Investigadores de la Universidad Estatal de Dakota del Sur desarrollan una plataforma que analiza fotografías de plantas para medir características agrícolas, apoyar el mejoramiento del cereal y facilitar decisiones de los productores. La herramienta ya examina nueve rasgos y podría ofrecerse gratuitamente en 2028.
Redacción: Redacción Mundo Agropecuario BET
Editor: Karem Díaz S.
Investigadores de la Universidad Estatal de Dakota del Sur (SDSU), en Estados Unidos, están desarrollando una plataforma de inteligencia artificial denominada WheatAI, diseñada para analizar imágenes de trigo y convertirlas en información útil para el mejoramiento vegetal y la evaluación de cultivos. El sistema utiliza fotografías captadas mediante teléfonos inteligentes y drones para identificar características de las plantas que tradicionalmente requieren numerosas mediciones manuales.
El proyecto, presentado públicamente por la universidad el 13 de noviembre de 2026, busca facilitar el acceso a herramientas avanzadas de análisis agrícola. Sus responsables pretenden que investigadores, estudiantes, mejoradores y productores puedan utilizar la plataforma gratuitamente cuando esté disponible para el público, una etapa prevista provisionalmente para 2028.
El desarrollo está encabezado por Sunish Sehgal, profesor especializado en mejoramiento y genética del trigo, y Maitiniyazi Maimaitijiang, profesor asistente del Departamento de Geografía y Ciencias Geoespaciales de la universidad, cuya especialidad incluye la teledetección, la inteligencia artificial y la visión por computadora.
La herramienta se encuentra todavía en desarrollo. Aunque el equipo dispone de un prototipo funcional capaz de analizar nueve características vegetales, sus responsables continúan ampliando las funciones y perfeccionando los métodos antes de su lanzamiento general.
De las fotografías de campo a las mediciones agrícolas
El proyecto comenzó a reunir información visual en 2022, cuando Sehgal inició la captura de fotografías destinadas a construir la base de datos necesaria para desarrollar el sistema.
Las imágenes corresponden a trigo de invierno fotografiado en diferentes momentos de su desarrollo. El equipo realizó cinco sesiones de captura entre mayo y julio, utilizando teléfonos inteligentes y drones.
Los trabajos incluyeron campos experimentales de la Universidad Estatal de Dakota del Sur próximos a Pierre y Brookings, además de parcelas de productores situadas en Winner y Hayes.
Esta diversidad de escenarios permite reunir imágenes de plantas cultivadas bajo distintas condiciones, un aspecto importante para desarrollar sistemas capaces de reconocer características vegetales fuera de ambientes controlados.
En 2025, Sehgal y Maimaitijiang comenzaron a desarrollar un prototipo funcional que pudiera relacionar las características visibles del trigo con indicadores de interés agronómico.
El objetivo incluye la estimación del potencial de rendimiento y la evaluación de enfermedades, entre ellas las causadas por hongos del género Fusarium, capaces de infectar el trigo y dañar sus granos.
El proyecto forma parte de una tendencia más amplia hacia la automatización de las mediciones de plantas mediante visión artificial, que permite registrar características de los cultivos sin depender exclusivamente de observaciones manuales.
En WheatAI, sin embargo, la intención es que una parte importante de esas evaluaciones pueda realizarse mediante fotografías convencionales y una aplicación accesible desde internet.
El fenotipado es uno de los grandes desafíos del mejoramiento vegetal
El concepto central de WheatAI es el fenotipado vegetal, es decir, la medición de las características observables de las plantas.
Entre estas características pueden encontrarse el número de espigas, la cantidad de granos, el desarrollo de los tallos, la presencia de síntomas de enfermedades y otros indicadores relacionados con el crecimiento.
En los programas de mejoramiento genético, el fenotipado resulta indispensable para determinar cómo se comportan diferentes líneas y variedades bajo condiciones agrícolas concretas.
