![\"raices-in-stitu-estimacion\"](\"https:\/\/www.madrimasd.org\/blogs\/universo\/wp-content\/blogs.dir\/42\/files\/397\/raices-in-stitu-estimacion.jpg\")
<\/p>\n<\/p>\n
Fuente Colaje im\u00e1genes Google<\/span><\/p>\n La noticia que os ofrecemos hoy no es precisamente la mejor elecci\u00f3n para un bloguero \u201csin precisi\u00f3n\u201d, como soy yo. Sin embargo, os puede interesar a muchos de vosotros. Realmente el estudio, desde un punto de vista acad\u00e9mico parece interesante, por cuanto estimar in situ la longitud de las ra\u00edces es realmente importante. Ahora bien<\/strong>, ya se trate de t\u00e9cnicas in situ o no, las im\u00e1genes no permiten ofrecer la genuina morfolog\u00eda de las ra\u00edces de las plantas<\/strong>, sino de algunas instant\u00e1neas de secciones bidimensionales seleccionadas. \u00a1Y no es lo mismo<\/strong>!<\/span> Entendiendo que tal nueva metodolog\u00eda atesora valor, no logro visualizar mentalmente en mi cabeza todas las impresionantes aplicaciones que vocean sus autores. EL Colaje de im\u00e1genes que antecede a esta entradilla es, de hecho, ilustrativo de lo que decimos. Sin embargo, quiz\u00e1s, pasito a pasito\u2026\u2026 Empero volviendo a las im\u00e1genes del colaje \u00abel fenotipo radicular\u00bb del que hablan sus autores en absoluto<\/span><\/strong>. M\u00e1s pasitos, por favor, y menos propaganda.<\/p>\n Os dejo pues con la noticia y algunos p\u00e1rrafos del estudio cient\u00edfico original.<\/p>\n Juan Jos\u00e9 Ib\u00e1\u00f1ez<\/strong><\/span><\/p>\n Contin\u00faa\u2026\u2026<\/em><\/p>\n <\/p>\n Investigaci\u00f3n de fenotipado de ra\u00edces: estimaci\u00f3n automatizada de la longitud total de la ra\u00edz a partir de im\u00e1genes in situ sin segmentaci\u00f3n<\/strong><\/a><\/p>\n por TranSpread DOI: 10.34133\/plantphenomics.0132<\/p>\n El estr\u00e9s del cambio clim\u00e1tico limita severamente los rendimientos de los cultivos, y los rasgos de las ra\u00edces juegan un papel vital en la tolerancia al estr\u00e9s<\/strong>, lo que destaca la importancia del fenotipado de las ra\u00edces para la mejora de los cultivos<\/strong>. Los avances recientes en el fenotipado radicular basado en im\u00e1genes, particularmente a trav\u00e9s de la t\u00e9cnica de minirizotr\u00f3n (MR), ofrecen informaci\u00f3n sobre la din\u00e1mica de las ra\u00edces bajo estr\u00e9s. Sin embargo<\/strong>, la naturaleza manual y subjetiva del an\u00e1lisis de im\u00e1genes de RM plantea importantes desaf\u00edos.<\/p>\n Esto pone de relieve la necesidad de contar con sistemas y herramientas de imagen automatizados para agilizar y objetivar el proceso<\/strong>, mejorando la eficiencia y la objetividad del fenotipado de la ra\u00edz.<\/p>\n En enero de 2024, Plant Phenomics<\/em> public\u00f3 un art\u00edculo de investigaci\u00f3n titulado \u00abEstimaci\u00f3n autom\u00e1tica de la longitud de la ra\u00edz a partir de im\u00e1genes adquiridas in situ sin segmentaci\u00f3n<\/a>\u00ab. Este estudio avanza en el campo del fenotipado radicular mediante la adaptaci\u00f3n de modelos basados en redes neuronales convolucionales para estimar la longitud total de la ra\u00edz (TRL) a partir de im\u00e1genes de RM sin necesidad de segmentaci\u00f3n<\/strong>.