Un modelo versátil de aprendizaje profundo para una predicción precisa del crecimiento de las plantas


El rendimiento de los cultivos se puede maximizar cuando se utilizan la mejor variedad genética y las prácticas de manejo de cultivos más efectivas para el cultivo


por la Universidad Agrícola de NanJing


Los científicos han desarrollado varios modelos de aprendizaje automático para predecir los factores que producen el mayor rendimiento en cultivos específicos. Sin embargo, los modelos tradicionales no pueden acomodar altos niveles de variación en los parámetros o grandes entradas de datos.

Esto puede conducir al fracaso de los modelos en determinadas circunstancias. Además, dado que los modelos de cultivo están restringidos a los tipos de entrada que pueden acomodar, es posible que las mejoras de un modelo no se apliquen a otros modelos.

Para superar esta limitación, investigadores de Corea dirigidos por el profesor Jung Eok Son de la Universidad Nacional de Seúl han creado un novedoso modelo de cultivo basado en el aprendizaje profundo conocido como «DeepCrop», para pimientos dulces hidropónicos. El modelo puede acomodar varias variables de entrada y tiene menos limitaciones en la cantidad de datos que puede procesar.

Por lo tanto, se puede emplear en la mayoría de los entornos y se puede extender a aplicaciones similares. Los investigadores probaron las predicciones de DeepCrop cultivando el cultivo dos veces al año durante dos años en invernaderos. Sus resultados se publicaron en Plant Phenomics el 1 de marzo de 2023.

«Seleccionamos algoritmos de aprendizaje profundo como una posible solución para mitigar la fragmentación y la redundancia. El aprendizaje profundo tiene una gran aplicabilidad para tareas objetivo amplias, así como una notable capacidad de abstracción para enormes conjuntos de datos», explica el profesor Son.

DeepCrop es un modelo basado en procesos que puede simular el crecimiento de cultivos en respuesta a varios factores y condiciones ambientales. Se puede ampliar para incluir muchos tipos de entrada o una mayor cantidad de datos. Una de las razones de la gran versatilidad de DeepCrop es que está construido exclusivamente con redes neuronales . Las redes neuronales son combinaciones de algoritmos que procesan las interacciones entre los datos de entrada para hacer predicciones útiles.

Dado que las simulaciones se crean en una plataforma basada en computadora, DeepCrop requiere una infraestructura mínima. «Con su aplicabilidad, una tarea complicada realizada en la empresa se volvió accesible con una computadora personal», dice el Prof. Son.

Los algoritmos de aprendizaje profundo deben recibir datos antes de que puedan hacer predicciones. Los algoritmos de DeepCrop en la simulación del crecimiento de las plantas se entrenaron de manera similar. Sin embargo, no necesitó la programación de conceptos sofisticados en fisiología vegetal o modelado de cultivos para producir predicciones útiles. «La simulación DeepCrop siguió adecuadamente la tendencia creciente desde cero según los puntajes, pero el modelo debe inspeccionarse porque tiene potencial para mejorarse», señala el Prof. Son.

Para validar las predicciones de DeepCrop, el equipo cultivó pimientos dulces en condiciones de invernadero predeterminadas. Una comparación de los patrones de crecimiento de las plantas pronosticados y reales sugirió que DeepCrop superó a otros modelos de cultivo basados ​​en procesos existentes, como lo indica su eficiencia de modelado. El modelo también fue el menos propenso a cometer errores de predicción.

La capacidad de DeepCrop para producir predicciones útiles incluso con diferentes entradas y parámetros sugiere que puede determinar las relaciones entre los datos de entrada independientemente del tipo de datos. Los resultados de este estudio también sugieren que los modelos de aprendizaje profundo pueden ser útiles para una amplia gama de aplicaciones en la ciencia de cultivos. «Esperamos que el DeepCrop desarrollado pueda mejorar la accesibilidad de los modelos de cultivos y mitigar los problemas de fragmentación en los estudios de modelos de cultivos», concluye el Prof. Son.

Más información: Taewon Moon et al, Modelado de cultivos basado en procesos para alta aplicabilidad con mecanismo de atención y decodificadores multitarea, Plant Phenomics (2023). DOI: 10.34133/plantafenómica.0035