Los investigadores pueden conocer la composición genética de numerosas plantas mediante técnicas modernas de secuenciación. Sin embargo, establecer cómo se manifiestan esas diferencias hereditarias en el campo continúa siendo una tarea laboriosa.
Sehgal explica que analizar el ADN de una planta resulta actualmente mucho más sencillo y económico que medir de forma exhaustiva todas las características de su crecimiento y productividad.
La dificultad aumenta cuando los programas de mejoramiento deben comparar miles de líneas experimentales durante diferentes etapas del cultivo.
En esos casos, los equipos de investigación necesitan contar granos, medir estructuras vegetales y evaluar síntomas sanitarios en grandes cantidades de muestras.
WheatAI pretende reducir parte de ese trabajo mediante algoritmos capaces de identificar y cuantificar características directamente a partir de imágenes.
Este enfoque guarda relación con los sistemas de inteligencia artificial que caracterizan automáticamente mazorcas de maíz y estiman variables productivas, aunque las herramientas se desarrollan para especies y aplicaciones diferentes.
La inteligencia artificial busca reducir la subjetividad de las evaluaciones
Uno de los problemas que el equipo pretende resolver es la variabilidad de las mediciones realizadas por diferentes observadores.
Cuando una enfermedad afecta las espigas de trigo, los investigadores suelen asignar valores de severidad mediante inspecciones visuales.
Sin embargo, dos personas pueden interpretar de manera distinta los mismos síntomas y otorgar calificaciones diferentes a una muestra.
La inteligencia artificial ofrece la posibilidad de aplicar criterios de análisis más uniformes, siempre que el modelo haya sido entrenado y validado adecuadamente.
En lugar de depender exclusivamente de la interpretación individual, un sistema de visión artificial puede procesar numerosas fotografías utilizando un procedimiento consistente.
Esto no significa que las mediciones automáticas estén libres de errores. Su precisión depende de la calidad de las imágenes, la representatividad de los datos de entrenamiento y la capacidad del algoritmo para reconocer las características buscadas.
La iluminación, el ángulo de captura, las diferencias entre variedades y la presencia de plantas superpuestas también pueden afectar el análisis.
Por ello, una de las tareas del equipo consiste en perfeccionar los modelos para obtener resultados confiables bajo condiciones agrícolas variables.
WheatAI ya analiza nueve características de las plantas
Según la información presentada por la Universidad Estatal de Dakota del Sur, el prototipo actual puede analizar nueve características vegetales.
El equipo pretende incorporar entre diez y doce rasgos adicionales antes de poner la herramienta a disposición del público.
Esta ampliación permitiría aumentar la cantidad de información obtenida a partir de las fotografías y ofrecer evaluaciones más completas de las plantas.
Entre las líneas de trabajo se encuentra el estudio de características estomáticas.
Los estomas son pequeñas estructuras presentes principalmente en las superficies de las hojas que intervienen en el intercambio gaseoso y la regulación de la pérdida de agua.
Su evaluación puede proporcionar información relevante para investigar el funcionamiento fisiológico de las plantas.
Tradicionalmente, analizar estas estructuras requiere observar y medir muestras mediante procedimientos especializados.
Los investigadores consideran que las herramientas de análisis de imágenes podrían permitir procesar cantidades mucho mayores de observaciones en períodos relativamente cortos.
Sehgal plantea que analizar cientos de imágenes podría proporcionar una base de información más amplia que examinar manualmente un número reducido de estructuras.
No obstante, la cantidad de imágenes no garantiza por sí sola una mayor precisión. Para demostrar esa ventaja es necesario comparar los resultados automáticos con mediciones de referencia y evaluar los posibles errores del sistema.
La automatización del fenotipado también se está utilizando en investigaciones que comparan cómo diferentes líneas genéticas de maíz responden a los hongos micorrícicos, donde las plataformas de medición permiten estudiar múltiples características del crecimiento vegetal.
