Evaluación de la resistencia a imidazolinonas en girasol implementando fenotipado de alto caudal con drones

Autores
Dominguez, Matías; Menes, Jose Fernando; Lavandera, Javier Eduardo; Portillo, Javier Esteban
Año de publicación
2026
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
Artículo completo y poster
El cultivo de girasol es uno de los cuatro cultivos más importantes en la Argentina debido su gran adaptabilidad a los diferentes ambientes en que se cultiva. Actualmente, la producción de girasol en Argentina se realiza con híbridos resistentes a imidazolinonas, por lo que los programas de mejoramiento emplean rutinariamente evaluaciones de poblaciones segregantes para este carácter bajo aplicación y selección de la resistencia al herbicida. En los últimos años, con el advenimiento de los drones y sensores multiespectrales en la agricultura, se ha comenzado a utilizar estos equipos para el fenotipado de alto caudal en distintos cultivos. Asimismo, la mayor capacidad de cómputo y la disponibilidad de diferentes algoritmos de machine learning han impulsado la integración de datos multiespectrales y multitemporales con poderosas herramientas de análisis. En este trabajo se evaluaron diferentes modelos de machine learning y métodos de remuestreo para corregir el desbalance de datos con el objetivo de poder predecir en base a la información multiespectral colectada por vuelos de drones la resistencia o susceptibilidad de una parcela de girasol a la aplicación del herbicida. Los resultados no mostraron diferencias de peso entre los métodos de remuestreo con respecto a los datos originales. En cuanto a los modelos evaluados, los más precisos fueron el modelo lineal discriminante (LDA) y red neural ponderada (avNNet), con valores de precisión general de 80%. El análisis de sensibilidad/especificidad, permitió identificar una mejor performance para la clase resistente sobre la clase susceptible, debido posiblemente a la menor proporción de genotipos susceptibles. Los resultados obtenidos son inéditos para el cultivo de girasol y para su implementación directa en los programas de mejoramiento. Como perspectiva, se pretende continuar con el ajuste y el incremento de la precisión de esta técnica.
EEA Pergamino
Fil: Dominguez, Matías. Instituto Nacional de Tecnología Agropecuaria (INTA). Estación Experimental Agropecuaria Pergamino. Sector Girasol; Argentina
Fil: Menes, José Fernando. Instituto Nacional de Tecnología Agropecuaria (INTA). Estación Experimental Agropecuaria Pergamino. Sección Sistema de Información Geográfica; Argentina
Fil: Lavandera, Javier Eduardo. Instituto Nacional de Tecnología Agropecuaria (INTA). Estación Experimental Agropecuaria Pergamino. Girasol; Argentina
Fil: Portillo, Javier. Instituto Nacional de Tecnología Agropecuaria (INTA). Estación Experimental Agropecuaria Pergamino. Sección Sistema de Información Geográfica; Argentina
Fuente
1° Congreso Internacional de Drones “Una nueva manera de pensar el futuro”, Tucumán, Argentina, del 23 al 25 de septiembre de 2026.
Materia
Agricultura
Sistemas de Información Geográfica
Girasol
Fenotipado
Imágenes Multiespectrales
Aprendizaje Automático
Sensores
Mejoramiento genético
Genetic improvement
Resistencia a los Herbicidas
Agriculture
Geographical Information Systems
Sunflowers
Phenotyping
Multispectral Imagery
Machine Learning
Sensors
Herbicide Resistance
Imidazolinone Herbicides
Unmanned Aerial Vehicles
Herbicida con Imidazolinona
Vehículo Aéreo No Tripulado
Drones
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/4.0/
Repositorio
INTA Digital (INTA)
Institución
Instituto Nacional de Tecnología Agropecuaria
OAI Identificador
oai:localhost:20.500.12123/28201
Acceder
id INTADig_9ed8ffa217c1dad67efe35367642f8c6
oai_identifier_str oai:localhost:20.500.12123/28201
network_acronym_str INTADig
repository_id_str l
network_name_str INTA Digital (INTA)
