Redes Neuronales para Clasificar Plantas de Soja en Agricultura de Precisión
Este estudio sobre Redes neuronales para clasificar plantas de Soja en Agricultura de precisión proporciona herramientas de gestión de cultivos que impactan directamente en la rentabilidad y la sostenibilidad.
Innovación Agrotécnica: El Conteo de Plantas de Soja Mediante Inteligencia Artificial 🤖🌱
La eficiencia en el manejo agronómico de un cultivo como la soja Glycine max, un commodity global esencial para la alimentación y la industria, depende intrínsecamente de la toma de decisiones tempranas y precisas. En este contexto, la evaluación del rodal o conteo de plantas (stand count) es una métrica fundamental para verificar la calidad de la siembra y asegurar un potencial de rendimiento económicamente viable en la cosecha. Sin embargo, la agrimensura tradicional, basada en el muestreo manual in-situ, es notoriamente laboriosa, consume mucho tiempo y carece de la escalabilidad necesaria para la Agricultura de Precisión a gran escala. A pesar de los esfuerzos previos, las soluciones basadas en imágenes y visión por computadora han encontrado serias limitaciones, especialmente al abordar cultivos de alta densidad como la soja, donde el solapamiento del dosel dificulta la identificación individual.
El estudio adjunto aborda este desafío de frente, demostrando una metodología robusta y eficaz mediante el desarrollo de modelos de Redes neuronales para clasificar plantas de Soja en Agricultura de precisión. Esta investigación marca un avance significativo, ya que propone un enfoque de clasificación a nivel de parcela en lugar de la detección de objetos a nivel de planta, lo que ofrece una solución más precisa y computacionalmente eficiente para rodales densos.
🧭 Metodología: De la Adquisición de Datos a la Clasificación Inteligente
Para un ingeniero agroindustrial, la robustez de la metodología es lo que confiere credibilidad a los resultados. En primer lugar, el experimento se ejecutó en la Estación de Investigación Agrícola Ben Hur de la LSU en Luisiana, EE. UU. Se implementó un diseño de campo con parcelas de 1-m sembradas con la variedad Roundup Ready 2 Xtend. Además, y de manera crucial, se introdujo una variabilidad intencional en la densidad de plantas utilizando diferentes velocidades de siembra (4, 6 y 8 km/ h), lo cual es una práctica que simula las condiciones comerciales reales y genera variaciones de rodal que el modelo debe aprender a manejar9.
La captura de datos aéreos se realizó en tres etapas fenológicas clave de la soja: VC (hojas unifolioladas desenrolladas), V 1 (primera hoja trifoliolada) y V 2 (segunda hoja trifoliolada). La elección de estas etapas tempranas es estratégica, puesto que permite tomar decisiones oportunas de resiembra antes de que sea demasiado tarde para el desarrollo del cultivo.
Sensores y Resolución de Imágenes: Una Ventaja Competitiva
El estudio empleó dos tipos de sensores montados en un UAV (DJI Matrice 300 RTK:
-
Cámara RGB (DJI Zenmuse H 20): Ofreció una distancia de muestreo del suelo (GSD) de 0.5 cm. De hecho, esta alta resolución se convirtió en un factor determinante.
-
Cámara Multiespectral (MicaSense RedEdge-MX): Capturó imágenes en cinco bandas espectrales (Azul, Verde, Rojo, Borde Rojo, NIR), con una GSD de 1.0 cm.
Por otra parte, se generaron ortomosaicos mediante procesamiento fotogramétrico (SfM – Structure from Motion), un paso técnico indispensable para garantizar la precisión geométrica de las parcelas15.
Arquitectura de las Redes Neuronales y El Desafío de la Clasificación
A diferencia de los enfoques comunes que utilizan algoritmos complejos de Deep Learning para la detección de objetos (como YOLO), que consumen muchos parámetros y computación , este trabajo optó por una arquitectura de Perceptrón Multicapa (MLP), una forma de Redes neuronales para clasificar plantas de Soja en Agricultura de precisión. La clave fue transformar el problema de conteo continuo en un problema de clasificación discreta, donde el MLP se entrena para asignar cada parcela a una clase que representa un rango de conteo (de 10 a 25 plantas).
El conjunto de datos final, después de asegurar un equilibrio de clases (excluyendo parcelas con menos de 10 plantas), consistió en 220 parcelas, divididas en 70% para entrenamiento y 30% para pruebas, utilizando validación cruzada de 5 pliegues para evaluar la robustez del modelo. Finalmente, los inputs para el MLP fueron las características de los píxeles (canales RGB o las cinco bandas multiespectrales) extraídos de cada parcela de 1 m.
