Modelos predictivos de emergencia de malezas: uso de Redes Neuronales Artificiales

Por Mario R. Vigna, Ing. Agr. (MS) EEA INTA Bordenave, y Guillermo R. Chantre, Ing. Agr. (Dr.) Dpto. Agronomía UNS- CONICET

La definición clásica de maleza dice que “puede ser cualquier planta que interfiere con los objetivos o propósitos del hombre en un determinado lugar y tiempo”. Dicha definición implica la adaptación de una especie maleza dada dentro del agroecosistema en relación con su nicho temporal. Esa temporalidad está dada principalmente por el momento en que germinan sus semillas y se establecen las nuevas plántulas.

Las especies maleza han evolucionado bajo la presión de selección natural y antrópica impuesta por las condiciones ambientales y de manejo agronómico. El lugar donde se establecen es la resultante del equilibrio existente entre las intensidades de estrés, disturbio y competencia que las afectan. Los cambios en el agroecosistema crean nuevos equilibrios a los cuales las poblaciones de malezas tienden a adaptarse. Uno de los mecanismos básicos para el establecimiento y perpetuación de una especie es su habilidad para germinar y emerger en los momentos favorables para asegurar el establecimiento de los individuos.  Entre los fenómenos que inciden en la dinámica poblacional se pueden mencionar la longevidad de las semillas y los mecanismos de dormición que regulan los flujos de nacimientos o cohortes en el tiempo.

En términos agronómicos la presencia de malezas en un cultivo es sinónimo de perjuicio económico que está dado por la competencia que ejerce sobre el mismo. Si bien deberíamos emplear el término interferencia, el fenómeno de competencia aparece como el más relevante en esta relación cultivo–maleza. Esa competencia es básicamente por luz, agua y nutrientes y aunque ocurre a lo largo del cultivo existen períodos donde la presencia de la especie competidora es crucial para definir el perjuicio. Esta ventana de tiempo se denomina “Período crítico de competencia” en el cual el cultivo presenta la mayor sensibilidad a la pérdida de rendimiento.  El momento relativo de emergencia de la maleza respecto del cultivo definirá en gran medida el impacto sobre la producción. Por ende, disponer de herramientas que permitan predecir los flujos de emergencia a campo y así establecer las medidas apropiadas de manejo ha sido un objetivo de ingenieros agrónomos, asesores agronómicos y productores desde hace muchos años.

Avena fatua L. (avena salvaje) (AVEFA) es una especie cosmopolita, ampliamente distribuida en las principales regiones cerealeras de trigo y cebada del mundo, produciendo graves pérdidas en rendimiento y calidad del producto final.

Los patrones de emergencia de Avena fatua L registrados a campo presentan características desafiantes para los malezólogos, tanto desde una óptica “mecanicista” basada en tratar de cuantificar los requerimientos ambientales asociados a los procesos biológicos subyacentes (dormición, germinación y post-germinación) como también desde una perspectiva “empírica” con fines predictivos o de Ayuda a la Toma de Decisiones (ATD). Por ejemplo, bajo condiciones altamente variables de temperatura y humedad de suelo, A. fatua presenta múltiples cohortes anuales generando patrones de emergencia muy irregulares y distribuidos en el tiempo, como los observados en la Región Semiárida Templada Argentina (RSTA). Contrariamente, en ambientes templados sin limitaciones severas de humedad de suelo, como es el caso del Oeste Medio estadounidense (Minnesota, Dakota del norte) o el sur de Canadá (Manitoba) se registran patrones de emergencia regulares y concentrados en un periodo limitado de tiempo. Dicho comportamiento diferencial entre hábitats sugiere el desarrollo de adaptaciones ecológicas específicas bajo condiciones climáticas contrastantes (biotipos) siendo el mecanismo de dormición del banco de semillas unos de los principales factores reguladores de dicho comportamiento. Por ejemplo, es de destacar el rol de la heterogeneidad ambiental durante la fase de formación y maduración de las semillas en la planta madre (efecto materno) y su incidencia sobre la dormición innata (López & Vigna, 1991). Por otro lado, la duración de la dormición primaria estaría influenciada por la diversidad de adaptaciones genéticas presentes en las poblaciones naturales de AVEFA (Adkins y col., 1986). Además de la existencia de interacciones genotipo-ambiente y su función adaptativa sobre la colonización de distintos ecosistemas (Naylor & Fedec, 1978).

Es importante mencionar que el carácter estacional de la emergencia en malezas anuales (invernales vs primavero-estivales) resulta del efecto combinado de la periodicidad estacional de la temperatura del suelo y del rango térmico permisivo para la germinación. A su vez, la amplitud de dicho rango dependerá del nivel de dormición asociado a los cambios térmicos estacionales. Es decir que el número de plántulas establecidas se encuentra fuertemente relacionado con el nivel de dormición del banco, mientras que la amplitud de la ‘ventana de emergencia’ depende en gran medida de las variaciones estacionales de dicho atributo poblacional (Chantre, 2010). Avena fatua es una especie anual facultativa de invierno, es decir, que la emergencia ocurre mayoritariamente en otoño y en menor medida en primavera. Sin embargo, bajo las condiciones típicas de la Región Semiárida Templada, la previsión tanto de la magnitud como de la frecuencia de ocurrencia y duración de los flujos de emergencia resulta una tarea desafiante. Es necesario entonces desarrollar y validar herramientas predictivas que faciliten la instrumentación de prácticas más eficientes y sustentables de control reduciendo el uso de herbicidas y el impacto ambiental.

