Una arquitectura de aprendizaje profundo para la predicción del potencial de agua de las hojas en Populus...

Área de la Ciencia:

• Fisiología vegetal Fisiología vegetal
• La teledetección es la sensorización remota.
• Aprendizaje automático Aprendizaje automático Aprendizaje automático

Sus antecedentes:

• El potencial hídrico de las hojas (Ψleaf) es crucial para evaluar el estado del agua de los árboles y el estrés por sequía.
• Los métodos de medición actuales son intensivos en mano de obra y destructivos.
• Las técnicas hiperespectrales ofrecen una estimación no destructiva, pero se enfrentan a desafíos como el desequilibrio de los datos y la extracción de características.

Objetivo del estudio:

• Desarrollar un robusto marco de aprendizaje profundo para una estimación precisa y no destructiva del potencial de agua de las hojas (Ψleaf) a partir de datos hiperespectrales.
• Abordar las limitaciones de los métodos existentes, incluida la escasez de datos y la necesidad de un análisis de características integrado.

Principales métodos:

• Propuso un marco de aprendizaje profundo condicional (CIDL) que integra una red adversa generativa condicional (CGAN) para el aumento de datos.
• Empleado un Inception-ResNet con ACmix (IRAC) extractor de características para el análisis conjunto de dependencia espectral local y de largo alcance.
• Utilizó una red de regresión consciente de la distribución (DARN) para modelar la distribución de la variable objetivo y mejorar la confiabilidad.

Principales resultados:

• El marco CIDL logró una alta precisión de predicción (R2 = 0,78, RMSE = 0,27 MPa) en un conjunto de pruebas de hojas de *Populus euramericana*.
• Superó el rendimiento de los enfoques tradicionales de aprendizaje automático (R2 promedio = 0,66) y los enfoques generales de aprendizaje profundo (R2 promedio = 0,76).
• Demostró una mayor robustez con la adición de 500 muestras sintéticas generadas por CGAN.

Conclusiones:

• El marco CIDL ofrece una solución generalizable para el análisis hiperespectral fisiológico de pequeñas muestras.
• Proporciona un método confiable y no destructivo para monitorear el estrés hídrico de los árboles.
• Tiene un gran potencial para aplicaciones en la gestión forestal inteligente.