Superación de dificultades en la segmentación de imágenes hiperespectrales de plantas con pequeñas áreas de...

Área de la Ciencia:

• Silvicultura
• Teledetección
• Fisiología Vegetal

Sus antecedentes:

• La segmentación de árboles individuales mediante imágenes hiperespectrales (HSI) es menos común que para los cultivos de campo.
• La evaluación de coníferas es vital para la silvicultura, requiriendo métodos no destructivos como HSI y fenotipado de alto rendimiento (HTP) para el tratamiento en etapas tempranas.
• Las agujas de coníferas plantean desafíos de segmentación debido a la resolución espacial y las proporciones de píxeles de borde, a diferencia de las hojas anchas.

Objetivo del estudio:

• Desarrollar un pipeline de procesamiento de imágenes hiperespectrales para la segmentación y el aislamiento de plántulas individuales de pino silvestre (Pinus sylvestris L.).
• Clasificar las plántulas en grupos distintos utilizando la agrupación K-means y evaluar su estado fisiológico.
• Diferenciar las plántulas de pino silvestre en función de su origen ecotípico durante el estrés hídrico utilizando el aprendizaje automático.

Principales métodos:

• Desarrollo de un pipeline de procesamiento de imágenes hiperespectrales para la segmentación de plántulas de pino silvestre.
• Aplicación de un algoritmo K-means para derivar 23 centroides hiperespectrales, clasificándolos en diez grupos distintos.
• Utilización de un modelo de clasificación Random Forest para diferenciar plántulas en función del origen bajo estrés hídrico y recuperación.

Principales resultados:

• Segmentación y aislamiento exitosos de plántulas individuales de pino silvestre a partir de datos hiperespectrales.
• Derivación y clasificación de centroides hiperespectrales, identificando diez grupos biológicamente distintos.
• El modelo Random Forest diferenció con precisión los orígenes de las plántulas durante los períodos de estrés hídrico y recuperación.

Conclusiones:

• La imagen hiperespectral combinada con el aprendizaje automático ofrece un enfoque poderoso para evaluar los estados fisiológicos de las plántulas de coníferas.
• Esta metodología muestra un potencial significativo para aplicaciones en la investigación de la fisiología de árboles forestales y programas de mejora de árboles.
• El pipeline desarrollado permite la evaluación no destructiva y de alto rendimiento, crítica para el manejo de coníferas en etapas tempranas.