<\/p>\n Utilizando anotaciones manuales del software Rootfly<\/strong>, los investigadores exploraron un modelo basado en la regresi\u00f3n y un modelo basado en la detecci\u00f3n que identifica puntos ra\u00edz anotados, y este \u00faltimo ofrece una capacidad de inspecci\u00f3n visual de las im\u00e1genes de RM.<\/p>\n Los modelos se probaron rigurosamente en 4.015 im\u00e1genes de diversas especies de cultivos bajo diversos estreses abi\u00f3ticos, demostrando una alta precisi\u00f3n<\/strong> (R2<\/sup> valores entre 0,929 y 0,986) en la estimaci\u00f3n de TRL en comparaci\u00f3n con las mediciones manuales. Esta precisi\u00f3n subraya el potencial de nuestro enfoque<\/strong> para mejorar significativamente la eficiencia y confiabilidad del fenotipado de ra\u00edces<\/strong>.<\/p>\n Los resultados del estudio indican que el modelo basado en la detecci\u00f3n generalmente supera al modelo de regresi\u00f3n, particularmente en conjuntos de datos desafiantes, al incorporar informaci\u00f3n adicional de coordenadas ra\u00edz. Este hallazgo es fundamental para los conjuntos de datos de im\u00e1genes de alta calidad, donde la estimaci\u00f3n automatizada de TRL sigue siendo s\u00f3lida.<\/p>\n Adem\u00e1s, los investigadores realizaron un an\u00e1lisis de sensibilidad<\/strong> para resaltar el impacto de la calidad de la imagen y el tama\u00f1o del conjunto de datos en el rendimiento del modelo, revelando la influencia significativa de la calidad de la imagen. La capacidad de los modelos para diferenciar entre im\u00e1genes con y sin ra\u00edces, con un margen de error m\u00ednimo, ilustra a\u00fan m\u00e1s su utilidad pr\u00e1ctica en la agricultura de precisi\u00f3n al permitir el monitoreo <\/strong>en tiempo real<\/strong><\/a> del crecimiento de las ra\u00edces<\/strong>.<\/p>\n Luego, el an\u00e1lisis se ampli\u00f3 para evaluar los c\u00e1lculos de densidad de longitud de ra\u00edces (RLD), lo que demuestra la efectividad de los modelos para capturar los patrones de distribuci\u00f3n de ra\u00edces en el suelo, lo cual es vital para comprender la extracci\u00f3n de agua y nutrientes<\/strong>. La capacidad de los modelos para rastrear la din\u00e1mica de las ra\u00edces a lo largo del tiempo, incluida la identificaci\u00f3n de la desaparici\u00f3n de las ra\u00edces, destaca su potencial para informar las decisiones agr\u00edcolas oportunas con respecto al manejo del agua y los nutrientes<\/strong>.<\/p>\n En conclusi\u00f3n, esta investigaci\u00f3n presenta un enfoque innovador para el fenotipado de ra\u00edces, que ofrece herramientas robustas y automatizadas para la estimaci\u00f3n de TRL a partir de im\u00e1genes de RM, lo que facilita la evaluaci\u00f3n r\u00e1pida y precisa de los patrones de crecimiento de las ra\u00edces. Este avance es muy prometedor para mejorar las pr\u00e1cticas de agricultura de precisi\u00f3n<\/strong>, lo que permite a los productores tomar decisiones informadas basadas en informaci\u00f3n detallada sobre el crecimiento de las ra\u00edces.<\/p>\n M\u00e1s informaci\u00f3n:<\/strong> Faina Khoroshevsky et al, Estimaci\u00f3n autom\u00e1tica de la longitud de la ra\u00edz a partir de im\u00e1genes adquiridas in situ sin segmentaci\u00f3n, Plant Phenomics<\/em> (2023). DOI: 10.34133\/plantphenomics.0132<\/a><\/p>\n <\/p>\n