Un nuevo marco de aprendizaje profundo para la predicción del rendimiento del trigo a escala de campo | JoVE Visualize

Área de la Ciencia:

Ciencia Agrícola
Aprendizaje Automático
Teledetección

Sus antecedentes:

Las tecnologías de detección proximal proporcionan un monitoreo rápido y no destructivo de los cultivos utilizando índices de vegetación espectral.
La predicción precisa del rendimiento del trigo antes de la cosecha es crucial para los programas de manejo y mejoramiento agrícola.

Objetivo del estudio:

Desarrollar y evaluar una red neuronal profunda optimizada por algoritmo genético para la predicción del rendimiento del trigo a escala de campo.
Comparar el rendimiento del modelo de aprendizaje profundo propuesto con los algoritmos de aprendizaje automático tradicionales.

Principales métodos:

Se utilizaron datos de detección proximal que incluyen el Índice de Vegetación de Diferencia Normalizada (NDVI), la Temperatura del Dosel (CT) y la Altura de la Planta (PH).
Se desarrolló una Red Neuronal Profunda (DNN) optimizada mediante un Algoritmo Genético (GA).
El modelo se entrenó y validó en 3350 genotipos diversos de trigo en condiciones de riego y secano.

Principales resultados:

La DNN optimizada por GA superó significativamente a la Regresión de Bosques Aleatorios (RFR), LASSO y SVR en la predicción del rendimiento del trigo.
Las mediciones de NDVI en cinco etapas de crecimiento demostraron un fuerte poder predictivo (R² ≥ 60% regado, R² ≥ 50% secano).
La regresión de bosques aleatorios identificó características clave que influyen en la predicción del rendimiento del grano.

Conclusiones:

Una DNN optimizada por GA que utiliza datos de detección proximal ofrece una solución robusta y escalable para la predicción precisa del rendimiento del trigo.
Este enfoque representa la primera aplicación de DNN optimizada por GA con detección proximal para la predicción del rendimiento de cultivos en la agricultura india.
El modelo apoya la selección eficiente de genotipos y contribuye a los objetivos de desarrollo sostenible a través de una mejor estimación del rendimiento.