Fenotipado de alto caudal para estimar la altura de planta en cultivares de soja (Glycine max) utilizando modelos digitales de elevación e imágenes multiespectrales obtenidas con d...

• Autores: Menes, Jose Fernando; Introna, Jimena; Portillo, Javier Esteban
• Año de publicación: 2024
• Idioma: español castellano
• Tipo de recurso: documento de conferencia
• Fuente: 2° Simposio De Ciencias Agrarias INTA "Un futuro sostenible: Integrando ciencia y producción en la agronomía moderna", Córdoba, del 14 al 15 de noviembre de 2024
• Materia: Soja; Imagen Multiespectral; Procesamiento Digital de Imágenes; Aprendizaje Automático; Soybeans; Multispectral Imagery; Digital Image Processing; Machine Learning; Sensores Remotos
• Institución: Instituto Nacional de Tecnología Agropecuaria

Presentación en diapositivas y resumen
El fenotipado para evaluar la altura de planta en soja es una tarea compleja y laboriosa, especialmente en programas de mejoramiento que involucran cientos de genotipos. La recolección manual de datos es lenta y propensa a errores, lo que dificulta la obtención de mediciones precisas a gran escala. En este contexto, los vehículos aéreos no tripulados (VANT) equipados con sensores multiespectrales surgen como una herramienta prometedora, capaces de automatizar y optimizar la medición de la altura de planta de manera eficiente, precisa y con menor esfuerzo. Este estudio tuvo como objetivo validar la eficacia de los VANT para estimar la altura en cultivares de soja. evaluaron 74 cultivares de distintos grupos de madurez (III, IV y V) pertenecientes a la Red de Evaluación de Cultivares de Soja (RECSO) en la EEA Pergamino del INTA, utilizando un diseño en bloques completos al azar con 3 repeticiones. A los 105 días después de la siembra, se realizó un vuelo a una altura de 40 m. Las imágenes de este se procesaron para obtener un ortomosaico con una resolución de 1,77 cm/píxel, compuesto de las bandas azul, verde, roja, borde rojo e infrarrojo cercano (NIR). Por otro lado, se generó un modelo digital de superficie (MDS) con una resolución espacial 3,53 cm/píxel, que incluye tanto la elevación del terreno como la de las plantas. A partir de este modelo, se creó un modelo digital de terreno (MDT) mediante la interpolación de 140 puntos visualmente identificados como suelo en el MDS, lo que permitió eliminar la vegetación del modelo. La diferencia entre el MDS y el MDT dio lugar a la creación de un modelo digital de elevación (MDE), que representa la altura de las plantas. De este último, se extrajeron los valores de altura del percentil 95% de cada microparcela. Con estos datos y las mediciones de campo realizadas con un metro, se llevó a cabo una regresión lineal que resultó en un R² de 0.65, un RMSE (Root Mean Square Error) de 5.46 cm y un NRMSE (Normalized Root Mean Square Error) de 7.74%. Para mejorar esta estimación, se extrajeron los valores espectrales por parcela del ortomosaico y se calculó el índice de diferencia normalizada del borde rojo (NDRE). Se construyó un modelo de regresión lineal múltiple utilizando Random Forest, que incorporó el índice NDRE y el percentil 95 de la altura del MDE para predecir la altura de campo. El modelo se entrenó con un 70% de los datos y se evaluó con el 30% restante, alcanzando un R² de 0.67, un RMSE de 4.35 cm y un NRMSE de 6.02%. Estos resultados indican un desempeño superior en la predicción de la altura de campo al integrar información espectral a los MDE. Este enfoque no solo permite realizar fenotipados con una precisión considerable para caracterizar materiales de soja, sino que también destaca el potencial de mejorar la estimación mediante el uso de índices espectrales, constituyendo una herramienta prometedora para aumentar la eficiencia en l programas de mejoramiento de soja.
EEA Pergamino
Fil: Menes, José Fernando. Instituto Nacional de Tecnología Agropecuaria (INTA). Estación Experimental Agropecuaria Pergamino. Sección Sistema de Información Geográfica (SIG). Becario; Argentina
Fil: Menes, José Fernando. Universidad de Buenos Aires. Facultad de Agronomía. Cátedra de Genética; Argentina
Fil: Introna, Jimena. Instituto Nacional de Tecnología Agropecuaria (INTA). Estación Experimental Agropecuaria Pergamino. Sector Agronomía; Argentina
Fil: Portillo, Javier. Instituto Nacional de Tecnología Agropecuaria (INTA). Estación Experimental Agropecuaria Pergamino. Sección Sistema de Información Geográfica (SIG); Argentina
Fil: Portillo, Javier. Universidad Nacional del Noroeste de la Provincia de Buenos Aires. Escuela de Ciencias Agrarias, Naturales y ambientales. Cátedra de Introducción al Tratamiento Digital de Imágenes Satelitales; Argentina