Medir
Medir el crecimiento y el rendimiento con drones e IA
Con imágenes de dron y aprendizaje automático estimamos el área foliar, el peso de las plantas y el rendimiento sin cortarlas.
Medir
Con imágenes de dron y aprendizaje automático estimamos el área foliar, el peso de las plantas y el rendimiento sin cortarlas.
Interpretar
Con IA explicable leemos décadas de registros de campo para ver cómo influyeron el clima, el abono y la variedad en el rendimiento.
Transmitir
Estudiamos cómo los modelos de lenguaje de gran tamaño (LLM) pueden traducir los resultados de la investigación a recomendaciones claras para los agricultores. También publicamos aplicaciones web gratuitas, cursos y explicaciones.
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.
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.








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.
Tutoriales, vídeos y herramientas para analizar datos en la ciencia de los cultivos. Cualquier persona puede usarlos libremente.
Sitios web que me han ayudado en la investigación, la redacción y el análisis de datos, ordenados por tema.
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.
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.
Identificó, con IA explicable, los factores que sostienen el rendimiento a largo plazo en cinco décadas de cultivo continuo de arroz.
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.
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.
Examinó formas eficientes de recoger datos de campo para los modelos que estiman el crecimiento del arroz con drones.
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).
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 CultivosPractical Feasibility of 3D Data of Individual Rice Plants Reconstructed from Smartphone-Captured Videos
Sociedad Japonesa de Ciencias de los CultivosEffect of Environmental Differences on Empirical Regression Models for Estimating Leaf Area Index Using Vegetation Indices in Rice
Asociación Asiática de Ciencias de los Cultivos