Tomoaki Yamaguchi Translating Crop Production Science.

Líneas de investigación

01

Perfil

Tomoaki Yamaguchi

Tomoaki Yamaguchi

山口 友亮

Profesor asistente, Facultad de Ciencias Biológicas Aplicadas, Universidad de Gifu

Traducir la ciencia de los cultivos
con teledetección e inteligencia artificial
y llevarla a los agricultores.

Arroz / Teledetección / IA / Traducción del conocimiento

Gracias por su visita. Muchos hallazgos de la ciencia de los cultivos se quedan en los artículos y nunca llegan a los agricultores que podrían aprovecharlos. Con drones, sensores espectrales y aprendizaje automático (incluida la inteligencia artificial explicable, o XAI), desarrollamos sistemas para seguir el crecimiento de los cultivos y modelos para predecir el rendimiento del arroz y de otros cultivos. Nuestro objetivo es traducir ese conocimiento a formas que los agricultores puedan usar de verdad. Para llevar al campo los resultados de análisis complejos, unimos la investigación y la práctica de maneras concretas, desde los modelos de lenguaje de gran tamaño (LLM) hasta aplicaciones web gratuitas que cualquiera puede usar.

Trayectoria y formación

  • Desde 2024
    Profesor asistente Facultad de Ciencias Biológicas Aplicadas, Universidad de Gifu
  • 2024.2
    Investigador visitante Centro Leibniz de Investigación del Paisaje Agrícola (ZALF), Alemania
  • 2022–24
    Investigador becario DC2 Sociedad Japonesa para la Promoción de la Ciencia (JSPS)
  • 2021–24
    Doctorado en Agricultura Universidad de Agricultura y Tecnología de Tokio
  • 2019–21
    Máster en Agricultura Universidad de Agricultura y Tecnología de Tokio
  • 2015–19
    Grado en Agricultura Universidad de Agricultura y Tecnología de Tokio

Lo que motiva mi investigación

Contribuir a mantener las culturas alimentarias

He visitado países de África y del sudeste asiático y he conocido culturas alimentarias muy diversas. En el laboratorio internacional al que pertenecí durante seis años como estudiante, también tuve muchas ocasiones de probar los platos que traían los estudiantes extranjeros. A menudo me sorprenden los sabores que se aprecian en cada lugar. Con los años he ido comprobando cuánto varía de una región a otra lo que la gente quiere seguir comiendo.

  • Injera enrollada en una cesta
    EtiopíaInjeraLa comí en un restaurante etíope en Camboya. Extremadamente ácida. Cuesta creer que sea un alimento básico.
  • Ugali en un plato, junto a un cuenco de sukuma wiki (verduras de hoja cocinadas)
    KeniaUgali y sukuma wikiPesado. Cuesta tragarlo. Me dijeron que los jóvenes, como era de esperar, prefieren cada vez más el arroz.
  • Arroz jollof con un guiso de verduras
    GhanaArroz jollofUn estudiante de Ghana lo comía a menudo. Delicioso.
  • Platos de pescado y sopas en la mesa
    CamboyaPescado y sopasÁcido, dulce, amargo y picante, todo a la vez. Un revoltijo.
  • Ingredientes para rollitos frescos en la mesa
    VietnamRollitos frescosUn estudiante de Vietnam organizó una reunión para enrollarlos con los ingredientes que cada uno quisiera. Divertido. Ligero. Delicioso.
  • Pad thai con gambas, acompañado de brotes de soja, cebollino chino, flor de plátano y lima
    TailandiaPad thaiPica, pero está buenísimo. En Tailandia, los puestos callejeros ofrecen de todo ya desde por la mañana. Casi todo pica, y eso duele un poco.
  • Biryani con huevos duros
    IndiaBiryaniBuenísimo. En la India, todo sabe a curry, no solo el biryani. La gente come con la mano derecha. Es porque la izquierda se considera impura, pero un profesor de allí me dijo que es para implicarse por completo en el acto de comer.
  • Un plato de comedor con arroz, carne con hueso y chucrut
    AlemaniaChucrutRefresca el paladar, así que se agradece que esté ahí.

Todas las personas que conocí en esos lugares sentían apego por su propia comida. Por eso quiero aumentar la productividad de un modo que dé continuidad a la cultura alimentaria de cada país y región.

AgronomíaInformáticaAntropologíacultural
02

Métodos

Tutoriales, vídeos y herramientas para analizar datos en la ciencia de los cultivos. Cualquier persona puede usarlos libremente.

03

Recursos

04

Publicaciones

2026 Field Crops Research

Understanding rice yield gaps with crop modeling and machine learning in a long-term continuous cropping experiment

Yamaguchi T., et al.

