Detección de Estrés en Cultivos Basada en Aprendizaje Automático en Invernaderos
Autores: Elvanidi, Angeliki; Katsoulas, Nikolaos
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Detección de Estrés en Cultivos Basada en Aprendizaje Automático en Invernaderos
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Botánica
Palabras clave
Invernadero
Microclima
Estrés de cultivos
Aprendizaje Automático
Datos fisiológicos
Fotosíntesis
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 20
Citaciones: Sin citaciones
Los sistemas de control climático en invernaderos suelen basarse en configuraciones de microclima del invernadero para ejercer cualquier control. Sin embargo, para ahorrar energía, agua y nutrientes, se deberán considerar parámetros adicionales relacionados con el rendimiento y la fisiología de los cultivos. Además, detectar el estrés de los cultivos antes de que sea claramente visible a simple vista es una ventaja que podría ayudar en el control del microclima. En este estudio, se desarrolló y probó un modelo de Aprendizaje Automático (ML) que tiene en cuenta datos de microclima y fisiología de los cultivos para detectar diferentes tipos de estrés en los cultivos. Para este propósito, se utilizó una plataforma de múltiples sensores para registrar las características fisiológicas de las plantas de tomate bajo diferentes condiciones de fertirrigación y temperatura del aire. La innovación del modelo actual radica en la integración de los valores de la tasa de fotosíntesis (Ps) estimados mediante teledetección utilizando un índice de reflectancia fotoquímica (PRI). A través de este proceso, los datos de Ps en series temporales se combinaron con la temperatura de las hojas de los cultivos y los datos del microclima mediante el modelo de ML. Se evaluaron dos algoritmos diferentes: Gradient Boosting (GB) y Perceptrón Multicapa (MLP). Se realizaron dos ejecuciones con diferentes estructuras para cada algoritmo. En la EJECUCIÓN 1, había más entradas de características que salidas para construir un modelo con alta precisión predictiva. Sin embargo, para simplificar el proceso y desarrollar un enfoque fácil de usar, se llevó a cabo una segunda ejecución diferente. Así, en la EJECUCIÓN 2, las entradas fueron menores que las salidas, y por eso el rendimiento del modelo en este caso fue inferior al de la EJECUCIÓN 1. En particular, MLP mostró un 91% y un 83% de precisión en la muestra de entrenamiento, y un 89% y un 82% en la muestra de prueba, para las EJECUCIONES 1 y 2, respectivamente. GB mostró un 100% de precisión en la muestra de entrenamiento para ambas ejecuciones, y un 91% y un 83% en la muestra de prueba en la EJECUCIÓN 1 y la EJECUCIÓN 2, respectivamente. Para mejorar la precisión de la EJECUCIÓN 2, se requiere una base de datos más grande. Sin embargo, ambos modelos podrían incorporarse fácilmente a los sistemas existentes de monitoreo y control climático en invernaderos, reemplazando la experiencia humana en la detección de condiciones de estrés en los cultivos de invernadero.
Descripción
Los sistemas de control climático en invernaderos suelen basarse en configuraciones de microclima del invernadero para ejercer cualquier control. Sin embargo, para ahorrar energía, agua y nutrientes, se deberán considerar parámetros adicionales relacionados con el rendimiento y la fisiología de los cultivos. Además, detectar el estrés de los cultivos antes de que sea claramente visible a simple vista es una ventaja que podría ayudar en el control del microclima. En este estudio, se desarrolló y probó un modelo de Aprendizaje Automático (ML) que tiene en cuenta datos de microclima y fisiología de los cultivos para detectar diferentes tipos de estrés en los cultivos. Para este propósito, se utilizó una plataforma de múltiples sensores para registrar las características fisiológicas de las plantas de tomate bajo diferentes condiciones de fertirrigación y temperatura del aire. La innovación del modelo actual radica en la integración de los valores de la tasa de fotosíntesis (Ps) estimados mediante teledetección utilizando un índice de reflectancia fotoquímica (PRI). A través de este proceso, los datos de Ps en series temporales se combinaron con la temperatura de las hojas de los cultivos y los datos del microclima mediante el modelo de ML. Se evaluaron dos algoritmos diferentes: Gradient Boosting (GB) y Perceptrón Multicapa (MLP). Se realizaron dos ejecuciones con diferentes estructuras para cada algoritmo. En la EJECUCIÓN 1, había más entradas de características que salidas para construir un modelo con alta precisión predictiva. Sin embargo, para simplificar el proceso y desarrollar un enfoque fácil de usar, se llevó a cabo una segunda ejecución diferente. Así, en la EJECUCIÓN 2, las entradas fueron menores que las salidas, y por eso el rendimiento del modelo en este caso fue inferior al de la EJECUCIÓN 1. En particular, MLP mostró un 91% y un 83% de precisión en la muestra de entrenamiento, y un 89% y un 82% en la muestra de prueba, para las EJECUCIONES 1 y 2, respectivamente. GB mostró un 100% de precisión en la muestra de entrenamiento para ambas ejecuciones, y un 91% y un 83% en la muestra de prueba en la EJECUCIÓN 1 y la EJECUCIÓN 2, respectivamente. Para mejorar la precisión de la EJECUCIÓN 2, se requiere una base de datos más grande. Sin embargo, ambos modelos podrían incorporarse fácilmente a los sistemas existentes de monitoreo y control climático en invernaderos, reemplazando la experiencia humana en la detección de condiciones de estrés en los cultivos de invernadero.