Crean un sistema de IA para medir la floración del arroz en el campo
Investigadores desarrollaron OPAL-Flow, un sistema de inteligencia artificial capaz de identificar con precisión de minutos el inicio y el momento máximo de floración en panículas individuales de arroz.
Un grupo de investigadores de la Universidad Agrícola de Nanjing y otras instituciones desarrolló OPAL-Flow, un sistema basado en inteligencia artificial diseñado para registrar con precisión de minutos el inicio y el momento de mayor floración (antesis) en panículas individuales de arroz cultivadas en el campo. El estudio fue publicado en la revista científica Plant Phenomics.
La antesis del arroz ocurre en una ventana diaria muy breve y se altera rápidamente ante los cambios del microclima local, como la temperatura o la humedad. Tradicionalmente, el seguimiento de este proceso dependía de la inspección visual manual, una tarea que requiere mucho trabajo, resulta subjetiva y dificulta el monitoreo simultáneo en grandes parcelas. Los métodos de imagen anteriores analizaban parcelas o grupos de plantas, pero no lograban determinar marcas de tiempo exactas para una misma panícula debido a la densidad de los cultivos, las sombras y las variaciones de luz.
Cómo funciona la tecnología OPAL-Flow
La herramienta combina diferentes modelos informáticos para separar el análisis de la forma de la planta del registro del tiempo:
- YOLO-SnakePanNet: Utiliza convoluciones dinámicas para detectar y seguir la estructura curva y delgada de las panículas. En las pruebas alcanzó un 94,4% de precisión media (mAP@50), superando en 3,6 puntos porcentuales al modelo de referencia YOLOv11 y reduciendo el cómputo necesario.
- BoT-SORT y Real-ESRGAN: Se emplean para rastrear las estructuras a lo largo del tiempo y mejorar la resolución de las imágenes capturadas.
- PanicleTimeMAE: Es el modelo temporal que analiza la secuencia de video y calcula las curvas de probabilidad para determinar el momento exacto de la floración.
Resultados y factores ambientales
Durante las pruebas realizadas en dos temporadas de cultivo con 100 variedades de arroz, la tecnología demostró un margen de error promedio de 1,35 cuadros (equivalente a 6,75 minutos) en imágenes tomadas cada cinco minutos durante 2024. En las evaluaciones con imágenes tomadas cada diez minutos en 2023, el error promedio fue de 1,31 cuadros, superando a otros modelos de procesamiento temporal.
El estudio también analizó la influencia del entorno en el desarrollo del cultivo. Se observó que una mayor radiación fotosintéticamente activa (PAR) adelanta el inicio de la antesis, mientras que los niveles elevados de humedad relativa y las lluvias la retrasan. Según los datos recopilados por los investigadores, los factores meteorológicos explicaron cerca del 64% de la variación en la floración, la variedad genética representó un 33,5% y el año del cultivo un 3%.
