Los modelos de aprendizaje automático pueden predecir con precisión la transpiración diaria de los cultivos utilizando mediciones directas de plantas y datos ambientales. Los hallazgos apuntan a futuras herramientas que podrían apoyar tanto la gestión del riego como la detección temprana del estrés vegetal.
Cuando se trata de riego, la diferencia entre “justo lo justo” y “demasiado” agua puede hacer que una estación sea decisiva o desintegrada.
Un nuevo estudio de la Universidad Hebrea de Jerusalem arroja luz sobre una dirección prometedora: un método de aprendizaje automático que predice el uso diario de agua de las plantas, utilizando datos de alta resolución que capturan cómo se comportan naturalmente las plantas sanas.
La investigación, liderada conjuntamente por los primeros autores Shani Friedman y Nir Averbuch bajo la supervisión del profesor Menachem Moshelion, reúne siete años de monitoreo continuo de plantas de tomate, trigo y cebada cultivadas en invernaderos semicomerciales.
Utilizando un sistema de lisimetría de celda de carga de alta precisión -tecnología que registra cambios sutiles en el peso de la planta- el equipo generó mediciones altamente precisas de la transpiración diaria, la evaporación del agua a través de las hojas que reflejan el uso de agua de la planta.
Al introducir estas mediciones en modelos como Random Forest y XGBoost, el estudio demostró que el aprendizaje automático puede predecir de forma fiable la transpiración diaria a partir de las condiciones ambientales y las características de las plantas. En pruebas independientes, el modelo XGBoost alcanzó un R² de 0,82, igualando estrechamente la transpiración medida incluso bajo condiciones climáticas diferentes y en instalaciones exteriores. Aunque actualmente los modelos se basan en datos de peso basados en lisímetros -tecnología que los productores no suelen utilizar en el campo- destacan un paso conceptual importante hacia herramientas de predicción impulsadas por plantas.
Dos factores destacaron especialmente importantes: la biomasa vegetal y la temperatura diaria. “Estas variables influyeron de forma constante en cuánto consumen las plantas”, dijo Friedman. “Entender cómo se espera que se comporte una planta sana y bien irrigada en un día dado también nos permite detectar cuando algo no va bien”.
Dado que el modelo predice lo que debe hacer una planta sana, los cambios inesperados en la transpiración pueden servir como señales tempranas de estrés, ya sea causado por sequía, salinidad, enfermedades, daños en las raíces u otras presiones ambientales. “Si una planta se comporta de forma diferente a lo que predice el modelo, esa desviación puede ser un indicador de un comportamiento anormal o insano de la planta”, añadió Friedman.
Averbuch, cuyo trabajo se centra en el riego de precisión, destacó el potencial a largo plazo. “Hoy en día, muchas decisiones de riego siguen basándose en estimaciones indirectas”, explicó. “Aunque este modelo aún no está listo para el campo, los hallazgos muestran cómo los sistemas futuros podrían incorporar predicciones fisiológicas para apoyar una programación de riego más precisa”.
El estudio se produce en un momento de creciente interés por la agricultura basada en datos, especialmente cuando los productores se enfrentan a una presión creciente por sequías, olas de calor y patrones climáticos fluctuantes. Aunque el enfoque aún no es una solución práctica desplegable en granjas, ofrece una visión de cómo el aprendizaje automático, la detección ambiental y la fisiología vegetal podrían acabar combinándose en herramientas que apoyen tanto la gestión del riego como el diagnóstico de tensiones.
Es importante destacar que el modelo funcionó bien cuando se probó en plantas cultivadas en otro invernadero de investigación, lo que sugiere que el enfoque podría adaptarse a climas y configuraciones de producción.
Para los agricultores, el mensaje es claro: el aprendizaje automático se está convirtiendo en algo más que una simple palabra de moda. En un futuro próximo, los modelos predictivos basados en el comportamiento real de las plantas pueden ayudar a identificar el estrés más temprano, apoyar mejores decisiones sobre el uso del agua y mejorar la resiliencia de los cultivos.
El artículo de investigación titulado “Integrating Load‐Cell Lysimetry and Machine Learning for Prediction of Daily Plant Transpiration”, ya está disponible en Planta, Célula y Medio Ambiente.
Investigadores:
Shani Friedman, Nir Averbuch, Tifferet Nevo y Menachem Moshelion.
Instituto de Ciencias Vegetales y Genética en Agricultura, Facultad Robert H. Smith de Agricultura, Alimentación y Medio Ambiente, Universidad Hebrea de Jerusalem.
