Aprendizaje por transferencia para mejorar la generalización en la predicción de la fecha de madurez de la soja...

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.