Aprendizaje por transferencia para mejorar la generalización en la predicción de la fecha de madurez de la soja mediante imágenes de drones | JoVE Visualize

Área de la Ciencia:

Ciencia Agrícola
Mejora de Plantas
Teledetección

Sus antecedentes:

La fenotipificación precisa es crucial para la mejora eficiente de cultivos, especialmente para la soja (Glycine max (L.) Merr.).
El grupo de madurez impacta significativamente la adaptación y el potencial de rendimiento de la soja, lo que requiere una evaluación precisa de la fecha de madurez.
El aprendizaje por transferencia ofrece un enfoque prometedor para generalizar modelos predictivos en diversos entornos.

Objetivo del estudio:

Evaluar la efectividad de las técnicas de aprendizaje por transferencia para predecir las fechas de madurez de la soja.
Mejorar la generalización de los modelos utilizando datos históricos para nuevos ensayos de mejora.
Evaluar el impacto del tamaño de la muestra de ajuste fino en la precisión de la predicción.

Principales métodos:

Se utilizaron imágenes multiespectrales de vehículos aéreos no tripulados (UAV) recolectadas en cinco ensayos de mejora de soja (2018-2021).
Se emplearon siete características de imagen como predictores para los modelos de predicción de la fecha de madurez.
Se compararon tres técnicas de aprendizaje por transferencia: preentrenamiento y ajuste fino, adaptación de dominio de una sola fuente y adaptación de dominio de múltiples fuentes.

Principales resultados:

La técnica de aprendizaje por transferencia de preentrenamiento y ajuste fino logró la mayor precisión de predicción (R² = 0.74 y 0.79).
Los modelos demostraron una fuerte concordancia con las evaluaciones visuales de madurez, con errores cuadráticos medios de 1.70 y 1.96 días.
El número de muestras de ajuste fino tuvo un efecto insignificante en la precisión de la predicción para nuevos conjuntos de datos.

Conclusiones:

El aprendizaje por transferencia, en particular el preentrenamiento y ajuste fino, generaliza eficazmente los modelos de predicción de madurez de la soja a nuevos entornos.
Este enfoque proporciona un marco valioso para utilizar datos acumulados para mejorar las aplicaciones prácticas de aprendizaje profundo en la mejora de cultivos.
Los hallazgos respaldan el uso de datos históricos e imágenes aéreas para una selección robusta y eficiente de cultivares de soja.