OJOS EN EL CIELO

Uso de drones para evaluar la gravedad de las enfermedades de los cultivos

El arroz es uno de los cultivos más importantes del mundo y constituye la principal fuente de alimento para más de la mitad de la población de la Tierra

Por lo tanto, proteger las plantaciones de arroz de las enfermedades es un esfuerzo esencial en la agricultura moderna. De los muchos patógenos que pueden infectar las plantas de arroz, la bacteria Xanthomonas oryzae, responsable del tizón bacteriano (BB), se encuentra entre los peores. Cada año se pierden cultivos por valor de cientos de millones de dólares debido a BB, y se gastan millones de dólares en medidas preventivas e investigación.

Una de las estrategias más fructíferas para controlar BB y otras enfer- medades de los cultivos es cultivar cultivares genéticamente resistentes. Sin embargo, como los patógenos pueden evolucionar rápidamente, los investigadores tienen que explorar constantemente nuevos genes que otorguen resistencia y aplicarlos en la reproducción. Por lo tanto, tienen que muestrear regularmente múltiples plantas de arroz en diferentes épocas del año y medir su respuesta a la infección bacteriana, lo que representa un trabajo manual intensivo y que requiere mucho tiempo.

Pero, ¿y si aprovechamos las tecnologías modernas para simplificar enormemente este proceso? En un estudio reciente publicado en Plant Phenomics, un equipo de investigación dirigido por el Dr. Xuping Feng de la Universidad de Zhejiang, China, desarrolló una estrategia innovadora que combina drones y aprendizaje automático para medir los brotes de BB en el campo y detectar genes potencialmente resistentes.

Los investigadores establecieron dos sitios experimentales en la provincia de Zhejiang, China, donde cultivaron más de 60 tipos de cultivares de arroz con diferente resistencia a BB. Usando vehículos aéreos no tripulados (UAV, más conocidos como ‘drones’) equipados con cámaras regulares y multiespectrales, tomaron imágenes de los sitios de cultivo en diferentes etapas del desarrollo de la planta de arroz. Posteriormente, combinaron estas imágenes de UAV con datos de temperatura acumulada (AT) y los usaron para entrenar un modelo de aprendizaje profundo para evaluar la gravedad de BB.