04 — Publicaciones / Explicación
Primero los rasgos visibles, después la biomasa del arroz
Una nueva red neuronal, probada con 24 variedades de arroz de formas muy distintas
El crecimiento de un cultivo de arroz suele medirse por su biomasa, el peso seco de sus hojas y tallos, y para medirla hay que cortar las plantas. Nosotros estudiamos cómo estimarla con imágenes tomadas desde arriba, sin cortar nada. En este trabajo creamos una red neuronal, MTOC-NN, que estima primero el área foliar, la longitud de la planta y el número de macollos (tallos), y con ellos calcula la biomasa. En 24 variedades de formas muy distintas tuvo el menor error de los nueve métodos comparados, y mostró que los rasgos que determinan la biomasa cambian según la variedad.
Puntos clave
- En lugar de pasar directamente de la imagen a la biomasa, el modelo añade un paso intermedio. Primero estima el índice de área foliar (LAI), la longitud de la planta y el número de macollos, y con esos valores estima la biomasa de hojas y tallos.
- En 24 variedades de formas muy distintas, tuvo el menor error (RMSE) de los nueve métodos comparados. El bosque aleatorio, en segundo lugar, quedó muy cerca.
- Los rasgos más importantes cambiaron según la variedad. En las variedades altas importó más la longitud de la planta, y en las bajas con muchos macollos, el área foliar y el número de macollos.
Saber cuánto ha crecido el arroz sin cortarlo
Saber cuánto ha crecido un cultivo de arroz es clave para valorar su desarrollo y prever la cosecha de grano. También sirve para comprobar si un cambio en la forma de cultivar ha dado resultado.
Una medida habitual es la biomasa, la cantidad de materia vegetal. Aquí es el peso seco de las hojas y los tallos. Para medirla hay que cortar plantas en el campo, lo que exige mucho tiempo y esfuerzo.
Por eso se empezaron a usar imágenes tomadas desde arriba. El aprendizaje automático, que permite a un ordenador aprender de muchos ejemplos, relaciona valores de las imágenes, como el color o la altura, con la biomasa.
Quedaban dos problemas. El primero es la diversidad de formas. Las variedades de arroz difieren mucho en altura y en número de macollos, los tallos que la planta emite desde su base (figura 1). Sin embargo, los modelos anteriores se habían creado con datos de pocas variedades y pocos niveles de fertilización.
El segundo es la dificultad de interpretar los resultados. Muchos modelos precisos de aprendizaje automático son cajas negras, cuyo funcionamiento interno es difícil de seguir. Se podía saber qué valores de la imagen influían más, pero no relacionar el resultado con rasgos de la planta como la altura o los macollos.
Cultivar 24 variedades y emparejar imágenes con mediciones de campo
Veinticuatro variedades durante dos años
El experimento se hizo en un arrozal de la Universidad de Agricultura y Tecnología de Tokio, en Fuchu (Tokio), en 2020 y 2021.
Cultivamos 24 variedades. Veintiuna procedían de la World Rice Core Collection, un conjunto de 69 variedades que reúne más del 90 % de la diversidad genética del arroz. Las otras tres fueron IR64, que es la variedad de arroz más cultivada del mundo, la aromática Basmati 370 y un arroz cuya planta es toda morada.
Cada variedad se plantó en dos parcelas (figura 2). Desde el trasplante hasta poco antes del espigado, cuando empiezan a salir las espigas, revisamos el campo cada semana.
Valores de las imágenes y mediciones de plantas cortadas
Cada día de muestreo tomábamos primero fotos desde arriba. En 2020 usamos un dron que volaba a 30 m de altura. En 2021 fijamos la cámara al extremo de una pértiga de 7 m y tomamos las fotos desde unos 5 m de altura.
Usamos una cámara de color normal y una cámara multiespectral, que también registra el infrarrojo cercano, una luz invisible para el ojo humano. De las imágenes obtuvimos 42 valores (figura 3). Entre ellos están la cantidad de luz que refleja el cultivo en cada banda, índices de vegetación que combinan esos valores para indicar lo frondoso que está, la altura de las plantas según un modelo 3D y la textura fina de la imagen.
Después cortamos dos matas de cada parcela. Una mata es el grupo de plantas de arroz que crece en un mismo punto de plantación. Contamos los macollos a mano, estiramos las hojas hacia arriba para medir con una regla la longitud de la planta y medimos el verdor de la hoja con un medidor SPAD.
También medimos el área de las hojas y la dividimos entre la superficie de suelo que ocupa cada mata, lo que da el índice de área foliar (LAI). Las hojas y los tallos se secaron por separado a 80 °C durante al menos 72 horas y se pesaron. En total reunimos 1.600 datos.
