Drones e inteligencia artificial para estimar el rendimiento del sorgo

Un grupo de científicos encabezado por N. Ace Pugh, del Laboratorio de Investigación de Sistemas de Cultivo del USDA-ARS en Lubbock, Texas, evaluó el uso combinado de aeronaves no tripuladas y modelos de inteligencia artificial para estimar el rendimiento de grano en cultivos de sorgo. El sorgo es un cereal fundamental a nivel global, de gran importancia en regiones áridas y semiáridas, utilizado para la alimentación humana, el forraje ganadero y la elaboración de productos sin gluten.

En los programas de mejoramiento genético, seleccionar los mejores genotipos requiere datos precisos sobre la cosecha. Tradicionalmente, la recolección de estas métricas se realiza mediante muestreos manuales o cosechadoras de prueba, métodos que resultan costosos, lentos y demandan mucha mano de obra. Para buscar una alternativa más eficiente, el estudio analizó cerca de 1.820 parcelas de dos hileras situadas en tres entornos del estado de Texas durante las campañas 2023 y 2024.

Imágenes aéreas y detección con redes neuronales

Durante la investigación, los drones capturaron fotografías de alta resolución en espectro visible (RGB) entre una y dos semanas antes de la cosecha. A partir de ese material, los investigadores midieron la cobertura del dosel vegetal, la altura de las plantas, la textura y diversos índices de vegetación, como el NDVI y el denominado Excess Green (ExG).

Para contar y medir las estructuras del cultivo, implementaron un algoritmo detector de panojas llamado YOLO-SORG, basado en la arquitectura YOLOv11. Este modelo fue entrenado con 1.119 imágenes que contenían alrededor de 25.000 panojas delimitadas manualmente, alcanzando un 68,2% de precisión y un 63,1% de exhaustividad (recall), registrando su mejor desempeño en la época 86 del entrenamiento.

La cobertura del dosel superó al conteo de panojas

El procesamiento de los datos recopilados se realizó mediante seis modelos de aprendizaje automático. El hallazgo más llamativo del trabajo fue que los modelos configurados únicamente con datos de la cobertura del dosel vegetal, o aquellos que combinaron el dosel con métricas de la panoja, arrojaron los mejores resultados, alcanzando valores de coeficiente de determinación (R²) de entre 0,74 y 0,76.

En cambio, los algoritmos basados exclusivamente en la información de las panojas mostraron una capacidad de predicción sensiblemente menor, con un R² situado entre 0,28 y 0,42. Además, la incorporación de los datos de las panojas no mejoró la precisión general cuando ya se contaba con los datos del dosel.

Según explicaron los investigadores, la toma de imágenes aéreas en perspectiva cenital (desde arriba) no siempre logra captar adecuadamente la morfología de la panoja. Esto ocurre en particular cuando las estructuras se superponen entre sí o cuando los granos presentan coloraciones más claras, lo que dificulta la identificación automática por parte de la red neuronal.

Efectividad de los modelos en la selección genotípica

El estudio analizó si las estimaciones servían para ordenar y clasificar genotipos dentro de un programa de mejoramiento hipotético. En este aspecto, los modelos de regresión regularizada (como RR, EN y LR) demostraron una repetibilidad de entre 0,59 y 0,60, superando los registros obtenidos por algoritmos como Random Forest (0,51), XGBoost (0,44) y Support Vector Regression (0,39).

Si bien la mayoría de los métodos mantuvo un ordenamiento coherente de los cultivos, el modelo SVR presentó un error relevante al ubicar a uno de los diez genotipos de mejor rendimiento dentro del 50% inferior de la tabla. Los autores concluyeron que los modelos simples y regularizados resultan ventajosos debido a que igualan el desempeño de métodos más complejos basados en árboles de decisión a nivel de parcela, ofreciendo patrones de varianza y repetibilidad más consistentes.