En los últimos años las técnicas de modelado derivadas de la Inteligencia Artificial o Computacional (IA), como las Redes Neuronales Artificiales, la Lógica Difusa o los Algoritmos Genéticos, se han difundido con éxito en distintas ramas de la bioingeniería y la agronomía. La denominación IA proviene de que la aproximación metodológica surge de imitar la capacidad de aprendizaje del cerebro humano en la resolución de problemas cotidianos de la vida real en un contexto de incertidumbre e imprecisión. Estas técnicas presentan ventajas respectos de los métodos tradicionales basados en la resolución de problemas matemáticos precisos y definidos (hard computing). Estos últimos se basan en un enfoque de tipo determinístico sobre el supuesto de que se dispone de información completa y precisa. Sin embargo, sabemos que en la realidad agronómica raramente disponemos de esta clase de datos, los cuales mayoritariamente tienen una considerable carga de incertidumbre e imprecisión (“ruido”) al provenir de sistemas biológicos complejos. Es aquí donde las técnicas informáticas derivadas de la IA prestan gran utilidad ya que son capaces de lidiar con sistemas no-lineares imprecisos e inciertos que requieren un enfoque flexible y probabilístico del sistema a estudiar.

A fin de abordar la temática expuesta, nos propusimos desarrollar y validar un modelo de Redes Neuronales Artificiales (RNA) para predecir la emergencia a campo de AVEFA en la región semiárida, específicamente para la zona de Bordenave en el sudoeste de la provincia de Buenos Aires. Para tal fin, se estableció una colaboración interdisciplinaria entre los grupos de: (i) Malezas de EEA-INTA Bordenave (Ing. Agr. MSc. Mario R. Vigna), (ii) modelación matemática y dinámica de sistemas de PLAPIQUI-CONICET (Dr. Aníbal M. Blanco), y (iii) Malezas del Dpto. de Agronomía y CERZOS-CONICET (Dres. Guillermo R. Chantre y Mario R. Sabbatini). El objetivo consistió en obtener un modelo sencillo y flexible utilizando como información de entrada los datos meteorológicos generados diariamente por la estación meteorológica del EEA-INTA Bordenave. Los datos de entrada de la RNA fueron la temperatura del aire mínima, máxima y la precipitación diaria (Fig.1). Las variables de salida del modelo fueron la Emergencia Relativa Diaria y la Emergencia Acumulada Diaria. Para entrenar y validar el modelo se utilizaron datos de emergencia recolectados semanalmente a campo durante nueve años (2007-2015) bajo labranza cero en la EEA-Bordenave.

Fig 1. Esquema simplificado del funcionamiento del modelo de Redes Neuronales para Avena fatua. A la izquierda las variables de entrada (temperatura máxima/mínima del aire, y la precipitación diaria), a la derecha la salida o predicción del modelo (Emergencia acumulada y relativa diarias). Adaptado de Chantre y col. (2018).

Aspectos favorables y limitantes

En síntesis, se pueden mencionar aspectos favorables y también limitantes y desafíos futuros respecto los modelos predictivos de emergencia en general y del uso de las Redes Neuronales en particular. Entre las ventajas podemos mencionar:

  • En sentido general, las herramientas de modelado basadas en técnicas derivadas de la IA resultan de bajo costo, alta performance de cómputo y existe una variada gama de opciones de software de uso gratuito.
  • La disponibilidad en tiempo real de gran cantidad de información de campo a partir de los sistemas de geoposicionamiento y de los equipos remotos tiene una alta potencialidad asociada a las nuevas capacidades de programación y tecnología informática (HPC, computo de alto rendimiento). El nuevo paradigma denominado aprendizaje profundo (o deep learning) evidencia en la actualidad una gran capacidad para explotar las virtudes de las Redes Neuronales a través del manejo de grandes cantidades de información simultánea (big data).
  • Experiencias comparativas previas entre las RNA desarrollados por este equipo y los modelos de regresión tradicional de tipo sigmoideo permitieron demostrar la superioridad de las mismas sobre la estimación de los flujos de emergencia de AVEFA en distintas localidades de Estados Unidos, Canadá y Australia (Chantre y col. 2014).
  • El modelo propuesto para la predicción de la emergencia a campo de AVEFA en la zona de Bordenave se caracteriza por su flexibilidad permitiendo el uso de la información meteorológica diaria de forma directa sin necesidad de calcular índices microclimáticos de suelo (ej. tiempo-hidrotermal) que dependen tanto de variables sitio-específicas (ej. textura del suelo, cobertura, profundidad de entierro de las semillas, etc.) como del conocimiento de aspectos biológicos específicos para cada especie maleza (ej. umbrales térmicos/hidrotermal para la germinación y/o emergencia).