Primero los rasgos, después la biomasa
Un modelo típico pasa de los valores de la imagen directamente a la biomasa. Nosotros añadimos un paso intermedio (figura 4). Primero, el modelo estima el LAI, la longitud de la planta y el número de macollos a partir de los valores de la imagen. Después usa esas estimaciones, junto con los valores de la imagen, para estimar la biomasa de hojas y la de tallos, y suma ambas para obtener la biomasa total.
Se sabe que la biomasa está ligada a muchos rasgos de la planta, como la altura o el número de macollos. Pensamos que estimar antes esos rasgos facilitaría estimar la biomasa, incluso al mezclar variedades de formas muy distintas.
El diseño combina dos ideas. Una es el aprendizaje multitarea, que entrena un modelo con varias salidas a la vez. La otra es la cadena de regresores, que pasa el resultado de una estimación a la siguiente. Hasta donde sabemos, ningún estudio de cultivos basado en imágenes había usado antes una cadena de regresores.
El diseño tiene otra ventaja. Permite medir cuánto aporta cada rasgo a la estimación de la biomasa. El verdor de la hoja (SPAD) también fue candidato para el paso intermedio, y comparamos qué combinación de rasgos funcionaba mejor.
Comparación de nueve métodos
Comparamos MTOC-NN con seis métodos habituales de aprendizaje automático, como la regresión lineal múltiple y el bosque aleatorio, y con una red neuronal que solo estima la biomasa. Una red neuronal es un sistema de cálculo inspirado, de forma muy simplificada, en las neuronas del cerebro. También creamos MTO-NN, que estima los rasgos y la biomasa a la vez, pero no pasa los rasgos a un segundo paso. En total, nueve métodos.
Reservamos los datos de R1 de 2020 para la prueba y entrenamos los modelos con el resto. La precisión se comparó sobre todo con el RMSE, la diferencia típica entre los valores estimados y los medidos. Cuanto menor, mejor.
El menor error, y diferencias entre variedades
El menor error de los nueve métodos
Para la biomasa total, MTOC-NN tuvo un RMSE de 0,616, el menor de los nueve métodos (figura 5). Su error relativo (RRMSE), que es el RMSE dividido entre el promedio de los valores medidos, también fue el menor, con 0,243.
La diferencia, eso sí, fue pequeña. El bosque aleatorio quedó segundo con 0,619, y con otras dos medidas, el error absoluto medio (MAE) y el coeficiente de determinación (R²), MTOC-NN quedó en segundo lugar.
MTO-NN, que lo estima todo a la vez sin la cadena, obtuvo 0,644, algo por detrás del bosque aleatorio y de la red neuronal que solo estima la biomasa. La mejora parece venir de combinar el aprendizaje multitarea con la cadena.
Elegir bien los rasgos del paso intermedio
Ordenados de mayor a menor relación con la biomasa, los cuatro rasgos candidatos fueron el LAI, la longitud de la planta, el número de macollos y el SPAD. Los fuimos quitando uno a uno, empezando por el de relación más débil, y comparamos los resultados (figura 6).
El mejor resultado se obtuvo con el LAI, la longitud de la planta y el número de macollos. Al añadir el SPAD, el error aumentó en lugar de disminuir.
El SPAD tenía poca relación con la biomasa, y además las imágenes lo estimaban con menos precisión que los otros rasgos. Es probable que sus errores pasaran a la estimación de la biomasa. Por eso parece importante elegir rasgos muy ligados a la biomasa y que las imágenes puedan estimar bien. Los análisis que siguen usan el modelo con estos tres rasgos.
Las hojas y los tallos dependían de rasgos distintos
Para saber qué pistas importaban, usamos la importancia por permutación (figura 7). Se barajan los valores de una pista entre todos los datos y se repite la estimación. Cuanto más cae la precisión, más importaba esa pista.
El LAI, la longitud de la planta y el número de macollos superaron a casi todos los 42 valores de la imagen, y en la biomasa de hojas superaron a todos. Los rasgos estimados en el paso intermedio aportaron, por tanto, mucho a la estimación.
Entre los tres, el LAI y el número de macollos importaron más para la biomasa de hojas, y la longitud de la planta, para la de tallos. El LAI y los macollos tienen que ver con cómo crecen y se extienden las hojas, y la longitud, con el crecimiento hacia arriba.
Las variedades altas y las de muchos macollos forman biomasa de manera distinta
Al repetir el análisis para cada variedad, el reparto de la importancia entre los tres rasgos varió mucho. La importancia del LAI y la del número de macollos solían subir y bajar juntas, mientras que la de la longitud de la planta se movía en sentido contrario.
Esto apunta a dos maneras de formar biomasa, una guiada por la longitud de la planta y otra por el LAI y los macollos, con algunas variedades en un punto intermedio (figura 8). Las variedades más altas tendían a la primera, y las más bajas, a la segunda.