WheatAI busca aplicar principios semejantes al análisis del trigo mediante una herramienta informática orientada a usuarios con distintos niveles de especialización.
Los agricultores podrían evaluar sus campos con fotografías
Además de apoyar los programas de mejoramiento genético, WheatAI pretende ofrecer funciones útiles para los productores de trigo.
Una de las aplicaciones previstas consiste en estimar la densidad de espigas en una superficie cultivada.
Actualmente, algunos agricultores realizan estas evaluaciones contando manualmente las espigas presentes en pequeñas áreas representativas de sus parcelas.
El procedimiento proporciona información sobre el estado del cultivo, pero puede requerir tiempo y producir resultados variables dependiendo de los puntos seleccionados.
Sehgal propone que los productores puedan tomar entre diez y veinte fotografías de un campo extenso, cargarlas en la plataforma y obtener un análisis automatizado de la cantidad de espigas por unidad de superficie.
El objetivo es facilitar evaluaciones más rápidas y consistentes.
Sin embargo, el resultado dependerá de que las fotografías representen adecuadamente la variabilidad de la parcela y de que los algoritmos mantengan una precisión suficiente.
Una muestra fotográfica tomada únicamente en las zonas más productivas o más deterioradas podría ofrecer una imagen distorsionada del conjunto del cultivo.
Por esa razón, la selección de los puntos de muestreo continuará siendo importante incluso cuando el procesamiento de las imágenes esté automatizado.
La plataforma también busca detectar daños por Fusarium
Otra aplicación prevista es la evaluación de problemas sanitarios relacionados con hongos del género Fusarium.
Estos microorganismos pueden provocar enfermedades en el trigo y afectar tanto las plantas como los granos cosechados.
El equipo de WheatAI trabaja en funciones destinadas a analizar daños asociados con estas infecciones mediante fotografías.
La posibilidad de cuantificar síntomas de forma automatizada podría facilitar las evaluaciones realizadas por investigadores y productores.
En los programas de mejoramiento, disponer de mediciones consistentes permitiría comparar líneas de trigo frente a determinadas enfermedades y seleccionar materiales para investigaciones posteriores.
Para los agricultores, una herramienta de análisis visual podría ayudar a identificar situaciones que requieren una inspección más detallada.
No obstante, el reconocimiento de síntomas mediante imágenes no equivale necesariamente a un diagnóstico definitivo de laboratorio.
Distintas enfermedades, daños ambientales y problemas fisiológicos pueden producir manifestaciones visuales semejantes.
Además, la presencia de granos afectados por Fusarium puede plantear riesgos relacionados con micotoxinas que no pueden determinarse únicamente mediante fotografías.
Por tanto, el análisis visual debe entenderse como una herramienta potencial de apoyo y no como un sustituto automático de las pruebas sanitarias necesarias.
Las estimaciones podrían orientar decisiones sobre el destino de la cosecha
Los responsables del proyecto consideran que WheatAI también podría ayudar a los agricultores a decidir cómo aprovechar determinados cultivos.
Una evaluación temprana del potencial productivo puede aportar información para considerar si conviene destinar una parcela a la producción de grano o utilizarla para ensilaje.
Esta decisión depende de numerosos factores, entre ellos el estado sanitario de las plantas, el rendimiento esperado, las necesidades de alimentación animal y las condiciones económicas.
La herramienta podría contribuir proporcionando mediciones sobre características del cultivo, pero no reemplazaría por sí sola la evaluación agronómica y comercial del productor.
El equipo tampoco ha presentado todavía resultados que demuestren una mejora cuantificada de los beneficios económicos obtenidos por agricultores que utilizan WheatAI.
La aplicación continúa en desarrollo y será necesario evaluar su desempeño en condiciones reales antes de establecer su utilidad comercial.
Una plataforma gratuita prevista para 2028
Uno de los objetivos más destacados del proyecto es eliminar las barreras económicas que dificultan el acceso a determinadas tecnologías de fenotipado.
