El maíz (Zea mays L.), el cereal más producido a nivel mundial, debe su mayor productividad a factores genéticos, agronómicos y climáticos, en los que los cultivares adaptados a una… La entrada Nuevo algoritmo automático revela información clave sobre la orientación de las hojas y la productividad de las plantas se publicó primero en Mundo Agropecuario BET.

El maíz (Zea mays L.), el cereal más producido a nivel mundial, debe su mayor productividad a factores genéticos, agronómicos y climáticos, en los que los cultivares adaptados a una mayor densidad desempeñan un papel crucial. 

por la Universidad Agrícola de NanJing

Investigaciones recientes se han centrado en la plasticidad arquitectónica del maíz, en particular su capacidad para adaptar la arquitectura de las hojas para maximizar la interceptación de la luz en diferentes densidades. Esta adaptación incluye la reorientación de las hojas, una respuesta a la competencia intraespecífica, influenciada por cambios en las proporciones de luz roja a roja lejana.

Sin embargo, los estudios actuales son limitados, a menudo examinan solo uno o dos genotipos y están limitados por mediciones manuales que requieren mucho tiempo. Los avances recientes en el fenotipado de alto rendimiento, utilizando tecnologías como cámaras RGB y LiDAR, han facilitado una recopilación de datos más eficiente. A pesar de estos avances, persiste una brecha significativa en el desarrollo de métodos automáticos basados ​​en el campo para rastrear la orientación de las hojas de maíz , un aspecto esencial para comprender las interacciones entre genotipo y medio ambiente y optimizar el rendimiento en condiciones de alta densidad.

En mayo de 2023, Plant Phenomics publicó un artículo de investigación titulado «Análisis de cambios en la orientación de las hojas de maíz debido a GxExM utilizando un método automático a partir de imágenes RGB».

En este estudio, se desarrolló un algoritmo automático (Estimación automática del azimut de la hoja a partir de la detección de la nervadura central [ALAEM]) para describir la orientación de las hojas de maíz en condiciones de campo utilizando imágenes RGB verticales. El algoritmo se validó frente a mediciones manuales en el suelo y se aplicó a un panel de cinco cultivares de maíz sembrados con diferentes densidades y espaciamientos entre hileras en dos sitios del sur de Francia. Este trabajo tuvo como objetivo evaluar las influencias genotípicas y ambientales sobre la orientación de las hojas y la plasticidad de los cultivares para adaptar su orientación foliar.

Los resultados de la validación mostraron que las estimaciones de ALAEM sobre la orientación de las hojas se alineaban más estrechamente con las mediciones manuales a medida que se desarrollaban las plantas de maíz. Las primeras etapas mostraron una correlación baja (R ² = 0,014 a 220 °Cd y R ² = 0,125 a 430 °Cd), pero a 650 °Cd se observó una correlación significativa (R ^{2 = 0,36).} El algoritmo capturó la mayor variabilidad entre tratamientos, genotipos y sitios, con un RMSE satisfactorio de una desviación del 10%.

Sin embargo, la efectividad de ALAEM varió según el sitio y la etapa de desarrollo, influenciada por factores como la heterogeneidad de las parcelas y la visibilidad de las hojas. ALAEM reveló distintos patrones en la orientación de las hojas en diferentes genotipos y patrones de siembra. A 650 °Cd se observó una clara orientación preferencial de las hojas, especialmente en patrones de siembra de alta rectangularidad. Esta orientación varió entre sitios y estuvo influenciada por factores como las condiciones de luz solar y la competencia intraespecífica. El algoritmo mostró que algunos híbridos tenían una reorientación de las hojas más pronunciada en respuesta a una siembra de alta rectangularidad, lo que indica una mayor plasticidad.

A pesar de su eficacia, ALAEM tiene limitaciones. Se basa en imágenes RGB verticales y no puede proporcionar acimutes por rango de hoja. El algoritmo detecta principalmente las hojas superiores del dosel, y las hojas inferiores a menudo quedan ocultas. Las condiciones de iluminación durante la captura de imágenes también afectan la precisión de la detección de la nervadura central.

En general, el estudio destacó el impacto de la competencia intraespecífica y las condiciones ambientales en la orientación de las hojas del maíz. Identificó diferencias significativas entre los híbridos en la capacidad de reorientación de las hojas bajo diferentes patrones de siembra, lo que proporcionó información sobre su plasticidad arquitectónica. Esto subraya la utilidad de ALAEM en experimentos de fenotipado a gran escala y avanza en la comprensión de la dinámica de orientación de las hojas de maíz en condiciones de campo.

Más información: Mario Serouart et al, Análisis de cambios en la orientación de las hojas de maíz debido a GxExM utilizando un método automático a partir de imágenes RGB, Plant Phenomics (2023). DOI: 10.34133/plantfenómica.0046

La entrada Nuevo algoritmo automático revela información clave sobre la orientación de las hojas y la productividad de las plantas se publicó primero en Mundo Agropecuario BET.