En la biomasa de hojas, por ejemplo, la longitud de la planta de cada variedad tuvo un coeficiente de correlación de 0,572 con la importancia de la longitud y de −0,597 con la importancia del LAI. Este coeficiente va de −1 a 1. Se acerca a 1 cuando dos valores suben juntos y a −1 cuando uno sube mientras el otro baja.
Se sabe que las plantas de arroz más bajas tienden a formar más macollos, y también en este estudio la longitud y el número de macollos mostraron una correlación negativa. Esta relación podría estar detrás de las dos maneras de formar biomasa.
Cómo puede ayudar a la investigación de cultivos, y qué queda por hacer
Lo que aprendimos
MTOC-NN estimó con precisión la biomasa del arroz incluso cuando se mezclaban variedades de formas muy distintas. Además, puede mostrar con números cómo cambian de una variedad a otra los rasgos que determinan la biomasa. Los estudios anteriores solo podían medir la importancia de los valores de la imagen, así que apenas ofrecían una interpretación desde la ciencia de los cultivos.
Dónde podría ayudar
En la investigación de cultivos se suelen medir a mano muchos rasgos en muchas variedades y líneas de mejora. MTOC-NN podría ayudar a entender cómo forma su biomasa cada variedad sin muestreos laboriosos con corte de plantas. Esperamos que acelere y profundice la búsqueda de los rasgos que más importan.
Lo que aún no sabemos
Para construir MTOC-NN hay que medir el LAI, la longitud de la planta y el número de macollos, además de la biomasa, así que reunir los datos exige más tiempo y esfuerzo que con los modelos anteriores. Cómo tratar los datos a los que les faltan algunos rasgos es otra cuestión pendiente.
Nuestros datos proceden de un solo arrozal de Fuchu (Tokio), de 2020 y 2021. Abarcan desde el trasplante hasta poco antes del espigado, y los datos de prueba eran del mismo campo. Aún no hemos comprobado si el modelo funciona igual de bien en otras regiones, con otras condiciones de cultivo o después del espigado.
Tampoco tuvimos en cuenta el orden en que se estiman los rasgos, para mantener el modelo sencillo.
Próximos pasos
Para suplir los datos que faltan, queremos probar el pseudoetiquetado, que usa las propias estimaciones del modelo como respuestas provisionales para el entrenamiento.
El rendimiento de grano también podría ser el objetivo final, con rasgos ligados a él, como el ángulo de las hojas o la luz que captan, en el paso intermedio. Elegir con cuidado el orden de la cadena podría mejorar la precisión y la interpretación.
También se podría incorporar al primer paso un modelo físico como PROSAIL, que calcula rasgos de la planta a partir de la luz reflejada. Así se podrían añadir, sin más datos de entrenamiento, rasgos que el modelo puede explicar.
Glosario
- Biomasa
- La cantidad de materia vegetal. En este estudio es el peso seco de las hojas y los tallos, en toneladas por hectárea.
- Macollo
- Cada tallo que la planta de arroz emite desde su base. El número de macollos se expresa aquí por metro cuadrado.
- Índice de área foliar (LAI)
- El área total de las hojas dividida entre la superficie de suelo que ocupa la planta. Indica cuánto cubren el suelo las hojas.
- Valor SPAD
- Una medida del verdor de la hoja. Se lee con un medidor portátil que se coloca sobre la hoja.
- Red neuronal
- Un sistema de cálculo inspirado, de forma simplificada, en la red de neuronas del cerebro. Aprende la relación entre entradas y respuestas a partir de muchos ejemplos.
- Cadena de regresores
- Un método que pasa el resultado de una estimación a la siguiente. La C de MTOC-NN viene de «chained», es decir, encadenado.
- Importancia por permutación
- Una forma de medir cuánto importa una entrada. Se barajan sus valores entre los datos, y la caída de la precisión indica su importancia.
- RMSE (raíz del error cuadrático medio)
- Una medida de la diferencia típica entre estimaciones y mediciones. Las diferencias se elevan al cuadrado, se promedian y se saca la raíz cuadrada. Cuanto menor, mejor.
- Coeficiente de correlación
- Un número de −1 a 1 que indica cuánto se mueven juntos dos valores. Es positivo cuando ambos suben a la vez y negativo cuando uno baja mientras el otro sube.
Sobre el artículo
Tomoaki Yamaguchi & Keisuke Katsura (2024). A novel neural network model to achieve generality for diverse morphologies and crop science interpretability in rice biomass estimation. Computers and Electronics in Agriculture, 218, 108653. https://doi.org/10.1016/j.compag.2024.108653
Es un artículo de acceso abierto que cualquier persona puede leer gratis. Se publica con la licencia CC BY 4.0, que también ampara las figuras del artículo usadas en esta página.