La Inteligencia Artificial (IA) es la palabra de moda de 2024. Aunque lejos de este foco cultural, los científicos con conocimientos agrícolas, biológicos y tecnológicos también se sienten atraídos por la IA mientras colaboran para encontrar formas de analizar conjuntos de datos con estos algoritmos y modelos para predecir un mundo afectado por el cambio climático.
En un artículo reciente publicado en Fronteras en ciencia vegetal, Claudia Avles Toledo, candidata al doctorado en geometría de la Universidad Purdue, en colaboración con sus asesores docentes y coautores Melba Crawford y Mitch Tuenstra, demuestra el potencial de una red neuronal recurrente, un modelo que puede enseñarnos a procesar datos utilizando la memoria a largo plazo. predecir el rendimiento del maíz a partir de varias tecnologías de teledetección y datos ambientales y genéticos.
El fenotipado de plantas, donde se examinan y caracterizan sus rasgos, puede ser una tarea laboriosa. Medir la altura de las plantas con una cinta métrica, medir la reflectancia de la luz en múltiples longitudes de onda utilizando instrumentos portátiles pesados y extraer y secar plantas individuales para realizar análisis químicos son tareas laboriosas y costosas. La teledetección, o la recopilación de estos puntos de datos a distancia mediante vehículos aéreos no tripulados (UAV) y satélites, está haciendo que dicha información de campo y de plantas sea más accesible.
“Este estudio destaca que la adquisición de datos basada en vehículos aéreos no tripulados y cómo los avances en el procesamiento pueden contribuir a la predicción de rasgos complejos en cultivos alimentarios”.
Crawford, Nancy Eurydale y Frances Bosso, Profesora Distinguida de Ingeniería Civil y Profesora de Agricultura, dan crédito a Avilés Toledo y otros que recopilaron datos fenotípicos en el campo y con sensores remotos. A través de esta colaboración y estudios similares, el mundo ha visto cómo el fenotipado basado en sensores remotos reduce simultáneamente los requisitos de mano de obra y recopila nueva información sobre las plantas que los sentidos humanos por sí solos no pueden percibir.
Las cámaras hiperespectrales, que miden la reflectancia detallada de longitudes de onda de luz fuera del espectro visible, ahora se pueden montar en robots y vehículos aéreos no tripulados. Los instrumentos de detección y alcance de luz (LiDAR) emiten pulsos láser y miden el tiempo que se reflejan en el sensor para producir mapas llamados “nubes de puntos” de la estructura geométrica de la vegetación.
“Las plantas cuentan una historia por sí mismas”, dijo Crawford. “Si están estresados, reaccionan. Si reaccionan, probablemente se pueda relacionar con rasgos, insumos ambientales, prácticas de manejo como la aplicación de fertilizantes, riego o insectos”.
Como ingenieros, Avilés Toledo y Crawford crean algoritmos que toman grandes conjuntos de datos y analizan patrones dentro de ellos para predecir las probabilidades estadísticas de diversos resultados, incluidos los de los fitogenetistas como Tuinstra. Estos algoritmos clasifican cultivos sanos y estresados antes de que un agricultor o explorador pueda ver la diferencia, y brindan información sobre la efectividad de diferentes prácticas de manejo.
Tuinstra aporta una mentalidad biológica al estudio. Los fitomejoradores utilizan los datos para identificar genes que controlan ciertos rasgos de un cultivo.
“Este es uno de los primeros modelos de IA que incorpora la genética vegetal en la historia del rendimiento en experimentos de varios años a gran escala”, dijo Tuenstra. “Ahora, los fitomejoradores pueden ver cómo reaccionan diferentes rasgos a diferentes condiciones, lo que les ayuda a seleccionar rasgos para futuras variedades más resistentes. Los productores también pueden utilizarlos. Pueden determinar qué variedades se desempeñarán mejor en su área”.
Para construir esta red neuronal se combinaron datos hiperespectrales y LiDAR de teledetección de maíz, marcadores genéticos de variedades populares de maíz y datos ambientales de estaciones meteorológicas. Este modelo de aprendizaje profundo es un subconjunto de la IA que aprende de patrones de datos espaciales y temporales y hace predicciones futuras. Una vez entrenada en una ubicación o período de tiempo, la red se puede actualizar con datos de entrenamiento limitados a otra ubicación geográfica o momento, lo que limita la necesidad de datos de referencia.
“Antes, usábamos el aprendizaje automático clásico, que se centraba en estadísticas y matemáticas. Realmente no podíamos usar redes neuronales porque no teníamos el poder computacional”, dijo Crawford.
Las redes neuronales toman la forma de alambre de gallinero, con puntos conectados que en última instancia se comunican con todos los demás puntos. Avilés Toledo adaptó este modelo a la memoria a corto plazo, lo que permite que los datos pasados se mantengan en la “mente” de la computadora junto con los datos actuales mientras predice resultados futuros. El modelo de memoria a corto plazo, aumentado por mecanismos de atención, también llama la atención sobre momentos fisiológicamente importantes en el ciclo de desarrollo, incluida la floración.
Si bien los datos meteorológicos y de teledetección se incorporan a esta nueva arquitectura, Crawford dijo que los datos genéticos todavía se procesan para extraer “características estadísticas generales”. Al trabajar con Tuinstra, el objetivo a largo plazo de Crawford es incorporar marcadores genéticos de manera más significativa en las redes neuronales y agregar rasgos más complejos a su conjunto de datos. Lograr esto reducirá los costos laborales y al mismo tiempo proporcionará información más efectiva a los agricultores para que tomen las mejores decisiones para sus cultivos y tierras.
