![\"raices-y-u-esxploracion-desde-drones-con-ia\"](\"https:\/\/www.madrimasd.org\/blogs\/universo\/wp-content\/blogs.dir\/42\/files\/397\/raices-y-u-esxploracion-desde-drones-con-ia.jpg\")
<\/p>\n<\/p>\n
Estudio de las ra\u00edces de las plantas mediante, observaci\u00f3n, drones, IA, Inteligencia Artificial<\/span>.<\/p>\n No suelo escribir sobre el lanzamiento de nuevas tecnolog\u00edas aplicadas a la agricultura y el suelo<\/strong> por varias razones<\/strong>.\u00a0 Una de ellas<\/strong> <\/span>estriba que, ante el auge de la tecnociencia y su descarada auto-propaganda, \u00a1nada es verdad ni es mentira, todo depende de quien lo diga! Del mismo modo, la mayor parte del surgimiento de nuevas tecnolog\u00edas, publicitadas a \u201cbombo y platillo\u201d en los medios de comunicaci\u00f3n, pasan pronto al limbo del olvido por no cumplir sus expectativas<\/strong>. Finalmente<\/strong><\/span>, muchas de ellas son onerosas, al menos en sus inicios, demandando de paso conocimientos t\u00e9cnico e instrumentales sofisticados, por lo que la inmensa mayor\u00eda de los campesinos no pueden hacer uso de las mismas, a no ser que sean adquiridas por servicio de extensi\u00f3n agraria gubernamentales o grandes cooperativas. Pero hoy haremos una excepci\u00f3n<\/strong><\/span>, por cuanto la noticia me ha llamado la atenci\u00f3n y puede incluso que termine siendo muy \u00fatil en la investigaci\u00f3n sobre crecimiento de las ra\u00edces de las plantas \u201cen general\u201d<\/strong><\/span>.\u00a0 Se trata de un prototipo<\/strong><\/span>, por lo que el tiempo dictar\u00e1 sentencia acerca de su eficiencia.<\/p>\n La nota de prensa y un art\u00edculo en acceso abierto nos informan que con el uso de drones e Inteligencia artificial, quiz\u00e1s, \u201calg\u00fan d\u00eda\u201d podemos conocer en tiempo real (o casi) el estado de las ra\u00edces de las plantas y sus necesidades del suelo en un momento dado (agua, fertilizantes y bla, bla, bla.)<\/strong><\/span>.<\/p>\n Reitero que, cuando le\u00e1is esta noticia, teng\u00e1is todo ello presente. Ojal\u00e1 cumpla sus expectativas, pero de momento es \u201cun sue\u00f1o, y los sue\u00f1os, sue\u00f1os son<\/em>\u201d. Empero no debemos hacernos ilusiones. Son muchas, demasiadas, las nuevas instrumentaciones que se lanzan as\u00ed, y luego son abducidas al m\u00e1s all\u00e1. Todo ello me recuerda al caso del c\u00e1ncer. Desde antes de que surgieran los ordenadores, han sido publicitados miles de f\u00e1rmacos que pod\u00edan curar tal o cual carcinoma, pero luego, en la pr\u00e1ctica, tan solo unos pocos terminan siendo \u00fatil para la humanidad.\u00a0 Hoy ser\u00e1 breve. Abajo ten\u00e9is la noticia traducida al espa\u00f1ol-castellano y el enlace para bajaros el art\u00edculo original.<\/p>\n Juan Jos\u00e9<\/strong><\/span><\/p>\n Continua\u2026\u2026.<\/em><\/span><\/p>\n <\/p>\n Root crops like cassava, carrots and potatoes are notoriously good at hiding disease or deficiencies which might affect their growth. While leaves may look green and healthy, farmers can face nasty surprises when they go to harvest their crops.<\/p>\n This also poses problems for plant breeders, who have to wait months or years before knowing how crops respond to drought or temperature changes. Not knowing what nutrients or growing conditions the crop needs early on also hinder crop productivity.<\/p>\n New research using machine learning and to help predict root growth and health with aboveground imagery was published June 14 in Plant Methods.<\/p>\n \u00abOne of the great mysteries for plant breeders is whether what is happening above the ground is the same as what’s happening below,\u00bb said Michael Selvaraj, a co-author from Alliance of Bioversity International and the CIAT.