evolución de la planta

Infografía del proceso de crecimiento de las plantas investigadas.

21 de enero de 2025. Un equipo de científicos liderado por la Universidade Federal do Piauí (Brasil) del que forma parte el profesor Víctor Martínez Martínez, director del Máster en Análisis Inteligente de Datos Masivos (Big Data), ha dado un paso significativo en la agricultura de precisión al utilizar redes neuronales convolucionales (CNN), para la predicción temprana de parámetros morfológicos de las plantas. En el trabajo de investigación, los científicos lograron predecir la altura de la planta y el diámetro del dosel de pimientos ornamentales (Capsicum spp.) semanas antes de que alcancen la madurez, incluso bajo condiciones de estrés térmico. Los resultados del estudio, publicados en la revista Neural Computing and Aplications, muestran que es posible anticipar con precisión estos parámetros utilizando imágenes RGB.

"La capacidad de predecir parámetros morfológicos semanas antes de la maduración del fruto es crucial para la selección de plantas adecuadas", destacó el profesor Martínez. "Nuestro estudio demuestra que, mediante el uso de modelos basados ​​en CNN y diferentes imágenes podemos obtener una predicción precisa de la altura de la planta y el diámetro del dosel con un error inferior a 4,5 cm. y 4.2 cm respectivamente"

Pimientos ornamentales (Capsicum spp.).

El estudio evaluó cuatro modelos distintos basados ​​en CNN, empleando imágenes RGB tomadas desde diferentes ángulos y en distintas fechas. "Cuando agregamos información de semanas anteriores, los resultados mejoraron significativamente", explicó el docente de la Universidad Isabel I. "Además, la precisión aumenta a medida que la fecha de predicción se aproxima a la madurez de la planta, como cabía esperar", matizó.

Proceso del estudio realizado.

Entre los hallazgos más destacados en esta investigación, el modelo logró un error cuadrático medio (RMSE) inferior a 4,5 cm en predicciones realizadas hasta seis semanas antes de las mediciones reales. Este nivel de precisión es un avance importante para el sector de plantas ornamentales, donde el equilibrio entre la altura de la planta y el diámetro del dosel es crucial para la estética y estabilidad en macetas.

"Los métodos tradicionales son laboriosos y propensos a errores humanos", agregó el profesor Martínez. "Nuestro enfoque, utilizando inteligencia artificial y visión computacional, no solo acelera el proceso sino que también reduce significativamente el margen de error", indicó.

El estudio también resalta el impacto del estrés térmico en el desarrollo de las plantas, un factor crítico en el contexto del cambio climático. "Las fluctuaciones de temperatura afectan el crecimiento y la eficiencia productiva", señaló el profesor, subrayando la necesidad de adaptar las técnicas de cultivo y selección a estas condiciones cambiantes.

Evolución de los plantones durante el experimento.

Los resultados de este trabajo no solo son relevantes para los programas de mejora genética, sino que también sientan las bases para futuras investigaciones en otras especies de plantas. "Este es solo el comienzo. La inclusión de datos meteorológicos y sensores ambientales podría mejorar aún más la precisión y robustez de estos modelos", concluyó Martínez.