📈 Resultados Agroinformáticos: RGB Lidera por Resolución
Los modelos de Redes neuronales para clasificar plantas de Soja en Agricultura de precisión demostraron una alta eficacia con ambos tipos de imágenes.
| Métrica de Evaluación | Imágenes RGB | Imágenes Multiespectrales |
| Área bajo la curva (AUC) | 0.976 | 0.919 |
| Precisión de Clasificación (CA) | 0.758 | 0.667 |
| F1-Score | 0.747 | 0.642 |
Sin embargo, los resultados obtenidos con las imágenes RGB fueron consistentemente superiores, destacándose un AUC de $0.976$ y una Precisión de Clasificación de 0.758.
La Hipótesis de la Resolución
La principal explicación de esta ligera superioridad radica en la mayor resolución espacial de las imágenes RGB (GSD de 0.5 cm) en comparación con las multiespectrales (GSD de 1.0 cm). A pesar de que las cámaras multiespectrales capturan información vital para la salud de las plantas, la resolución inferior provoca una mezcla de píxeles de suelo y planta, un fenómeno conocido como pixel mixto. Por consiguiente, esta mezcla de información espectral complica la distinción de plantas individuales, un problema que se amplifica en parcelas de alta densidad y con solapamiento de dosel. No obstante, la resolución más fina del RGB mitiga este problema, permitiendo un mejor rendimiento en la identificación y el conteo en rodales muy poblados.
Un aspecto crucial es la capacidad de generalización del modelo. De hecho, el MLP fue entrenado simultáneamente con datos de las etapas VC, V 1 y V 2. Esto es, el modelo puede identificar plántulas a lo largo de diferentes fases de crecimiento sin requerir reajustes o reentrenamiento para cada etapa, ofreciendo una solución más robusta y versátil para aplicaciones en tiempo real.
🌾 Implicaciones para el Ingeniero Agroindustrial y la Agricultura de Precisión
Este estudio sobre Redes neuronales para clasificar plantas de Soja en Agricultura de precisión proporciona herramientas de gestión de cultivos que impactan directamente en la rentabilidad y la sostenibilidad.
1. Fiabilidad en Densidades Críticas
La fortaleza más significativa del modelo reside en su capacidad para clasificar rodales de alta densidad (hasta 25 plantas por metro) sin mostrar una tendencia de sesgo en la clasificación. Muchos modelos de detección de objetos tienden a subestimar los valores altos o sobreestimar los valores bajos, un problema que fue mitigado con este enfoque de clasificación por parcela.
2. Toma de Decisiones Oportuna
La precisión en el conteo temprano (etapas VC-V 2) permite a los productores evaluar la eficiencia de su sembradora y, además, decidir a tiempo sobre la necesidad de resiembra si el rodal inicial es subóptimo. La evaluación del rodal es el primer paso para determinar el rendimiento potencial y el correcto desarrollo fenológico.
3. Consideraciones Costo-Beneficio
Aunque las imágenes RGB demostraron ser más precisas para el conteo debido a su GSD superior , las cámaras multiespectrales ofrecen el valor agregado de la evaluación de la salud de la planta. En particular, los sensores multiespectrales capturan la información del NIR, crucial para índices de vegetación que detectan estrés o vigor no visibles al ojo humano. El ingeniero debe ponderar si el ligero aumento en la precisión del conteo con RGB justifica la pérdida de datos de vigor de la planta proporcionados por el NIR multiespectral.
4. Futuras Investigaciones
Por lo tanto, se requiere continuar la investigación para cuantificar el impacto económico de la clasificación errónea en el rendimiento de la soja y, así mismo, analizar los costos y beneficios de la resiembra frente a los costos de la tecnología de IA y el análisis de datos. En conclusión, la integración de las Redes neuronales para clasificar plantas de Soja en Agricultura de precisión con plataformas de alta cobertura como satélites y robots autónomos será el siguiente paso lógico para maximizar la eficiencia y la sostenibilidad de la producción sojera a nivel global. La escalabilidad de esta metodología es el principal atractivo para una gestión más avanzada y basada en datos. Para terminar, el estudio sienta un precedente sólido y fiable para el monitoreo no destructivo y a gran escala de rodales en el cultivo de soja, siendo una herramienta indispensable para el agrónomo moderno.