Proyecto PHEWHEAT

El fenotipado de cultivos en campo mediante técnicas de alto rendimiento (HTP, por sus siglas en inglés) representa un avance fundamental en la intersección entre las ciencias agronómicas, la ingeniería y la inteligencia artificial. Esta disciplina se centra en la caracterización cuantitativa, automatizada y no destructiva de rasgos agronómicos claves en condiciones reales de cultivo. Su propósito es acelerar el conocimiento sobre la interacción genotipo-ambiente, optimizar los programas de mejora vegetal y mejorar la toma de decisiones agronómicas.

Sin embargo, la obtención de estos datos no es suficiente. El verdadero valor reside en transformar esa información en conocimiento útil. A través de algoritmos de inteligencia artificial, análisis multivariante y modelos de predicción, es posible detectar de forma precoz deficiencias nutricionales, estrés hídrico, enfermedades o desequilibrios fisiológicos, anticipando los problemas antes incluso de que un técnico especializado. Esa información, procesada con criterios agronómicos, se traduce en parametrizaciones concretas de cada cultivar que permiten evaluar su rendimiento, resistencia al estrés hídrico y enfermedades incluso antes de que su ciclo de cultivo llegue a término, lo que puede acelerar significativamente el proceso de obtención de nuevas variedades (Figura 1).

Figura 1. Flujo de trabajo para el procesamiento de imágenes hiperespectrales.

Los sistemas de fenotipado en campo de última generación no solo permiten la evaluación de caracteres complejos como arquitectura de la planta, biomasa, eficiencia fotosintética o contenido hídrico, sino que también facilitan el análisis de grandes poblaciones en ensayos de mejora genética y estudios de resiliencia frente al cambio climático. De este modo, el HTP en campo constituye una herramienta clave para lograr una agricultura más productiva, sostenible y adaptada a los desafíos actuales y futuros.

Esta forma de trabajar está dejando de ser exclusiva del ámbito experimental para convertirse en una herramienta clave en programas de mejora vegetal. Estas tecnologías y flujos de trabajo forman parte de proyectos de investigación punteros centrados en el fenotipado de cultivos. A los avances en sensórica se suman los avances en robótica e inteligencia artificial, que permiten desarrollar sistemas autónomos capaces de navegar entre el cultivo, obtener datos, procesarlos y ofrecerle al mejorador un informe de los fenotipos evaluados de forma autónoma.

La generación de estos modelos es sumamente compleja y específica. Cada cultivo requiere de modelos específicos desarrollados en las condiciones climáticas específicas de una zona concreta. La heterogeneidad característica de los sistemas agrícolas hace que la creación de estos modelos y la escalabilidad de esta tecnología sean todo un reto.

El proyecto Phewheat (PID2021-125080OB-I00), financiado por el Ministerio de Ciencia e Innovación y liderado por el grupo de 'Smart Biosystem Laboratory' de la Universidad de Sevilla, está poniendo en juego las tecnologías anteriormente citadas para mejorar la resiliencia del trigo frente a temperaturas extremas, cada vez más frecuentes e intensas debido al cambio climático.

El objetivo principal de este proyecto es profundizar en los mecanismos fisiológicos y genéticos que permiten al trigo mantener su rendimiento bajo condiciones de estrés térmico. Para ello, el equipo está integrando datos fenotípicos, climáticos y moleculares mediante tecnologías de alto rendimiento y modelos predictivos, con el fin de identificar variedades más tolerantes al calor.

Durante los primeros meses del proyecto se han realizado ensayos de campo en condiciones controladas y reales, utilizando sensores remotos, cámaras térmicas y espectrales. Los resultados preliminares apuntan a diferencias significativas entre genotipos en cuanto a la respuesta térmica durante la floración y el llenado de grano, fases críticas para el rendimiento del cultivo (Figura 2).

La plataforma terrestre y eléctrica desarrollada en este proyecto permite la medición de alto rendimiento especializada en trigo, capaz de recopilar datos tanto del ambiente como del cultivo como del suelo (Figura 3). Este sistema de fenotipado está basado en tecnologías digitales avanzadas para caracterizar de forma automática, objetiva y continua indicadores clave en el desarrollo del cultivo.