spelling Evaluación de la resistencia a imidazolinonas en girasol implementando fenotipado de alto caudal con dronesDominguez, MatíasMenes, Jose FernandoLavandera, Javier EduardoPortillo, Javier EstebanAgriculturaSistemas de Información GeográficaGirasolFenotipadoImágenes MultiespectralesAprendizaje AutomáticoSensoresMejoramiento genéticoGenetic improvementResistencia a los HerbicidasAgricultureGeographical Information SystemsSunflowersPhenotypingMultispectral ImageryMachine LearningSensorsHerbicide ResistanceImidazolinone HerbicidesUnmanned Aerial VehiclesHerbicida con ImidazolinonaVehículo Aéreo No TripuladoDronesArtículo completo y posterEl cultivo de girasol es uno de los cuatro cultivos más importantes en la Argentina debido su gran adaptabilidad a los diferentes ambientes en que se cultiva. Actualmente, la producción de girasol en Argentina se realiza con híbridos resistentes a imidazolinonas, por lo que los programas de mejoramiento emplean rutinariamente evaluaciones de poblaciones segregantes para este carácter bajo aplicación y selección de la resistencia al herbicida. En los últimos años, con el advenimiento de los drones y sensores multiespectrales en la agricultura, se ha comenzado a utilizar estos equipos para el fenotipado de alto caudal en distintos cultivos. Asimismo, la mayor capacidad de cómputo y la disponibilidad de diferentes algoritmos de machine learning han impulsado la integración de datos multiespectrales y multitemporales con poderosas herramientas de análisis. En este trabajo se evaluaron diferentes modelos de machine learning y métodos de remuestreo para corregir el desbalance de datos con el objetivo de poder predecir en base a la información multiespectral colectada por vuelos de drones la resistencia o susceptibilidad de una parcela de girasol a la aplicación del herbicida. Los resultados no mostraron diferencias de peso entre los métodos de remuestreo con respecto a los datos originales. En cuanto a los modelos evaluados, los más precisos fueron el modelo lineal discriminante (LDA) y red neural ponderada (avNNet), con valores de precisión general de 80%. El análisis de sensibilidad/especificidad, permitió identificar una mejor performance para la clase resistente sobre la clase susceptible, debido posiblemente a la menor proporción de genotipos susceptibles. Los resultados obtenidos son inéditos para el cultivo de girasol y para su implementación directa en los programas de mejoramiento. Como perspectiva, se pretende continuar con el ajuste y el incremento de la precisión de esta técnica.EEA PergaminoFil: Dominguez, Matías. Instituto Nacional de Tecnología Agropecuaria (INTA). Estación Experimental Agropecuaria Pergamino. Sector Girasol; ArgentinaFil: Menes, José Fernando. Instituto Nacional de Tecnología Agropecuaria (INTA). Estación Experimental Agropecuaria Pergamino. Sección Sistema de Información Geográfica; ArgentinaFil: Lavandera, Javier Eduardo. Instituto Nacional de Tecnología Agropecuaria (INTA). Estación Experimental Agropecuaria Pergamino. Girasol; ArgentinaFil: Portillo, Javier. Instituto Nacional de Tecnología Agropecuaria (INTA). Estación Experimental Agropecuaria Pergamino. Sección Sistema de Información Geográfica; ArgentinaINTA2026-10-21T13:15:48Z2026-10-21T13:15:48Z2026-09info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdfhttp://hdl.handle.net/20.500.12123/282011° Congreso Internacional de Drones “Una nueva manera de pensar el futuro”, Tucumán, Argentina, del 23 al 25 de septiembre de 2026.reponame:INTA Digital (INTA)instname:Instituto Nacional de Tecnología Agropecuariaspainfo:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)2026-11-05T11:51:41Zoai:localhost:20.500.12123/28201instacron:INTAInstitucionalhttp://repositorio.inta.gob.ar/Organismo científico-tecnológicoNo correspondehttp://repositorio.inta.gob.ar/oai/requesttripaldi.nicolas@inta.gob.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:l2026-11-05 11:51:41.795INTA Digital (INTA) - Instituto Nacional de Tecnología Agropecuariafalse
dc.title.none.fl_str_mv Evaluación de la resistencia a imidazolinonas en girasol implementando fenotipado de alto caudal con drones
title Evaluación de la resistencia a imidazolinonas en girasol implementando fenotipado de alto caudal con drones
spellingShingle Evaluación de la resistencia a imidazolinonas en girasol implementando fenotipado de alto caudal con drones
Dominguez, Matías
Agricultura
Sistemas de Información Geográfica
Girasol
Fenotipado
Imágenes Multiespectrales
Aprendizaje Automático
Sensores
Mejoramiento genético
Genetic improvement
Resistencia a los Herbicidas
Agriculture
Geographical Information Systems
Sunflowers
Phenotyping
Multispectral Imagery
Machine Learning
Sensors
Herbicide Resistance
Imidazolinone Herbicides
Unmanned Aerial Vehicles
Herbicida con Imidazolinona
Vehículo Aéreo No Tripulado
Drones
title_short Evaluación de la resistencia a imidazolinonas en girasol implementando fenotipado de alto caudal con drones
title_full Evaluación de la resistencia a imidazolinonas en girasol implementando fenotipado de alto caudal con drones
title_fullStr Evaluación de la resistencia a imidazolinonas en girasol implementando fenotipado de alto caudal con drones
