-
- Enero 27, 2025
Los productores saben que cosechar el algodón en el momento adecuado (cuando las hojas se caen y las cápsulas del algodón se abren) garantiza una alta calidad y rendimiento. Un nuevo modelo de aprendizaje automático que rastrea el envejecimiento de las plantas a lo largo del tiempo puede ayudarlos a determinar el momento adecuado para la cosecha.
La senescencia del algodón, como ocurre con la mayoría de las plantas, sigue una secuencia predecible de eventos. Sin embargo, el momento de la senescencia está influenciado por una variedad de factores, incluidos el genotipo, las condiciones ambientales y las prácticas de manejo. Los diferentes genotipos presentan diferentes tasas de senescencia, lo que puede afectar la rapidez con la que maduran las plantas. Las condiciones ambientales estresantes, como las temperaturas extremas, la sequía y las deficiencias de nutrientes, pueden acelerar la senescencia. Las prácticas de manejo, como el riego, la fertilización y la poda, pueden mitigar los efectos del estrés, lo que ayuda a optimizar el proceso de senescencia.
Al analizar los datos de senescencia, los productores pueden elegir los genotipos y las estrategias de manejo más adecuados para mejorar el rendimiento del algodón y la calidad de la fibra. Esta información también es valiosa para los fitomejoradores que buscan desarrollar cultivares más resistentes.
Recopilar estos datos es un desafío debido al largo período de maduración del algodón, que puede durar semanas o meses. Observar las plantas a intervalos aislados no ofrece una visión integral de su proceso de senescencia, por lo que la recopilación continua de datos es esencial para una comprensión más precisa. Sin embargo, los métodos tradicionales suelen requerir mucho tiempo y mano de obra, y generalmente dependen de herramientas portátiles para medir el contenido de clorofila.
Recientemente, la fenotipificación de alto rendimiento ha ganado prominencia debido a los rápidos avances en las tecnologías de plataformas y sensores, así como en las metodologías de análisis de datos. Los drones equipados con varios sensores vuelan sobre campos agrícolas para recopilar grandes volúmenes de imágenes de alta resolución. Sin embargo, problemas como la iluminación desigual y la variación espacial pueden introducir errores aleatorios e información irrelevante, lo que oscurece los patrones y la información importante en el conjunto de datos. Las redes neuronales convolucionales (CNN), un tipo de modelo de aprendizaje profundo utilizado para procesar y analizar imágenes, pueden ayudar a abordar estos desafíos. Por ejemplo, se pueden utilizar para detectar material vegetal básico frente al suelo y distinguir entre patrones de pigmentación.
Un nuevo artículo publicado en in silico Plants destaca cómo los métodos de aprendizaje profundo pueden abordar estos desafíos. El candidato a doctorado Aaron DeSalvio y sus colegas de la Universidad Texas A&M desarrolló la primera CNN diseñada para el análisis de la senescencia de una sola planta a lo largo del tiempo utilizando imágenes aéreas de un cultivo cultivado en el campo.
DeSalvio explicó la importancia de recopilar datos de plantas individuales. “La fenotipificación se realiza normalmente a nivel de parcela. Al rastrear el cambio de plantas individuales en lugar de una parcela, el poder estadístico aumenta mientras que el tamaño del campo de investigación permanece igual. Además, los investigadores pueden tratar de identificar variedades que demuestren más (o menos) uniformidad en sus fenotipos a lo largo de la temporada de crecimiento al rastrear réplicas de plantas individuales de la misma variedad”.
Los autores cultivaron genotipos de algodón con diferentes tasas de senescencia y capturaron imágenes con una cámara montada en un dron durante toda la temporada de crecimiento. Actualmente, el estándar de oro para cuantificar la senescencia a partir de este tipo de imágenes implica calificaciones de senescencia visual. A las imágenes de cada planta se les asignaron calificaciones manuales de 0% (completamente verde) a 100% (completamente muerta), un proceso que lleva bastante tiempo.
Para abordar este problema, los autores desarrollaron modelos CNN capaces de cuantificar la senescencia con la misma eficacia que las valoraciones visuales. Los modelos CNN se entrenaron utilizando valores derivados de valoraciones visuales de senescencia e índices de vegetación. Los índices de vegetación son valores cuantitativos indicativos de la progresión de la senescencia calculados utilizando mediciones de intensidad de color en las imágenes. Puede leer más sobre el uso de índices de vegetación obtenidos mediante teledetección aquí.
Los autores utilizaron un método innovador para analizar imágenes de series temporales, facilitando el análisis temporal: apilar las imágenes de plantas individuales capturadas en varios puntos de tiempo antes de introducirlas en la CNN.
“Este método permitió a las CNN incorporar dinámicas temporales en su entrenamiento y análisis. Esto significó que todos los puntos temporales pertenecientes a una sola planta podían ser evaluados por el modelo simultáneamente, lo que le permitió detectar diferencias en la progresión de la senescencia entre plantas, no solo diferencias en momentos aislados durante la temporada”.
Se desarrollaron seis modelos CNN utilizando diversos datos de entrenamiento. Entre ellos, dos predijeron con éxito los índices de senescencia visual y los valores del índice de vegetación a partir de las imágenes apiladas con alta confiabilidad. Además, los modelos capturaron cómo los diferentes genotipos envejecen a lo largo de la temporada de crecimiento (ver figura 2). Esto demuestra que el modelo se puede utilizar en el futuro para identificar nuevos factores genéticos que influyen en la senescencia dentro de una población genéticamente diversa.
DeSalvio concluye: “A medida que se intensifican las demandas de identificar y mejorar cultivos resilientes, los programas de mejoramiento necesitan herramientas escalables para recopilar datos sobre variedades que superen las mediciones de final de temporada. Métodos como el modelo CNN descrito aquí pueden analizar y categorizar las plantas por sus trayectorias de vida, lo que permite la selección de variedades cuyas trayectorias de desarrollo se adaptan a entornos específicos.
LEE EL ARTÍCULO:
Aaron J DeSalvio, Alper Adak, Mustafa A Arik, Nicholas R Shepard, Serina M DeSalvio, Seth C Murray, Oriana García-Ramos, Himabindhu Badavath, David M Stelly, Los sándwiches de imágenes temporales permiten el vínculo entre el análisis de datos funcionales y el aprendizaje profundo para la senescencia de algodón de una sola planta. in silico Plants, Volumen 6, Número 2, 2024, diae019, https://doi.org/10.1093/insilicoplants/diae019
Últimos Comentarios