{"id":163801,"date":"2025-09-14T16:15:52","date_gmt":"2025-09-14T16:15:52","guid":{"rendered":"https:\/\/enolife.com.ar\/es\/?p=163801"},"modified":"2025-09-16T15:45:13","modified_gmt":"2025-09-16T15:45:13","slug":"combinan-inteligencia-artificial-y-biofisica-para-predecir-el-desarrollo-de-la-vid-con-mayor-precision","status":"publish","type":"post","link":"https:\/\/enolife.com.ar\/es\/combinan-inteligencia-artificial-y-biofisica-para-predecir-el-desarrollo-de-la-vid-con-mayor-precision\/","title":{"rendered":"Combinan inteligencia artificial y biof\u00edsica para predecir el desarrollo de la vid con mayor precisi\u00f3n"},"content":{"rendered":"\n

Investigadores de la Universidad de Oregon, Estados Unidos, desarrollaron un m\u00e9todo para predecir la fenolog\u00eda de la vid, es decir, los momentos clave del desarrollo de la uva, tales como el brote, la floraci\u00f3n y el envero. El trabajo que a continuaci\u00f3n publicamos propone una soluci\u00f3n que combina modelos biof\u00edsicos tradicionales con t\u00e9cnicas avanzadas de aprendizaje autom\u00e1tico. El objetivo es mejorar la precisi\u00f3n de las predicciones y facilitar la toma de decisiones en vi\u00f1edos, como la programaci\u00f3n del riego o la fertilizaci\u00f3n<\/strong><\/em>.<\/em><\/strong><\/h4>\n\n\n\n
<\/div>\n\n\n\"\"<\/a>\n\n\n
<\/div>\n\n\n\n

Un grupo de investigadores ha presentado un nuevo m\u00e9todo para predecir la fenolog\u00eda de la vid, es decir, los momentos clave del desarrollo de la uva como el brote, la floraci\u00f3n y el envero. El trabajo, realizado por William Solow<\/strong> y Sandhya Saisubramanian<\/strong>, propone una soluci\u00f3n que combina modelos biof\u00edsicos tradicionales con t\u00e9cnicas avanzadas de aprendizaje autom\u00e1tico. <\/p>\n\n\n\n

La predicci\u00f3n precisa de la fenolog\u00eda es fundamental para los viticultores. Un error en el c\u00e1lculo de estos momentos puede afectar tanto al rendimiento como a la calidad de la cosecha. Hasta ahora, los modelos m\u00e1s utilizados se basan en datos hist\u00f3ricos y en variables como la temperatura acumulada (modelo GDD), pero suelen ser poco flexibles y no consideran otros factores clim\u00e1ticos relevantes. Por otro lado, los m\u00e9todos basados en inteligencia artificial requieren grandes cantidades de datos, algo que no siempre est\u00e1 disponible para cada variedad de uva.<\/p>\n\n\n\n

Los m\u00e9todos de aprendizaje profundo son una alternativa atractiva, pero su rendimiento se ve obstaculizado por conjuntos de datos de fenolog\u00eda escasos, particularmente a nivel de cultivares. En este sentido, Solow<\/strong> y Saisubramanian<\/strong> de la Universidad de Oregon, Estados Unidos (EEUU)<\/strong>, <\/em>proponen un enfoque de modelado h\u00edbrido que combina el aprendizaje multitarea con una red neuronal recurrente para parametrizar un modelo biof\u00edsico diferenciable.<\/p>\n\n\n\n

Al utilizar el aprendizaje multitarea para predecir los par\u00e1metros del modelo biof\u00edsico, este enfoque permite un aprendizaje compartido entre cultivos, mientras preserva la estructura biol\u00f3gica, mejorando as\u00ed la robustez y precisi\u00f3n de las predicciones. La evaluaci\u00f3n emp\u00edrica utilizando conjuntos de datos del mundo real y sint\u00e9ticos demuestra que el m\u00e9todo supera significativamente tanto a los modelos biof\u00edsicos convencionales como a los enfoques de aprendizaje profundo de referencia en la predicci\u00f3n de etapas fenol\u00f3gicas, as\u00ed como de otras variables del estado del cultivo, como la resistencia al fr\u00edo y el rendimiento del trigo.<\/p>\n\n\n\n