Entre las limitaciones o desafíos futuros podríamos mencionar:

  • El modelo actual funciona en modo simulación de manera supervisada, es decir que a partir de un set de datos de emergencia prestablecido se “entrenó” la Red Neuronal (de forma coloquial podríamos decir que se establecieron las conexiones “sinápticas” entre neuronas y la intensidad de los “estímulos nerviosos”) a fin de poder simular y validar la performance del modelo con datos independientes. Es decir que para que el modelo pueda convertirse en una herramienta de uso práctico sería necesario que funcione en modo predictivo, para lo cual es necesario disponer de una base de datos actualizada a partir de la automatización del proceso de recuperación de información de la fuente de datos en tiempo real, por ejemplo, la estación meteorológica del INTA u otra fuente remota.
  •  Otra desventaja o “talón de Aquiles” de las técnicas IA, y en particular de las RNA es el hecho de presentan baja capacidad de extrapolación de la información. Es decir, que se necesita de un pool de datos lo suficientemente heterogéneo y amplio como para que se logren buenos resultados. Además, son modelos denominados de caja negra ya que no permiten desentrañar fácilmente las interrelaciones entre las variables de entrada y salida del modelo.
  • De manera general, aunque se reconoce la necesidad y utilidad potencial de los modelos predictivos en Argentina, estos no se han desarrollado de manera masiva y sistemática. Como consecuencia, la aplicación de los mismos como herramientas de toma de decisiones es prácticamente inexistente. Existen a nuestro criterio varias causas, entre ellas podríamos mencionar la falta de información de emergencia a campo generada de forma sistemática en el tiempo, la falta de grupos interdisciplinarios abocados al abordaje este tipo de problemática en el ambiente de la agronomía. Por otro lado, es evidente la falta de desarrollo de plataformas digitales adecuadas donde los modelos puedan ser puestos en línea fomentando así la participación retroactiva de los actores del medio productivo. Es de destacar la necesidad de que dichas plataformas digitales reúnan al menos tres requisitos, que sean amigables, sencillas y agiles para facilitar su uso por potenciales usuarios.

Referencias

Adkins, S. W., Loewen, M., & Symons, S. J. (1986). Variation within pure lines of wild oats (Avena fatua) in relation to degree of primary dormancy. Weed Science 34,859-864.

Blanco, A. M., Chantre, G. R., Lodovichi, M. V., Bandoni, J. A., López, R. L., Vigna, M. R., … & Sabbatini, M. R. (2014). Modeling seed dormancy release and germination for predicting Avena fatua L. field emergence: A genetic algorithm approach. Ecological modelling 272, 293-300.

Chantre, G.R. (2010) Modelos predictivos de emergencia de malezas: el rol de la dormición. AgroUns 148-10. ISSN: 1668-5946.

Chantre, G. R., Blanco, A. M., Forcella, F., Van Acker, R. C., Sabbatini, M. R., & González-Andújar, J. L. (2014). A comparative study between non-linear regression and artificial neural network approaches for modelling wild oat (Avena fatua) field emergence. The Journal of Agricultural Science 152(2), 254-262.

Chantre, G. R., Blanco, A. M., Lodovichi, M. V., Bandoni, A. J., Sabbatini, M. R., López, R. L., … & Gigón, R. (2012). Modeling Avena fatua seedling emergence dynamics: An artificial neural network approach. Computers and electronics in agriculture 88, 95-102.

Chantre, G. R., Vigna, M. R., Renzi, J. P., & Blanco, A. M. (2018). A flexible and practical approach for real-time weed emergence prediction based on Artificial Neural Networks. Biosystems Engineering 170, 51-60.

González‐Andújar, J. L., Chantre, G. R., Morvillo, C., Blanco, A. M., & Forcella, F. (2016). Predicting field weed emergence with empirical models and soft computing techniques. Weed research56(6), 415-423.

López, R. L. & Vigna, M. R. (1991). Patrón de emergencia de Avena fatua L. en el sudoeste de Buenos Aires. En Actas X Reunión Nacional CAPERAS (Ed. Universidad Nacional del Sur), pp. 135–136. Bahía Blanca, Argentina: Universidad Nacional del Sur.

Naylor, J. M., & Fedec, P. (1978). Dormancy studies in seed of Avena fatua. 8. Genetic diversity affecting response to temperature. Canadian Journal of Botany56(18), 2224-2229.

 


Fuentes:

Revista de Investigaciones Agropecuarias (RIA) es una publicación científica de carácter multidisciplinario editada por el INTA.

 

TECNOLOGIA HUMANIZADA
Acerca de TECNOLOGIA HUMANIZADA 27 Artículos
TECNOLOGIA HUMANIZADA tu editorial de Tecnología desde un contexto Crítico y Humanista.

Sé el primero en comentar

Dejá un Comentario

Tu dirección de correo no será publicada.


*