Cuantificó la brecha de rendimiento del arroz (la diferencia entre el rendimiento real y el alcanzable) e identificó sus causas con datos de un ensayo de cultivo continuo de larga duración.

Figura que resume las causas de la brecha de rendimiento y cómo reducirla
Resumen gráfico de Yamaguchi et al. (2026), CC BY 4.0
2025 arXiv (prepublicación)

Agentic Explainable Artificial Intelligence (Agentic XAI) Approach To Explore Better Explanation: A Case Study in Decision Support for Rice Cultivation in Japan

Yamaguchi T., et al.

Propuso un enfoque de XAI agéntica en el que un agente de IA reescribe una y otra vez recomendaciones agrícolas a partir de los resultados de SHAP, un método de IA explicable. Las notas de especialistas y de LLM mostraron que la calidad alcanza su máximo tras pocas rondas.

Esquema del estudio, desde los datos de las parcelas y el gráfico SHAP hasta los consejos de la IA, diez rondas de análisis y reescritura, y la calificación de especialistas y LLM
Cómo funciona la XAI agéntica
2025 Field Crops Research

Machine learning reveals drivers of yield sustainability in five decades of continuous rice cropping

Yamaguchi T., et al.

Identificó, con IA explicable, los factores que sostienen el rendimiento a largo plazo en cinco décadas de cultivo continuo de arroz.

Figura que muestra cómo la IA usó 50 años de ensayos de arroz para hallar qué determina el rendimiento en cada estación
Resumen gráfico de Yamaguchi et al. (2025)
2025 European Journal of Agronomy

A study on optimal input images for rice yield prediction models using CNN with UAV imagery and its reasoning using explainable AI

Yamaguchi T., et al.

Determinó qué imágenes de dron funcionan mejor para predecir el rendimiento del arroz con redes neuronales convolucionales (CNN) y mostró con IA explicable en qué zonas se fija el modelo.

Figura que resume las mejores imágenes de entrada para predecir el rendimiento
Resumen gráfico de Yamaguchi et al. (2025), CC BY-NC 4.0
2024 Computers and Electronics in Agriculture

A novel neural network model to achieve generality for diverse morphologies and crop science interpretability in rice biomass estimation

Yamaguchi T., Katsura K.

Propuso un nuevo modelo de red neuronal para estimar el crecimiento de variedades de arroz de morfología muy diversa, y lo diseñó para que sus resultados se puedan interpretar desde la ciencia de los cultivos.

Esquema que compara el enfoque habitual, que pasa de los valores de la imagen directamente a la biomasa, con MTOC-NN, que estima primero el LAI, la longitud de la planta y el número de macollos y después la biomasa de hojas y tallos
Cómo funciona MTOC-NN
2024 Plant Production Science

Improving efficiency of ground-truth data collection for UAV-based rice growth estimation models: investigating the effect of sampling size on model accuracy

Yamaguchi T., et al.

Examinó formas eficientes de recoger datos de campo para los modelos que estiman el crecimiento del arroz con drones.

Resumen gráfico que muestra que los datos de una sola mata logran la misma precisión que los de varias matas, y que más datos de una sola mata mejoran el aprendizaje automático
Resumen gráfico de Yamaguchi et al. (2024), CC BY-NC 4.0
2021 Remote Sensing

Feasibility of Combining Deep Learning and RGB Images Obtained by Unmanned Aerial Vehicle for Leaf Area Index Estimation in Rice

Yamaguchi T., et al.

Demostró que, al combinar el aprendizaje profundo con imágenes RGB comunes tomadas con dron, se puede estimar con precisión el índice de área foliar (LAI).

Resumen gráfico de la estimación del índice de área foliar (LAI) con aprendizaje profundo e imágenes RGB de dron, comparada con otros métodos
Resumen gráfico de Yamaguchi et al. (2021), CC BY 4.0
05

Premios

2026.03
Premio al Mejor Artículo, Sociedad Japonesa de Ciencias de los Cultivos

Improving efficiency of ground-truth data collection for UAV-based rice growth estimation models: investigating the effect of sampling size on model accuracy

Sociedad Japonesa de Ciencias de los Cultivos
2025.09
Premio a la Presentación Oral Destacada, 260.ª reunión de la Sociedad Japonesa de Ciencias de los Cultivos

Practical Feasibility of 3D Data of Individual Rice Plants Reconstructed from Smartphone-Captured Videos

Sociedad Japonesa de Ciencias de los Cultivos
2020.09
10.ª Conferencia de la Asociación Asiática de Ciencias de los Cultivos
Premio a la Presentación (Póster)

Effect of Environmental Differences on Empirical Regression Models for Estimating Leaf Area Index Using Vegetation Indices in Rice

Asociación Asiática de Ciencias de los Cultivos
07

Contacto

No dude en escribirme.