<\/div>\n\n\n\n
\"\"<\/a><\/figure>\n\n\n\n
<\/div>\n\n\n\n

El enfoque presentado por Solow y Saisubramanian utiliza una red neuronal recurrente que aprende a ajustar diariamente los par\u00e1metros del modelo biof\u00edsico seg\u00fan las condiciones meteorol\u00f3gicas observadas.<\/strong> Adem\u00e1s, incorpora el aprendizaje multi-tarea, lo que permite compartir informaci\u00f3n entre diferentes variedades de uva sin perder las particularidades biol\u00f3gicas de cada una. De este modo, el sistema puede mejorar su precisi\u00f3n incluso cuando hay pocos datos disponibles para una variedad concreta.<\/p>\n\n\n\n

Para validar su propuesta, los autores han utilizado tanto datos reales como simulaciones. Los datos reales proceden del laboratorio Irrigated Agriculture Research and Extension Center de la Universidad Estatal de Washington<\/strong>, donde se han recogido observaciones diarias sobre 32 variedades de uva desde 1988.<\/strong> Tambi\u00e9n se han empleado modelos sint\u00e9ticos para simular diferentes escenarios clim\u00e1ticos y comprobar la robustez del sistema ante cambios meteorol\u00f3gicos.<\/p>\n\n\n\n

Los resultados muestran que el nuevo m\u00e9todo reduce el error medio en las predicciones respecto a los modelos tradicionales y a otros enfoques basados en inteligencia artificial. Por ejemplo, en el caso de la predicci\u00f3n fenol\u00f3gica, el error medio se sit\u00faa por debajo de ocho d\u00edas, frente a los m\u00e1s de 18 d\u00edas del modelo GDD cl\u00e1sico. Adem\u00e1s, el sistema mantiene la coherencia biol\u00f3gica en sus predicciones: no anticipa etapas imposibles (como un retorno a la dormancia tras el brote) y respeta la secuencia natural del desarrollo del cultivo.<\/p>\n\n\n\n

El modelo tambi\u00e9n ha sido probado en otras tareas agr\u00edcolas, como la predicci\u00f3n de resistencia al fr\u00edo en vides y el rendimiento estacional del trigo. En ambos casos, ha superado a los m\u00e9todos comparativos tanto en precisi\u00f3n como en consistencia biol\u00f3gica.<\/p>\n\n\n\n

<\/div>\n\n\n\n

Introducci\u00f3n<\/strong><\/p>\n\n\n\n

Las tareas estacionales del vi\u00f1edo, como la fertilizaci\u00f3n, el riego, la poda y la cosecha, dependen de predicciones precisas de la fenolog\u00eda de la vid. Los principales estados fenol\u00f3gicos de la vid son: brotaci\u00f3n, floraci\u00f3n y envero.<\/strong> Predicciones inexactas de estos estados pueden llevar a intervenciones mal programadas, lo que resulta en una reducci\u00f3n del rendimiento, la calidad y la salud del vi\u00f1edo.<\/p>\n\n\n\n

Sin embargo, predecir la fenolog\u00eda con precisi\u00f3n es un desaf\u00edo debido a: 1) la disponibilidad limitada de datos hist\u00f3ricos para la calibraci\u00f3n por cultivar y las observaciones escasas durante cada temporada de crecimiento, y 2) la necesidad de modelar con precisi\u00f3n las complejas relaciones entre las variables meteorol\u00f3gicas diarias y la fenolog\u00eda. Los enfoques existentes para este problema suelen dividirse en dos categor\u00edas: modelos biof\u00edsicos mecanicistas y enfoques de aprendizaje profundo basados en datos.<\/p>\n\n\n\n