<\/p>\n \u00abThat poses a big problem for all scientists. You need a lot of data: plant canopy, height, other physical features that take a lot of time and energy, and multiple trials, to capture what is really going on beneath the ground and how healthy the crop really is,\u00bb said Selvaraj, a crop physiologist.<\/p>\n While drones are getting cheaper, and hardware for capturing physical images through crop trials has become easier, a major bottleneck has been in analyzing vast quantities of visual information. And, distilling it into useful data that breeders can make use of.<\/p>\n Using drone images, the Pheno-i platform<\/a> can now merge data from thousands of high-resolution images, analyzing them through machine learning to produce a spreadsheet. This shows scientists exactly how plants are responding to stimuli in the field in real-time.<\/p>\n Using the technology, breeders can now respond immediately, applying fertilizer if a particular nutrient is lacking, or water. The data also allows scientists to quickly discover which crops are more resistant to climate shocks, so they can advise farmers to grow more drought or heat-resilient varieties.<\/p>\n Por Staff Writers\u00b8Cali, Colombia (SPX) 18 de junio de 2020<\/em><\/span><\/p>\n Los cultivos de ra\u00edces como la yuca, las zanahorias y las papas son muy buenos para ocultar enfermedades o deficiencias que pueden afectar su crecimiento<\/em><\/strong>. Si bien las hojas pueden verse verdes y saludables, los agricultores pueden enfrentar sorpresas desagradables cuando van a cosechar sus cultivos<\/strong>.<\/em><\/span><\/p>\n Esto tambi\u00e9n plantea problemas para los fitomejoradores, que deben esperar meses o a\u00f1os antes de saber c\u00f3mo responden los cultivos a la sequ\u00eda o los cambios de temperatura<\/span><\/em><\/strong>. No saber qu\u00e9 nutrientes o condiciones de cultivo necesita el cultivo desde el principio tambi\u00e9n obstaculizan la productividad<\/strong> del cultivo.<\/em><\/span><\/p>\n El 14 de junio se public\u00f3 en Plant Methods una nueva investigaci\u00f3n que utiliza el aprendizaje autom\u00e1tico y para ayudar a predecir el crecimiento y la salud de las ra\u00edces con im\u00e1genes a\u00e9reas<\/strong>.<\/em><\/span><\/p>\n \u00abUno de los grandes misterios para los fitomejoradores es si lo que est\u00e1 sucediendo sobre el suelo es lo mismo que lo que sucede debajo\u00bb, dijo Michael Selvaraj, coautor de Alliance of Bioversity International y del CIAT.<\/em><\/span><\/p>\n \u00abEso plantea un gran problema para todos los cient\u00edficos<\/strong>. Se necesitan muchos datos<\/strong>: cubierta vegetal, altura, otras caracter\u00edsticas f\u00edsicas que requieren demasiado tiempo y energ\u00eda, y m\u00faltiples pruebas<\/strong>, a la hora de capturar lo que realmente est\u00e1 sucediendo bajo el suelo y si el cultivo resulta ser realmente saludable<\/strong> \u00ab, dijo Selvaraj, un fisi\u00f3logo de cultivos.<\/em><\/span><\/p>\n Si bien los drones se est\u00e1n volviendo m\u00e1s baratos, y el hardware para capturar im\u00e1genes f\u00edsicas a trav\u00e9s de pruebas de cultivo se ha vuelto m\u00e1s f\u00e1cil, un importante cuello de botella ha sido el an\u00e1lisis de grandes cantidades de informaci\u00f3n visual<\/em><\/strong>. Y, destilando en datos \u00fatiles que los criadores pueden utilizar.<\/em><\/span><\/p>\n Usando im\u00e1genes de drones<\/em><\/strong>, la plataforma Pheno-i ahora puede fusionar datos de miles de im\u00e1genes de alta resoluci\u00f3n, analiz\u00e1ndolas a trav\u00e9s del aprendizaje autom\u00e1tico<\/strong> para producir una hoja de c\u00e1lculo. Esto muestra a los cient\u00edficos exactamente c\u00f3mo las plantas est\u00e1n respondiendo a los est\u00edmulos en el campo en tiempo real<\/strong>.