Los investigadores pretenden ofrecer WheatAI gratuitamente a través de internet, utilizando el dominio previsto para la plataforma.
Sehgal sostiene que el propósito es democratizar el acceso a estas herramientas y permitir que lleguen también a agricultores, estudiantes e instituciones que no disponen de equipos especializados.
El lanzamiento público está previsto provisionalmente para 2028, aunque la fecha dependerá de los avances técnicos y de la incorporación de nuevas funciones.
La gratuidad anunciada corresponde a la intención de los desarrolladores y no debe interpretarse como la confirmación de que la versión definitiva ya se encuentra disponible.
El proyecto también deberá resolver cuestiones relacionadas con el procesamiento de imágenes, la capacidad informática necesaria y la utilización de fotografías obtenidas bajo condiciones muy diferentes.
La posibilidad de trabajar con teléfonos inteligentes representa una ventaja potencial frente a sistemas que requieren instrumentos especializados, aunque determinadas funciones podrían seguir dependiendo de imágenes captadas con equipos específicos.
El desafío es convertir las imágenes en información confiable
WheatAI forma parte de una evolución tecnológica en la que la inteligencia artificial está ampliando las posibilidades de observación de los cultivos.
Los sistemas de visión artificial pueden procesar grandes cantidades de fotografías y extraer características que serían costosas de medir manualmente.
En otros proyectos agrícolas, los drones equipados con sensores han sido utilizados para investigar señales tempranas de estrés vegetal, combinando información óptica y térmica para estudiar el estado de las plantas.
WheatAI plantea un enfoque complementario: convertir fotografías relativamente accesibles en mediciones que puedan apoyar el mejoramiento genético y determinadas decisiones agrícolas.
El desafío principal será demostrar que esas mediciones son suficientemente precisas y reproducibles cuando cambian las variedades, las condiciones ambientales y los métodos de captura.
También será importante determinar qué características pueden estimarse directamente mediante fotografías y cuáles requieren información adicional.
Por ejemplo, el número de espigas puede contribuir a evaluar el potencial de una parcela, pero el rendimiento final depende también del número de granos, su peso, las condiciones meteorológicas y los factores sanitarios que afectan al cultivo.
Por ello, una estimación visual no debe confundirse con una predicción infalible de la cosecha.
Del mejoramiento experimental a una herramienta para productores
La principal novedad de WheatAI es su intención de reunir en una misma plataforma funciones de fenotipado que puedan utilizar tanto especialistas en mejoramiento vegetal como agricultores.
El sistema comenzó a construirse con fotografías tomadas desde 2022 y evolucionó hacia un prototipo funcional desarrollado desde 2025.
Actualmente puede analizar nueve características y sus responsables trabajan para incorporar entre diez y doce adicionales antes de una posible apertura pública en 2028.
Las aplicaciones previstas incluyen la medición de rasgos vegetales, la evaluación de daños asociados con Fusarium y el apoyo a estimaciones productivas.
Su potencial reside en reducir el tiempo dedicado a determinadas mediciones manuales y proporcionar criterios de análisis más uniformes.
Sin embargo, la plataforma todavía necesita completar su desarrollo y demostrar que mantiene resultados confiables en condiciones agrícolas diversas.
Para los programas de mejoramiento, disponer de mediciones más rápidas podría facilitar la comparación de un mayor número de líneas de trigo. Para los productores, la posibilidad de obtener información a partir de fotografías podría simplificar algunas tareas de seguimiento del cultivo.
La siguiente etapa será comprobar hasta qué punto WheatAI puede transformar esas posibilidades en resultados prácticos, reproducibles y accesibles fuera de las parcelas experimentales donde comenzó su desarrollo.
Fuentes referenciales:
Universidad Estatal de Dakota del Sur / Phys.org — WheatAI could speed wheat breeding and help farmers assess crops, 13 de noviembre de 2026
WheatAI — Sitio del proyecto de análisis de trigo mediante inteligencia artificial