<\/div>\n\n\n\n
\"\"<\/a><\/figure>\n\n\n\n
<\/div>\n\n\n\n

El modelo de Grados-D\u00eda de Crecimiento (GDD, por sus siglas en ingl\u00e9s) <\/strong>es un modelo biof\u00edsico ampliamente utilizado para la predicci\u00f3n fenol\u00f3gica, que estima las etapas fenol\u00f3gicas en funci\u00f3n del calor acumulado diariamente. El modelo GDD se calibra por vi\u00f1edo utilizando regresi\u00f3n multivariante sobre observaciones hist\u00f3ricas de campo. A pesar de la disponibilidad de muchas variables meteorol\u00f3gicas, el modelo GDD s\u00f3lo usa la temperatura ambiente como entrada, lo que limita su capacidad expresiva. A pesar de varias mejoras propuestas, la precisi\u00f3n de las predicciones fenol\u00f3gicas basadas en GDD sigue siendo relativamente baja, y los vi\u00f1edos buscan activamente mejoras.<\/p>\n\n\n\n

Los m\u00e9todos de aprendizaje profundo ofrecen una alternativa prometedora debido a su capacidad para modelar relaciones complejas y no lineales entre variables meteorol\u00f3gicas y etapas fenol\u00f3gicas. Un trabajo reciente propuso un modelo de clasificaci\u00f3n multitarea para predecir la brotaci\u00f3n de la vid, una etapa fenol\u00f3gica clave (Saxena et al. 2023a). Aprovecharon la informaci\u00f3n compartida entre cultivares para mejorar la precisi\u00f3n, especialmente en cultivares con pocos datos. Sin embargo, este enfoque a menudo produjo predicciones biol\u00f3gicamente inconsistentes, como predecir la brotaci\u00f3n seguida de un retorno a la latencia en pocos d\u00edas, lo cual contradice la progresi\u00f3n unidireccional de las etapas fenol\u00f3gicas. Tales inconsistencias introducen ambig\u00fcedad en la interpretaci\u00f3n de las predicciones y las vuelven inadecuadas para la toma de decisiones en el campo, especialmente considerando que los viticultores dependen de los modelos fenol\u00f3gicos para realizar pron\u00f3sticos operativos de mediano plazo (7\u201314 d\u00edas).<\/p>\n\n\n\n

Una direcci\u00f3n emergente es el modelado h\u00edbrido, que combina aprendizaje profundo y modelos biof\u00edsicos para abordar sus respectivas limitaciones y mejorar la precisi\u00f3n de las predicciones. Recientemente se ha aplicado para predecir con precisi\u00f3n la fecha de floraci\u00f3n en cerezos, aprovechando el aprendizaje profundo para aproximar la funci\u00f3n interna de respuesta a la temperatura dentro del modelo GDD. Sin embargo, esta formulaci\u00f3n no considera los efectos de variables meteorol\u00f3gicas ex\u00f3genas, como la irradiaci\u00f3n solar y la precipitaci\u00f3n, que afectan significativamente el desarrollo fenol\u00f3gico y son particularmente importantes para la predicci\u00f3n fenol\u00f3gica de la vid a lo largo de la temporada.<\/p>\n\n\n\n

Para abordar los desaf\u00edos en la predicci\u00f3n precisa de la fenolog\u00eda de la vid, los autores de este trabajo proponen un enfoque de modelado h\u00edbrido que utiliza un modelo profundo recurrente para predecir los par\u00e1metros diarios del modelo GDD, condicionados por variables meteorol\u00f3gicas ex\u00f3genas. Este enfoque emplea aprendizaje multitarea mediante una incrustaci\u00f3n por cultivar para compartir datos de manera eficiente entre cultivares y aumentar la precisi\u00f3n de las predicciones por cultivar.<\/p>\n\n\n\n

<\/div>\n\n\n
\n
\"\"<\/a>
Figura 1: Visi\u00f3n general del problema y de los enfoques de soluci\u00f3n. <\/strong><\/em>Izquierda<\/strong>: Las observaciones hist\u00f3ricas de clima y fenolog\u00eda est\u00e1n disponibles por cultivar para calibrar los modelos fenol\u00f3gicos. Los modelos biof\u00edsicos, de aprendizaje profundo e h\u00edbridos predicen el inicio de la etapa fenol\u00f3gica. Las marcas con una \u2018x\u2019 roja indican errores de predicci\u00f3n mayores a cinco d\u00edas, y las marcas con un tilde verde indican errores menores a cinco d\u00edas. Un signo de interrogaci\u00f3n representa una predicci\u00f3n biol\u00f3gicamente inconsistente. Los modelos biof\u00edsicos presentan errores de predicci\u00f3n significativos y los m\u00e9todos de aprendizaje profundo generan predicciones biol\u00f3gicamente inconsistentes. Nuestro enfoque h\u00edbrido propuesto mejora sustancialmente la precisi\u00f3n de las predicciones. <\/strong><\/em>Derecha:<\/strong> Ilustraciones de los enfoques actuales y del propuesto para predicciones del estado del cultivo.<\/strong><\/em><\/figcaption><\/figure><\/div>\n\n\n
<\/div>\n\n\n\n

