-DGM contra el modelo de Richards estático tradicional.

Resultos Clave

• Dinámica de Crecimiento: P. citrinopileatus exhibió una trayectoria de crecimiento asimétrica en forma de S distintiva. El volumen mostró el incremento más drástico (219.9 veces en 8 días), caracterizado por una fase de latencia seguida de una expansión explosiva.
• Impulsores Ambientales:
  • La HRA (Humedad Relativa Acumulada) fue el impulsor positivo más fuerte ($r = 0.8447$), explicando el 71.35% de la variación del volumen.
  • La TEA (Temperatura Efectiva Acumulada) fue el segundo impulsor positivo más fuerte ($r = 0.8093$).
  • El MCO₂ (CO₂ Medio) mostró una correlación negativa moderada ($r = -0.446$), consistente con la inhibición conocida de la diferenciación del sombrero por altos niveles de CO₂.
  • La intensidad de la luz y la humedad instantánea mostraron efectos insignificantes en el crecimiento del volumen.
• Rendimiento del Modelo: El ED-DGM superó significativamente al modelo de Richards estático en todos los indicadores morfológicos:
  • Longitud: el $R^2$ mejoró un 9.1%.
  • Anchura: el $R^2$ mejoró un 9.3%.
  • Altura: el $R^2$ mejoró un 6.7%.
  • Volumen: el $R^2$ mejoró un 10.6%.
• Análisis de Residuos: El ED-DGM eliminó el sesgo negativo sistemático (subestimación) observado en el modelo estático, particularmente para el volumen. Los residuos se centraron cerca de cero con una desviación estándar reducida, lo que indica mayor estabilidad y ausencia de sesgo.

Significancia y Reivindicaciones
El artículo sostiene que el ED-DGM representa un cambio de paradigma de un cultivo "dependiente de la experiencia" a uno "impulsado por algoritmos". Al acoplar la biología de las curvas de crecimiento clásicas con los impulsores ambientales acumulados, el modelo supera las limitaciones de la parametrización estática.

• Interpretabilidad: A diferencia de los modelos de aprendizaje automático de "caja negra", el ED-DGM conserva la interpretabilidad biológica, permitiendo a los cultivadores comprender cómo las fluctuaciones ambientales específicas (p. ej., acumulación de calor o déficits de humedad) impactan directamente en las tasas de crecimiento y el rendimiento final.
• Preparación para la Automatización: El modelo está diseñado como un motor algorítmico de alta precisión apto para la integración en plataformas de control ambiental basadas en IoT. Permite la previsión del crecimiento en tiempo real y la regulación de retroalimentación autónoma (p. ej., ajustando el HVAC o la humidificación basándose en las desviaciones predichas de las trayectorias óptimas).
• Control de Precisión: La investigación proporciona un marco robusto para optimizar la programación de la cosecha y reducir la mano de obra en sistemas de producción en contenedores, abordando los cuellos de botella técnicos del cultivo de setas de alta densidad e independiente de la estación.

Limitaciones Observadas
Los autores reconocen que el modelo actual se centra en la fase rápida de fructificación de 8 días y aún no cubre la iniciación de primordios ni los ciclos de múltiples cosechas (multi-flush). Además, el acoplamiento lineal actual de los factores ambientales no captura plenamente las interacciones no lineales complejas o los efectos sinérgicos, lo que sugiere la necesidad de futuras investigaciones sobre el acoplamiento no lineal. La generalizabilidad del modelo a otras especies de hongos aún debe ser verificada.