<\/em><\/span><\/p>\n Usando la tecnolog\u00eda, los criadores ahora pueden responder de inmediato<\/strong>, aplicando fertilizante si falta un nutriente en particular, o agua<\/strong>. Los datos tambi\u00e9n permiten a los cient\u00edficos descubrir r\u00e1pidamente qu\u00e9 cultivos son m\u00e1s resistentes a los choques clim\u00e1ticos<\/strong>, por lo que pueden aconsejar a los agricultores que cultiven variedades m\u00e1s resistentes a la sequ\u00eda o al calor<\/strong><\/span>.<\/em><\/p>\n \u00abWe’re helping breeders to select the best root crop varieties more quickly, so they can breed higher-yielding, more climate-smart varieties for farmers,\u00bb said Gomez Selvaraj.<\/p>\n \u00abThe drone is just the hardware device, but when linked with this precise and rapid analytics platform, we can provide useful and actionable data to accelerate crop productivity.\u00bb<\/p>\n The technology holds promise for other crops.<\/p>\n \u00abAutomated image analytical software and machine learning models developed from this study is promising and could be applied to other crops than cassava to accelerate digital phenotyping work in the alliance research framework,\u00bb said Joe Tohme, the Alliance research director for Crops for Nutrition and Health.<\/p>\n Video en YouTube<\/a><\/p>\n Research paper<\/a><\/p>\n \u00abEstamos ayudando a los responsables de seleccionar las mejores variedades de cultivos de ra\u00edces m\u00e1s r\u00e1pidamente<\/span><\/strong>, para que puedan reproducir variedades de mayor rendimiento e inteligentes para los agricultores\u00bb, dijo G\u00f3mez Selvaraj.<\/span><\/em><\/p>\n \u00abEl dron es solo el dispositivo de hardware, pero cuando se vincula con esta plataforma anal\u00edtica precisa y r\u00e1pida, podemos proporcionar datos \u00fatiles y procesables para acelerar la productividad de los cultivos<\/strong>\u00ab.<\/em><\/span><\/p>\n La tecnolog\u00eda es prometedora para otros cultivos<\/em><\/strong>.<\/em><\/span><\/p>\n \u00abEl software anal\u00edtico de imagen automatizado y los modelos de aprendizaje autom\u00e1tico desarrollados a partir de este estudio son prometedores<\/strong> y podr\u00edan aplicarse a otros cultivos adem\u00e1s de la yuca para acelerar el trabajo de fenotipado digital en el marco de investigaci\u00f3n de la alianza\u00bb, dijo Joe Tohme, director de investigaci\u00f3n de la Alianza para Cultivos para la Nutrici\u00f3n y la Salud.<\/em><\/span><\/p>\n El desconocimiento de los nutrientes o de las condiciones de crecimiento que el cultivo necesita desde el principio tambi\u00e9n dificulta la productividad de los cultivos<\/strong><\/p>\n Los\u00a0cultivos de ra\u00edces\u00a0como la mandioca, las zanahorias y las patatas son notoriamente buenos a la hora de ocultar enfermedades o deficiencias que podr\u00edan afectar a su crecimiento. Si bien las hojas pueden parecer verdes y sanas, los agricultores pueden enfrentarse a desagradables sorpresas cuando van a cosechar sus cultivos.<\/p>\n Esto tambi\u00e9n plantea problemas a los\u00a0fitomejoradores, que tienen que esperar meses o a\u00f1os antes de saber c\u00f3mo responden los cultivos a la sequ\u00eda o a los cambios de temperatura. El desconocimiento de los nutrientes o de las condiciones de crecimiento que el cultivo necesita desde el principio tambi\u00e9n dificulta la productividad de los cultivos.<\/p>\n Un art\u00edculo\u00a0publicado en la revista\u00a0Plant Methods<\/a>\u00a0presenta una nueva investigaci\u00f3n que utiliza el\u00a0aprendizaje autom\u00e1tico\u00a0(un tipo de\u00a0inteligencia artificial) y que ayuda a predecir el crecimiento y la salud de las ra\u00edces con im\u00e1genes remotas de la superficie.<\/p>\nAI goes underground: root crop growth predicted with drone imagery<\/strong><\/a>
\n<\/strong>by Staff Writers\u00b8Cali, Colombia (SPX) Jun 18, 2020<\/h1>\nLa Inteligencia Artificial (IA) pasa a la clandestinidad: el crecimiento del cultivo de ra\u00edces se predice con im\u00e1genes de drones<\/strong><\/span><\/h2>\n
Drones para predecir el crecimiento de las ra\u00edces de ciertos cultivos<\/a><\/h2>\n