En la investigación agrícola y de teledetección, estimar con precisión el índice de área foliar (LAI) del trigo utilizando datos multiespectrales basados en vehículos aéreos no tripulados es esencial para monitorear la salud y el crecimiento de los cultivos. Tradicionalmente, la medición del LAI es precisa pero laboriosa.
por la Universidad Agrícola de NanJing
Los avances recientes han introducido métodos híbridos que combinan modelos de transferencia radiativa con aprendizaje automático, lo que resulta prometedor debido a su eficiencia y aplicabilidad. Sin embargo, estos métodos enfrentan desafíos, particularmente en entornos de suelos diversos, donde se requieren modelos específicos de suelo pero carecen de escalabilidad.
La investigación actual se centra en el desarrollo de un modelo «resistente al fondo» para una estimación del LAI estable y precisa en varios tipos de suelo y condiciones ambientales, particularmente beneficioso en áreas con características de suelo variables y bajo LAI, como las regiones de tierras secas.
En mayo de 2023, Plant Phenomics publicó un artículo de investigación titulado » Un modelo genérico para estimar el LAI del trigo durante la temporada de crecimiento independientemente del tipo de suelo «.
Esta investigación tuvo como objetivo desarrollar un modelo genérico basado en aprendizaje automático para predecir el índice de área foliar (LAI) del trigo en diversos orígenes de suelo durante toda la temporada de crecimiento, mejorando los modelos anteriores específicos de suelo.
El rendimiento de la simulación del modelo se probó inicialmente con datos sintéticos independientes. Los modelos de regresión forestal aleatoria (RFR) entrenados con datos sintéticos mostraron un rendimiento variable según la similitud de la reflectancia del suelo, y el modelo de referencia logró un R² de 0,8 en una reflectancia de suelo similar, pero cayó a 0,2 en suelos diferentes.
Ampliar el dominio de reflectancia del fondo del suelo de entrenamiento mejoró la robustez del modelo, pero mejorar las entradas espectrales del dosel resultó más efectivo para una predicción LAI estable en todos los fondos del suelo. En experimentos, los modelos RFR se probaron con datos sintéticos y aumentados en diferentes etapas de crecimiento.
La mejora de la predicción del LAI fue más pronunciada cuando se mejoraron las entradas espectrales del dosel en lugar de simplemente ampliar el dominio de reflectancia del fondo del suelo de entrenamiento. Se seleccionó el modelo defaultMulti2.VIc3, que utiliza un dominio de reflectancia extendido e indicadores espectrales de cubierta mejorados, para una evaluación adicional debido a su estabilidad en los suelos y menos variables de entrada.
Demostró una buena precisión de estimación para diferentes fondos de suelo, pero tendió a sobreestimar el IAF para valores entre 2 y 5 y a subestimar el IAF por encima de 5. El modelo se evaluó más a fondo en diferentes etapas de crecimiento a lo largo de la temporada de crecimiento, mostrando una mejora sustancial en la precisión de la predicción, especialmente en las primeras etapas. y etapas tardías. Capturó de manera confiable la dinámica estacional del LAI bajo diferentes tratamientos en términos de genotipos, densidades de siembra y manejo de nitrógeno agua.
La investigación concluyó que se podría establecer eficazmente un modelo resistente al fondo utilizando datos de simulación, proporcionando una predicción GAI estable y precisa a partir de imágenes multiespectrales aisladas basadas en UAV durante una temporada de cultivo de trigo con diversos fondos de suelo en condiciones de campo. Este modelo representa un avance significativo en la predicción del LAI sin necesidad de calibración del suelo, lo que lo convierte en una herramienta prometedora para el seguimiento y la gestión agrícola.
Más información: Qiaomin Chen et al, Un modelo genérico para estimar el LAI del trigo durante la temporada de crecimiento independientemente del tipo de suelo, Fenómica de las plantas (2023). DOI: 10.34133/plantfenómica.0055
