000084444 001__ 84444
000084444 005__ 20191106163133.0
000084444 0247_ $$2doi$$a10.26754/c_agroing.2019.com.3398
000084444 037__ $$aCOMPON-2019-agri-3398
000084444 041__ $$aspa
000084444 100__ $$aApolo Apolo, O. Enrique$$uDepartamento de Ingeniería Aeroespacial y Mecánica de Fluidos de la Escuela Técnica Superior de Ingeniería Agronómica (Universidad de Sevilla)
000084444 245__ $$aEstimación de parámetros biofísicos de interés para la mejora de trigo usando inteligencia artificial
000084444 260__ $$c2019
000084444 506__ $$aAccess copy available to the general public$$fUnrestricted
000084444 5203_ $$aLos mejoradores vegetales demandan gran cantidad de información de los cultivos que les ayude a tomar decisiones a la hora de seleccionar variedades. El fenotipado de alto rendimiento tanto en plataformas terrestres como áreas, que permite la evaluación precisa con sensores remotos de las respuestas a estreses abióticos y bióticos de los cultivos, han emergido como una herramienta prometedora. Entre la gran cantidad de parámetros fisiológicos y estructurales que se pueden monitorear o estimar a nivel de planta, el Índice de Área Foliar (IAF) es un parámetro biofísico del cultivo que tiene gran importancia agronómica y es un indicador de la capacidad fotosintética del cultivo, estando estrechamente relacionado con la producción final. Su valor, se puede obtener a partir de dividir el área de las hojas de un cultivo expresado en m2 y el área de suelo sobre el cual se encuentra establecido. Para el cálculo del IAF, tradicionalmente se han utilizado métodos directos (destructivos) e indirectos (no destructivos). Los métodos directos, además de ser destructivos requieren mucho tiempo y son costosos. Es por lo que el IAF se suele estimar más frecuentemente mediante métodos indirectos (fotografías hemisféricas). Sin embargo, a pesar de que los métodos indirectos son bastante precisos, estos necesitan un post-procesamiento que consume mucho tiempo. El desarrollo de redes neuronales basadas en aprendizaje profundo o Deep Learning (DL), un subconjunto del aprendizaje automático o Machine Learning (ML), y concretamente las redes convolucionales (CNN o ConvNet) se presentan como alternativa para hacer estimaciones de IAF. Este tipo de redes permiten transferir lo aprendido por la red en un escenario en el que dispone de datasets o conjuntos datos de gran tamaño a otros escenarios con menores datos con el propósito de resolver un problema concreto, técnica conocida como transfer learning. El objetivo del presente trabajo ha sido crear un modelo basado en CNNs a partir de una arquitectura de red existente y entrenada para estimar el IAF a partir de imágenes RGB. Para crear los datasets necesarios para entrenar el modelo, se tomaron fotografías desde un trípode a una altura de 1 m sobre un ensayo de trigo de 10 variedades con tres repeticiones durante 9 fechas distintas. Al mismo tiempo, se realizaron medidas no destructivas, utilizando una relación alométrica, para calcular el IAF de cada unidad experimental. Una vez entrenado el modelo se testeó sobre uno de los días de ensayo. Los resultados preliminares muestran que el uso de DL es una herramienta prometedora para el cálculo del IAF.
000084444 540__ $$9info:eu-repo/semantics/openAccess$$aby-nc-nd$$uhttp://creativecommons.org/licenses/by-nc-nd/3.0/es/
000084444 655_4 $$aComunicación
000084444 700__ $$aPérez Ruiz, Manuel$$uAgroplanning Agricultura Inteligente S.L. Programa Torres-Quevedo 2017 (PTQ-17-09506)
000084444 700__ $$aMartínez Guanter, Jorge
000084444 700__ $$aEgea Cegarra, Gregorio
000084444 773__ $$dHuesca$$gX Congreso Ibérico de Agroingeniería = X Congresso Ibérico de Agroengenharia : Libro de actas = Livro de atas
000084444 8564_ $$s586373$$uhttps://zaguan.unizar.es/record/84444/files/3398.pdf
000084444 909CO $$ooai:zaguan.unizar.es:84444$$pcomunicaciones-ponencias
000084444 970__ $$aCOMPON-2019-agri-3398
000084444 980__ $$aCOMPON