Los autores proporcionan en este estudio una implementaci\u00f3n novedosa del modelo GDD en un marco diferenciable, que permite realizar descenso de gradiente sobre los par\u00e1metros de la red neuronal con aprendizaje supervisado.<\/p>\n\n\n\n

<\/div>\n\n\n\n

Conclusi\u00f3n y trabajo futuro<\/strong><\/p>\n\n\n\n

Este art\u00edculo presenta un novedoso m\u00e9todo de aprendizaje profundo que predice los par\u00e1metros de modelos biof\u00edsicos. Los resultados muestran que aprovechar los beneficios tanto de la arquitectura de redes profundas como de los modelos biof\u00edsicos puede superar a ambos m\u00e9todos por separado.<\/p>\n\n\n\n

Se planea implementar el modelo DMC-MTL<\/strong> para fenolog\u00eda en oto\u00f1o de 2025 en la plataforma ABC (an\u00f3nima para la presentaci\u00f3n). En el futuro, el objetivo es relajar la suposici\u00f3n de un modelo diferenciable<\/strong> mediante un enfoque basado en Aprendizaje por Refuerzo<\/strong>, para explorar otros dominios donde la predicci\u00f3n es cr\u00edtica para la transferencia de simulaci\u00f3n a realidad (por ejemplo, rob\u00f3tica).<\/p>\n\n\n\n

Adem\u00e1s, tambi\u00e9n se busc\u00f3 desarrollar enfoques para la calibraci\u00f3n en tiempo real<\/strong> de modelos biof\u00edsicos y la cuantificaci\u00f3n de la incertidumbre<\/strong> en tareas de predicci\u00f3n del estado de los cultivos.<\/p>\n\n\n\n

<\/div>\n\n\n\n

Ver el estudio completo aqu\u00ed: https:\/\/arxiv.org\/abs\/2508.03898<\/a><\/p>\n\n\n\n

<\/div>\n\n\n\n

Fuente: Universidad de Oregon, Estados Unidos. T\u00edtulo original de la investigaci\u00f3n: \u00abCalibraci\u00f3n de modelos biof\u00edsicos para la predicci\u00f3n de la fenolog\u00eda de la uva a trav\u00e9s del aprendizaje multitarea<\/strong><\/em>\u00ab. Autores: William Solow y Sandhya Saisubramanian, de la Oregon State University<\/strong><\/em>.<\/em><\/strong><\/p>\n\n\n\n

<\/div>\n","protected":false},"excerpt":{"rendered":"

Investigadores de la Universidad de Oregon, Estados Unidos, desarrollaron un m\u00e9todo para predecir la fenolog\u00eda…<\/p>\n","protected":false},"author":2,"featured_media":164272,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[8],"tags":[],"class_list":["post-163801","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-tecnologias"],"_links":{"self":[{"href":"https:\/\/enolife.com.ar\/es\/wp-json\/wp\/v2\/posts\/163801","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/enolife.com.ar\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/enolife.com.ar\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/enolife.com.ar\/es\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/enolife.com.ar\/es\/wp-json\/wp\/v2\/comments?post=163801"}],"version-history":[{"count":0,"href":"https:\/\/enolife.com.ar\/es\/wp-json\/wp\/v2\/posts\/163801\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/enolife.com.ar\/es\/wp-json\/wp\/v2\/media\/164272"}],"wp:attachment":[{"href":"https:\/\/enolife.com.ar\/es\/wp-json\/wp\/v2\/media?parent=163801"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/enolife.com.ar\/es\/wp-json\/wp\/v2\/categories?post=163801"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/enolife.com.ar\/es\/wp-json\/wp\/v2\/tags?post=163801"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}