Resumen

PEREZ, O. M.. Fenotipado de alto rendimiento usando imágenes aéreas para predecir rasgos agronómicos en programas de mejoramiento de soja. Agrocienc. Urug. [online]. 2025, vol.29, e1530.  Epub 01-Dic-2025. ISSN 2730-5066.  https://doi.org/10.31285/agro.29.1530.

Los programas de fitomejoramiento conocen las ventajas del fenotipado de alto rendimiento (FAR) para incrementar la eficiencia de los métodos de fenotipado clásico y cribado, lo cual se logra ahorrando tiempo y mejorando la precisión de selección. Aun así, la mayoría de los programas todavía no han implementado sistemáticamente esta tecnología en sus líneas de mejoramiento. Esta revisión tiene por objetivo indicar restricciones de implementar FAR a gran escala y resumir estudios según dispositivos usados, clases de datos recolectados y métodos de inteligencia artificial (IA) aplicados para predecir y clasificar caracteres agronómicos en programas de mejoramiento vegetal con foco en soja (Glycine max (L.) Merr.). Excluyendo plataformas FAR en laboratorios e invernáculos, sensoramiento remoto satelital y robots móviles autónomos, esta revisión se enfoca en plataformas FAR a nivel de campo que toman imágenes aéreas desde drones y aplican métodos de IA para asociar esas imágenes con caracteres de interés. Investigaciones en FAR a nivel de campo también se realizan con dispositivos portátiles que registran índices de vegetación individuales (por ejemplo, NDVI), unas pocas bandas espectrales (radiómetros multiespectrales) o el rango continuo del espectro electromagnético de la luz (espectrorradiómetros). Sin embargo, los fitomejoradores deben evaluar miles de líneas experimentales cada año, por lo que usar estos dispositivos en vez de drones implica un compromiso entre precisión de adquisición y el tiempo que lleva colectar los datos. Un desafío en los próximos años es ajustar modelos escalables y confiables y optimizar canales de entrada, procesamiento y salida de datos para proveer información útil a los mejoradores antes de realizar las selecciones.

Palabras clave : agricultura digital; aprendizaje automático; fenómica; sensoramiento remoto; soja.

        · resumen en Inglés | Portugués     · texto en Inglés     · Inglés ( pdf )