Investigadores de la Universidad de Bonn han desarrollado un software que puede simular el crecimiento de cultivos extensivos. Para ello, introdujeron miles de imágenes de experimentos de campo en un algoritmo de aprendizaje. Esto permitió al algoritmo aprender a predecir el crecimiento futuro de las plantas cultivadas basándose en una imagen inicial. Utilizando las imágenes creadas durante este proceso, se pueden estimar con precisión parámetros como el área foliar o el rendimiento. Los resultados se publican en la revista. Métodos vegetales.
¿Qué plantas debo combinar y en qué proporciones para obtener el máximo rendimiento posible? ¿Y cómo crecerá mi cultivo si uso compost en lugar de fertilizantes sintéticos? En el futuro, los agricultores deberían poder confiar en el soporte informático para responder a estas preguntas.
Investigadores de la Universidad de Bonn han dado un paso importante hacia este objetivo: “Hemos desarrollado un software que utiliza imágenes de drones para visualizar el crecimiento futuro de las plantas”, explica el Instituto de Geodesia y Geoinformación Lucas Dres. Un investigador que inicia su carrera en la Universidad de Bonn es empleado del Grupo de Excelencia PhenoRob. El proyecto a gran escala con sede en la Universidad de Bonn tiene como objetivo avanzar en la digitalización inteligente de la agricultura para ayudar a que la agricultura sea más respetuosa con el medio ambiente, sin comprometer el rendimiento de los cultivos.
Una mirada virtual al futuro para ayudar en la toma de decisiones
Un programa informático presentado ahora por Dress y sus colegas en la revista Plant Methods es parte de un componente importante. En última instancia, debería permitir replicar ciertas decisiones en la práctica, por ejemplo, predecir cómo el uso de pesticidas o fertilizantes afectará el rendimiento de los cultivos.
Para que esto funcione, el programa debe alimentarse con imágenes de drones procedentes de experimentos de campo. “Tomamos miles de imágenes durante un período de desarrollo”, explica el investigador doctoral. “Así, por ejemplo, hemos documentado el crecimiento de los cultivos de col en determinadas condiciones”. Luego, los investigadores entrenaron un algoritmo de aprendizaje utilizando estas imágenes. Luego, basándose en una fotografía aérea de una etapa temprana de crecimiento, el algoritmo pudo crear una nueva imagen generada artificialmente que muestra el crecimiento futuro del cultivo. Siempre que las condiciones del cultivo sean similares a las presentes cuando se tomaron las imágenes de entrenamiento, todo el proceso es muy preciso. Como resultado, el software no tiene en cuenta el efecto de una ola de frío repentina o una lluvia continua que dure varios días. Sin embargo, en el futuro deberá aprender cómo el crecimiento se ve afectado por efectos como estos, así como por el mayor uso de fertilizantes, por ejemplo. Esto le permitirá predecir el resultado de determinadas intervenciones del agricultor.
“Además, utilizamos un segundo software de inteligencia artificial que puede estimar diferentes parámetros a partir de imágenes de plantas, como el rendimiento de los cultivos”, dice Drees. “También funciona con imágenes generadas. De esta manera es posible estimar el tamaño posterior de las cabezas de coliflor en una etapa muy temprana del período de crecimiento”.
Centrarse en los policultivos.
Un área en la que se están centrando los investigadores es el uso de policultivos. Esto se refiere a un campo sembrado con diferentes especies, como frijoles y trigo. Debido a que las plantas tienen diferentes necesidades, compiten menos entre sí en este tipo de policultivo que en el monocultivo, donde solo se cultiva una especie. Esto aumenta la productividad. Además, algunas especies (las legumbres son un buen ejemplo) pueden fijar nitrógeno del aire y utilizarlo como fertilizante natural. Otros cultivos, en este caso el trigo, también se benefician de ello.
“Los policultivos también son menos susceptibles a las plagas y otras influencias ambientales”, explica Drees. “Sin embargo, el funcionamiento del conjunto depende de las especies implicadas y de su proporción de mezcla”. Cuando los resultados de muchos experimentos de mezcla diferentes se introducen en un algoritmo de aprendizaje, es posible derivar recomendaciones sobre qué plantas son particularmente compatibles y en qué proporciones.
El crecimiento de plantas basado en algoritmos de aprendizaje es un desarrollo relativamente nuevo. Hasta ahora, para este fin se han utilizado principalmente modelos basados en procesos. Estos, metafóricamente hablando, tienen una comprensión básica de qué nutrientes y condiciones ambientales necesitan ciertas plantas durante su crecimiento para prosperar. “Sin embargo, nuestro software se basa exclusivamente en la experiencia adquirida con las imágenes de entrenamiento”, destacó Drees.
Ambos enfoques se complementan. Si se combinan correctamente, se puede mejorar significativamente la calidad del pronóstico. “Este es también un punto que estamos investigando en nuestro estudio”, afirma el doctorando: “¿Cómo podemos utilizar métodos basados en acciones e imágenes para que se beneficien mutuamente?”
