Detección indirecta de parámetros fitosanitarios, fenológicos y productivos del cultivo de ají Cayenne mediante el uso de plataformas de fenotipado e inteligencia artificial
Tipo de contenido
Trabajo de grado - Maestría
Idioma del documento
EspañolFecha de publicación
2023-11Resumen
El ají (Capsicum annuum L.) es un cultivo relevante a nivel mundial, el cual en Colombia en los últimos años se ha convertido en una alternativa productiva debido a sus usos culinarios, propiedades medicinales y potencial de exportación. Sin embargo, este sistema productivo presenta limitantes productivos y tecnológicos, en especial enfrenta desafíos fitosanitarios, como el marchitamiento vascular (MV) asociado al agente causal Fusarium sp. Igualmente, aspectos asociados a la variabilidad del clima afectan la fenología de las plantas y los parámetros productivos, como el número de frutos, lo cual hace que se incremente la incertidumbre en las inversiones y la sostenibilidad en los sistemas agrícolas. En los últimos años se ha incrementado la capacidad de poder adquirir múltiples variables respuesta de forma masiva a nivel de plantas mediante un concepto denominado fenotipado de alto rendimiento (HTPP), la cual presenta múltiples aplicaciones, incluidas conocer y caracterizar las respuestas a fuentes de estrés bióticas y abióticas, parámetros fenológicos y productivos. Este enfoque, representa minería de rasgos fenotípicos y requiere métodos avanzados de análisis de datos como las herramientas de inteligencia artificial para la identificación de rasgos fenotípicos de mayor importancia a partir del uso de métodos como el aprendizaje automático (machine learning) y aprendizaje profundo (deep learning). El objetivo de nuestro trabajo fue detectar indirectamente parámetros fitosanitarios (MV), fenológicos (PF) y productivos (PP) del cultivo de ají Cayenne utilizando plataformas de fenotipado e inteligencia artificial. En un lote comercial de ají, el área de estudio fue de 1.145 m2 divididas en 96 parcelas iguales, midiendo 3 plantas por parcela, y registrando periódicamente múltiples rasgos fotosintéticos usando el sensor proximal MultispeQ. Igualmente se evaluaron las respuestas espectrales en tres etapas del ciclo del cultivo utilizando un Vehículo Aéreo no Tripulado (VANT) de tipo DJI Phantom 4 con una cámara multiespectral acoplada con 5 bandas. Estas bandas, incluyen el espectro visible (RGB) junto con la banda del infrarrojo cercano (NIR) y, la banda de borde rojo (RE). Se utilizó la función AutoML para evaluar diferentes modelos de aprendizaje automático (ML) y un enfoque de aprendizaje profundo (DL) para detectar la MV y predecir la fenología y el número de frutos. Los resultados mostraron que los rasgos fotosintéticos, espectrales y geométricos como Fv/Fm, NPQt, LDT, RelaChlo, Phi2, geometría del dosel, EVI, NDRE, CIRE y la banda de borde rojo fueron los más informativos y de mayor importancia para detectar la MV en el ají. Por su parte, para la estimación de PF y PP, los rasgos de mayor importancia fueron gH+, RelaChlo, PS1ActCent, FoPrime, EVI, VARI, CIrededge y CIRE. El enfoque basado en ML y el DL, demostró ser eficiente en la identificación de rasgos fotosintéticos clave que permiten la detección de MV y estimación de PF y PP. El presente trabajo presenta un avance relevante en aras de la implementación y validación de herramientas de agricultura 4.0, como base para mejorar las decisiones basadas en evidencia. (Texto tomado de la fuente)Abstract
Chili pepper (Capsicum annuum L.) is a valuable crop around the world, and in Colombia, it has recently emerged as a viable alternative due to its culinary applications, medicinal benefits, and export potential. However, this production system has productivity and technological limits, particularly when dealing with phytosanitary issues such as vascular wilt (VW) caused by the causative agent Fusarium sp. Similarly, climate variability affects plant phenology and production parameters, such as fruit yield, increasing the uncertainty of investment and sustainability in agricultural systems. In recent years, the ability to collect multiple response variables at the plant level has increased thanks to a concept known as high-throughput phenotyping (HTPP), which has a variety of applications, including understanding and characterizing responses to biotic and abiotic stress sources, as well as phenological and yield parameters. This strategy is known as phenotypic trait mining, and it involves advanced data analysis methods such as artificial intelligence tools to identify phenotypic traits of major importance using methods such as machine learning and deep learning. Our study aimed to use phenotyping and artificial intelligence platforms to indirectly detect phytosanitary (VW), phenological (PF), and productive (PP) factors in the Cayenne chili pepper crop. The study area in a commercial chili pepper plot was 1,145 m2 , divided into 96 identical plots, with three plants per plot and several photosynthetic traits recorded at regular intervals using the MultispeQ proximal sensor. Spectral responses were also assessed at three stages of the crop cycle using a DJI Phantom 4 Unmanned Aerial Vehicle (UAV) equipped with a multispectral sensor and 5 bands of light. These bands comprise the visible spectrum (RGB), near infrared (NIR), and rededge band (RE). The AutoML function was used to assess various machine learning (ML) models and a deep learning (DL) technique for detecting MV, predicting phenology, and fruit number. The results revealed that photosynthetic, spectral, and geometric features such as Fv/Fm, NPQt, LDT, RelaChlo, Phi2, canopy geometry, EVI, NDRE, CIRE, and red-edge band were the most informative and important for detecting MV in chili pepper. For FP and PP estimation, the most essential traits were gH+, RelaChlo, PS1ActCent, FoPrime, EVI, VARI, CIrededge, and CIRE. The ML and DLbased technique demonstrated to be efficient in identifying important photosynthetic traits that allow for MV detection and PF and PP quantification. The current effort represents a significant step forward in the application and validation of agriculture 4.0 tools as a foundation for better evidencebased decision-making.Palabras clave
Fotosíntesis ; Marchitez Vascular ; Fenología ; Componentes de rendimiento ; Fenotipado de alto rendimiento ; Machine learning ; Deep learning ; Número de frutos ; Aprendizaje automático ; Aprendizaje profundo ; Agricultura 4.0. ; Photosynthesis ; Vascular wilt ; Phenology ; Number of fruits ; High-throughput phenotyping ; Machine learning ; Deep learning ; Agriculture 4.0 ;
Descripción Física/Lógica/Digital
Ilustraciones, fotografías, tablas
Colecciones
![Atribución-NoComercial-SinDerivadas 4.0 Internacional](/themes/Mirage2//images/creativecommons/cc-generic.png)