Un equipo de la Universidad Hebrea de Jerusalén ha desarrollado un método económico y no invasivo para estimar el área foliar total en plantas de tomate enanas mediante reconstrucción 3D a partir de secuencias de video estándar.
por la Universidad Hebrea de Jerusalén
El estudio aplica técnicas de estructura a partir del movimiento y aprendizaje automático para predecir el crecimiento de las plantas con una precisión notable.
Este enfoque innovador elimina la necesidad de sensores costosos o muestreos destructivos, lo que facilita el acceso a la agricultura de precisión. El método promete escalar el monitoreo de cultivos tanto en invernaderos como en campo abierto.
En una era donde la precisión lo es todo, el nuevo método promete cambiar la forma en que los agricultores y los investigadores agrícolas monitorean la salud de las plantas, una hoja a la vez.
El estudio dirigido por Dmitrii Usenko, candidato a doctorado del Instituto de Ciencias Ambientales de la Universidad Hebrea, ha demostrado con éxito que una técnica de imagen de bajo costo puede estimar con precisión el área foliar total (AFT) de plantas de tomate enanas. Bajo la dirección del Dr. David Helman (Universidad Hebrea) y en colaboración con el Dr. Chen Giladi (Facultad de Ingeniería Sami Shamoon), el equipo ha demostrado cómo los videos bidimensionales tomados con una cámara simple pueden transformarse en valiosos datos 3D para la gestión agrícola.
El artículo de investigación, titulado «Uso de reconstrucción 3D a partir del movimiento de imágenes para predecir el área total de las hojas en plantas de tomate enanas», se publica en Computers and Electronics in Agriculture .
El método se basa en el uso de técnicas de estructura a partir del movimiento (SfM), típicamente asociadas con la visión artificial y la teledetección, que reconstruyen la geometría 3D a partir del movimiento de los objetos en una secuencia de vídeo. En este caso, en lugar de usar costosas cámaras LiDAR o multiespectrales, los investigadores utilizaron grabaciones de vídeo básicas de plantas de tomate, tomadas desde diversos ángulos, para reconstruir la forma y el tamaño de su follaje.
«La medición precisa del área foliar total es crucial para comprender el crecimiento de las plantas , la fotosíntesis y el consumo de agua «, explica el Dr. Helman. «Sin embargo, los métodos tradicionales suelen requerir muestreos destructivos o equipos costosos e inaccesibles. Nuestro modelo aúna accesibilidad y precisión de una manera que podría beneficiar tanto a los pequeños agricultores como a las explotaciones agrícolas a gran escala».
Utilizando más de 300 videoclips de plantas de tomate enanas cultivadas en condiciones controladas de invernadero, los investigadores entrenaron modelos de aprendizaje automático para estimar el área foliar basándose en características extraídas de las nubes de puntos 3D. Su modelo de mayor rendimiento alcanzó un coeficiente de determinación (R²) de 0,96, superando a los enfoques 2D más tradicionales y mostrando una alta fiabilidad incluso cuando la superposición de hojas o el movimiento de la planta planteaban dificultades visuales.
Las implicaciones van más allá del tomate. Dado que el método, en principio, es independiente del cultivo y solo requiere imágenes RGB estándar, abre la puerta a una amplia adopción en sistemas de monitoreo de cultivos a nivel mundial. La implementación de código abierto del modelo también fomenta un mayor desarrollo y personalización por parte de la comunidad investigadora.
«Al reducir el costo de la monitorización precisa de las plantas, esperamos democratizar el acceso a la agricultura de precisión», afirma Usenko. «Este es un paso pequeño pero significativo hacia una agricultura más inteligente y sostenible».
Más información: Dmitrii Usenko et al., Uso de reconstrucción 3D a partir del movimiento de imágenes para predecir el área foliar total en plantas de tomate enano, Computers and Electronics in Agriculture (2025). DOI: 10.1016/j.compag.2025.110627