Con el uso de estas herramientas se busca, por ejemplo, estudiar cómo evoluciona el crecimiento del cultivo a lo largo del tiempo, como en el caso de la fotosíntesis, y cómo cambian las condiciones del ambiente, como la humedad del suelo o el nivel de estrés de las plantas, durante toda la estación de crecimiento bajo diferentes escenarios hídricos. Aunque estos son solo algunos ejemplos, la plataforma es flexible y puede ajustarse para medir muchas otras características del cultivo, como el área foliar, la cobertura vegetal, la cantidad de biomasa, el rendimiento o incluso etapas del desarrollo del cultivo.

El sistema combina un vehículo terrestre equipado con cámara hiperespectral, LiDAR, así como sensor de suelo y termómetro infrarrojo, integrados con sistemas de navegación por satélite de alta precisión (GNSS-RTK). Esta infraestructura tecnológica permite monitorizar a lo largo del ciclo del cultivo variables como el área foliar, la altura de planta, la cobertura del dosel, la capacidad fotosintética o la evolución del estado hídrico, todo ello sin interferir en el desarrollo normal del cultivo ni requerir intervención manual.

En la Figura 3a se muestra la estructura de la plataforma con algunos de los sensores instalados, así como la información que recogen sobre el cultivo y el ambiente. Para obtener datos precisos, es necesario calibrar los sensores en el lugar, por lo que también se realizaron mediciones manuales. Estas mediciones ayudaron a ajustar mejor los modelos utilizados y a reducir el margen de error en la estimación de variables importantes para el cultivo.

Figura 4. Datos agronómicos obtenidos con la plataforma PheWheat.

Los datos recogidos en campo son procesados mediante algoritmos de inteligencia artificial y análisis estadístico multivariado, lo que permite transformar imágenes y señales en información agronómica útil (Figura 4). Esta capacidad de análisis automático permite generar mapas funcionales y modelos predictivos que aceleran la evaluación de líneas genéticas en ensayos de mejora, ofreciendo una imagen mucho más precisa, completa y dinámica que los métodos tradicionales. Durante la campaña 2024, el sistema de medición de la plataforma permitió obtener información detallada sobre el crecimiento del cultivo en distintas etapas del ciclo, y relacionarla con las condiciones de humedad tanto del suelo como de las plantas.

La plataforma desarrollada por la Universidad de Sevilla representa un avance tangible hacia esa transformación. Al integrar tecnologías avanzadas de sensorización, análisis y automatización, permite evaluar con mayor rapidez y objetividad la respuesta del cultivo a distintos tipos de estrés, acortando los ciclos de selección y mejorando la calidad de los datos obtenidos en campo. Esto es especialmente relevante en el caso del trigo, un cultivo clave para la seguridad alimentaria que necesita adaptarse con urgencia a escenarios de calor extremo, sequía o nuevas enfermedades.

Pero el impacto de este proyecto va más allá del trigo. Muchas de sus soluciones pueden ser transferidas a otros cultivos y ámbitos de la producción agrícola, desde la gestión del riego hasta la protección vegetal o la predicción de rendimientos. Con ello, el proyecto no solo contribuye al avance de la mejora vegetal, sino que fortalece el papel de la innovación como motor de una agricultura más resiliente, eficiente y sostenible.

Bibliografía

Thonpson, A.L., Conrad, A., Conley, M.M., Shrock, H., Taft, B., Miksch, C., Mills, T., Dyer, J.M. (2018). A motorized field-based phenotyping cart. HardwareX, 4: e00025. https://doi.org/10.1016/j.ohx.2018.e00025

Andrade Sanchez, P., Gore, M.A., Heun, J.T., Thorp, K.R., Carmo-Silva, A.E., French, A.N., Salvucci, M.E. and White, J.W. (2014). Development and evaluation of a field-based high-throughput phenotyping platform. Functional Plant Biology, vol. 41, no. 1, pp. 68-79.

Pérez-Ruiz, M., Prior, A., Martinez-Guanter, J., Apolo-Apolo, O.E., Andrade-Sanchez, P., Egea, G. (2020). Development and evaluation of a self-propelled electric platform for high-throughput field phenotyping in wheat breeding trials, Computers and Electronics in Agriculture, vol. 169, 105237, https://doi.org/10.1016/j.compag.2020.105237.

La plataforma desarrollada por la Universidad de Sevilla permite evaluar con mayor rapidez y objetividad la respuesta del cultivo a distintos tipos de estrés, acortando los ciclos de selección y mejorando la calidad de los datos obtenidos en campo