Resumen

La predicción del rendimiento y la selección de variedades son componentes críticos para evaluar la producción y el rendimiento en los programas de mejora y en la agricultura de precisión. Dado que las plantas integran su genética, el entorno que las rodea y las condiciones de gestión, los fenotipos de los cultivos se han medido a lo largo de las temporadas de cultivo para representar los rasgos de las variedades. En la actualidad, los UAS (sistemas aéreos no tripulados) ofrecen una nueva oportunidad para recopilar imágenes de alta calidad y generar datos fenotípicos fiables de forma eficiente. Aquí, proponemos un fenotipado de alto rendimiento (HTP) a partir de imágenes multitemporales UAS para la estimación del rendimiento del tomate. Las imágenes RGB y multiespectrales basadas en UAS se recogieron semanal y quincenalmente, respectivamente. La forma de las características de los tomates, tales como la cobertura del dosel, el dosel, el volumen y los índices de vegetación derivados de las imágenes UAS, se estimó a lo largo de toda la temporada. Para extraer las características de las series temporales a partir de los datos fenotípicos basados en UAS, se ajustaron las curvas de crecimiento del cultivo y de la tasa de crecimiento mediante curvas matemáticas y ecuaciones de primera derivada. A partir de las curvas ajustadas de diferentes fenotipos se extrajeron características de series temporales como la tasa de crecimiento máxima, el día en un evento específico y la duración. El modelo de regresión lineal produjo altos valores R2 incluso con diferentes métodos de selección de variables: todas las variables (0,79), selección hacia delante (0,7) y selección hacia atrás (0,77). Con el análisis factorial, descubrimos dos factores significativos, la velocidad y el momento de crecimiento, relacionados con las variedades de alto rendimiento. A continuación, se seleccionaron cinco fenotipos de series temporales para modelos de predicción del rendimiento que explicaban el 65% de la varianza en la cosecha real. Las características fenotípicas derivadas de las imágenes RGB desempeñaron papeles más importantes en la predicción del rendimiento. Esta investigación también demuestra que es posible seleccionar con éxito variedades de tomate de menor rendimiento. Los resultados de este trabajo pueden ser útiles en programas de mejora y en granjas de investigación para seleccionar variedades de alto rendimiento y resistentes a enfermedades y plagas.

• Materias:Biotecnología Minería de datos Redes de sensores Sistema de sensores Tecnología de sensores
• Subjects:Biotechnology Data mining Sensor networks Sensor system Sensor technology
• Palabras claves:uas, programas de cría, características de las series, diferentes métodos de selección de variables, ecuaciones de la primera derivada, curvas de tasa de crecimiento, valores r2 elevados, modelo de regresión lineal, tasa de crecimiento máxima, imágenes multitemporales de uas
• Keywords:uas, breeding programs, series features, different variable selection methods, first derivative equations, growth rate curves, high r2 values, linear regression model, maximum growth rate, multitemporal uas images