Fenotipado de campo para la tolerancia a la densidad de la soja mediante modelado dinámico y predicción de series...

Área de la Ciencia:

• Ciencia Agrícola
• Mejoramiento Genético de Plantas
• Aprendizaje Automático en Agricultura

Sus antecedentes:

• La creciente demanda mundial de alimentos requiere variedades de soja resistentes a la siembra densa para obtener rendimientos altos y estables.
• El fenotipado tradicional carece de resolución temporal, lo que dificulta el análisis de las relaciones entre el desarrollo del dosel y la estabilidad del rendimiento.
• Los modelos de aprendizaje automático existentes a menudo pasan por alto las dependencias temporales, lo que limita la interpretabilidad biológica en las predicciones de series temporales.

Objetivo del estudio:

• Desarrollar un enfoque innovador que integre el aprendizaje profundo espaciotemporal y el modelado dinámico para cuantificar los cambios en los parámetros del dosel.
• Revelar los mecanismos reguladores clave de los rasgos asociados con la resistencia de la soja a la siembra densa utilizando fenotipado de alto rendimiento con drones.
• Establecer un marco de análisis fenotípico interpretable y de alta precisión para la selección de variedades de soja resistentes a la siembra densa.

Principales métodos:

• Se llevó a cabo un experimento de campo de dos años en el noreste de China con tratamientos de densidad alta (50 millones de plantas/ha) y baja (30 millones de plantas/ha) en 208 variedades de soja.
• Se adquirieron imágenes multiespectrales de drones (15-18 veces/temporada) y datos de referencia para desarrollar un modelo de predicción de series temporales para el Índice de Área Foliar (IAF) utilizando Redes Residuales Espaciotemporales (ST-ResNet).
• Se extrajeron 15 rasgos intermedios de las curvas de series temporales ajustadas (IAF, Cobertura del Dosel, Altura de la Planta) utilizando P-spline, y se analizaron las correlaciones de rasgos con el índice de rendimiento de siembra densa (ΔRendimiento) utilizando modelos mixtos y SHAP.

Principales resultados:

• El modelo ST-ResNet logró una precisión superior en la predicción del IAH (R² = 0.90, RMSE = 0.23 m²/m²), capturando eficazmente la dinámica continua del crecimiento del dosel.
• El rasgo intermedio ΔMean_IAH-mid mostró la mayor correlación (r = 0.51) con el índice de rendimiento de siembra densa (ΔRendimiento).
• El fenotipado de alto rendimiento basado en drones permitió la selección eficiente de 208 variedades anualmente, superando significativamente los métodos tradicionales.

Conclusiones:

• La integración del aprendizaje profundo espaciotemporal con el modelado dinámico de rasgos mejora significativamente la continuidad temporal y la estabilidad de la estimación del IAF.
• Este enfoque permite la cuantificación precisa de las tasas de desarrollo del dosel y el análisis sistemático de su influencia en la resistencia a la siembra densa.
• El estudio proporciona un marco interpretable y de alta precisión para seleccionar eficazmente variedades de soja resistentes a la siembra densa, crucial para la futura seguridad alimentaria.