Revolución en la agricultura: RhizoNet y la inteligencia artificial revelan secretos de las raíces vegetales

MadridCientíficos del Laboratorio de Berkeley han avanzado en la investigación agrícola. Han desarrollado RhizoNet, una herramienta de IA que analiza las raíces de las plantas. Comprender las raíces es crucial porque ayudan en la absorción de agua y nutrientes.

En el pasado, los métodos antiguos demandaban mucho esfuerzo y frecuentemente cometían errores. RhizoNet emplea aprendizaje profundo para automatizar el proceso con alta precisión. Esto es lo que debes saber:

• Desarrollado por las divisiones de Matemáticas Aplicadas e Investigación Computacional y Genómica Ambiental y Biología de Sistemas del Laboratorio de Berkeley.
• Utiliza aprendizaje profundo para analizar las raíces de las plantas.
• Automatiza el análisis de imágenes de raíces, mejorando la precisión.
• Emplea una arquitectura de Residual U-Net para la segmentación.
• Permite el seguimiento del crecimiento y la biomasa de las raíces.

Un estudio en Scientific Reports describe a RhizoNet. Daniela Ushizima, la investigadora principal, explicó que RhizoNet uniformiza la segmentación y el análisis de raíces.

EcoFAB es una herramienta innovadora que nos permite observar claramente las raíces de las plantas. Fue desarrollada con la colaboración del Instituto Conjunto del Genoma del DOE y la división de Ciencias del Clima y Ecosistemas. EcoFAB ofrece datos altamente consistentes.

RhizoNet y EcoFAB ayudan a los científicos a analizar escaneos de raíces en diferentes entornos de nutrientes. RhizoNet utiliza escaneos a color realizados por EcoFAB y un modelo Residual U-Net. Este modelo tiene conexiones adicionales para mejorar la segmentación.

Lea también:

Hoy · 15:28

Modelos de lenguaje: hacia una sociedad más inclusiva

Peter Andeer, un científico del proyecto, comentó que EcoBOT facilita la recolección de imágenes, mientras que RhizoNet se encarga automáticamente del análisis de datos. Esto agiliza el trabajo y apoya el desarrollo de laboratorios automatizados. Utilizaron los recursos de NERSC para entrenar RhizoNet y realizar pruebas. El sistema ofrece información detallada y precisa sobre el tamaño y crecimiento de las raíces de las plantas.

Zineb Sordo, científica de datos en el proyecto, explicó cómo crearon una nueva red neuronal convolucional para su trabajo. Este modelo es más preciso que las anotaciones manuales. Al utilizar partes más pequeñas de las imágenes, el modelo mejora su desempeño y puede detectar detalles más finos.

Probamos la precisión del modelo comparando la biomasa radicular predicha con mediciones reales. El análisis de regresión lineal mostró una conexión fuerte, demostrando que RhizoNet es más preciso que las anotaciones manuales. Estos resultados demuestran que RhizoNet tiene una alta capacidad.

Los hallazgos podrían permitir avances en energía ecológica y métodos para capturar carbono. Ushizima y su equipo planean mejorar RhizoNet para detectar y analizar patrones de ramificación de manera más efectiva. También creen que los algoritmos podrían ser útiles para estudiar raíces en el suelo y explorar nuevas áreas en la ciencia de materiales.

Peter Andeer, Trent Northen, Camille Catoulos y James Sethian también forman parte del equipo. Este trabajo es parte del proyecto Twin Ecosystems. Utiliza visión por computadora y software de diseño experimental autónomo para experimentos en ecosistemas. Además, apoya la iniciativa Carbon Negative Earthshot del DOE.