title_full_unstemmed Evaluación de la resistencia a imidazolinonas en girasol implementando fenotipado de alto caudal con drones
title_sort Evaluación de la resistencia a imidazolinonas en girasol implementando fenotipado de alto caudal con drones
dc.creator.none.fl_str_mv Dominguez, Matías
Menes, Jose Fernando
Lavandera, Javier Eduardo
Portillo, Javier Esteban
author Dominguez, Matías
author_facet Dominguez, Matías
Menes, Jose Fernando
Lavandera, Javier Eduardo
Portillo, Javier Esteban
author_role author
author2 Menes, Jose Fernando
Lavandera, Javier Eduardo
Portillo, Javier Esteban
author2_role author
author
author
dc.subject.none.fl_str_mv Agricultura
Sistemas de Información Geográfica
Girasol
Fenotipado
Imágenes Multiespectrales
Aprendizaje Automático
Sensores
Mejoramiento genético
Genetic improvement
Resistencia a los Herbicidas
Agriculture
Geographical Information Systems
Sunflowers
Phenotyping
Multispectral Imagery
Machine Learning
Sensors
Herbicide Resistance
Imidazolinone Herbicides
Unmanned Aerial Vehicles
Herbicida con Imidazolinona
Vehículo Aéreo No Tripulado
Drones
topic Agricultura
Sistemas de Información Geográfica
Girasol
Fenotipado
Imágenes Multiespectrales
Aprendizaje Automático
Sensores
Mejoramiento genético
Genetic improvement
Resistencia a los Herbicidas
Agriculture
Geographical Information Systems
Sunflowers
Phenotyping
Multispectral Imagery
Machine Learning
Sensors
Herbicide Resistance
Imidazolinone Herbicides
Unmanned Aerial Vehicles
Herbicida con Imidazolinona
Vehículo Aéreo No Tripulado
Drones
dc.description.none.fl_txt_mv Artículo completo y poster
El cultivo de girasol es uno de los cuatro cultivos más importantes en la Argentina debido su gran adaptabilidad a los diferentes ambientes en que se cultiva. Actualmente, la producción de girasol en Argentina se realiza con híbridos resistentes a imidazolinonas, por lo que los programas de mejoramiento emplean rutinariamente evaluaciones de poblaciones segregantes para este carácter bajo aplicación y selección de la resistencia al herbicida. En los últimos años, con el advenimiento de los drones y sensores multiespectrales en la agricultura, se ha comenzado a utilizar estos equipos para el fenotipado de alto caudal en distintos cultivos. Asimismo, la mayor capacidad de cómputo y la disponibilidad de diferentes algoritmos de machine learning han impulsado la integración de datos multiespectrales y multitemporales con poderosas herramientas de análisis. En este trabajo se evaluaron diferentes modelos de machine learning y métodos de remuestreo para corregir el desbalance de datos con el objetivo de poder predecir en base a la información multiespectral colectada por vuelos de drones la resistencia o susceptibilidad de una parcela de girasol a la aplicación del herbicida. Los resultados no mostraron diferencias de peso entre los métodos de remuestreo con respecto a los datos originales. En cuanto a los modelos evaluados, los más precisos fueron el modelo lineal discriminante (LDA) y red neural ponderada (avNNet), con valores de precisión general de 80%. El análisis de sensibilidad/especificidad, permitió identificar una mejor performance para la clase resistente sobre la clase susceptible, debido posiblemente a la menor proporción de genotipos susceptibles. Los resultados obtenidos son inéditos para el cultivo de girasol y para su implementación directa en los programas de mejoramiento. Como perspectiva, se pretende continuar con el ajuste y el incremento de la precisión de esta técnica.
EEA Pergamino
Fil: Dominguez, Matías. Instituto Nacional de Tecnología Agropecuaria (INTA). Estación Experimental Agropecuaria Pergamino. Sector Girasol; Argentina
Fil: Menes, José Fernando. Instituto Nacional de Tecnología Agropecuaria (INTA). Estación Experimental Agropecuaria Pergamino. Sección Sistema de Información Geográfica; Argentina
Fil: Lavandera, Javier Eduardo. Instituto Nacional de Tecnología Agropecuaria (INTA). Estación Experimental Agropecuaria Pergamino. Girasol; Argentina
Fil: Portillo, Javier. Instituto Nacional de Tecnología Agropecuaria (INTA). Estación Experimental Agropecuaria Pergamino. Sección Sistema de Información Geográfica; Argentina
description Artículo completo y poster
publishDate 2026
dc.date.none.fl_str_mv 2026-10-21T13:15:48Z
2026-10-21T13:15:48Z
2026-09
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv http://hdl.handle.net/20.500.12123/28201
url http://hdl.handle.net/20.500.12123/28201
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv INTA
publisher.none.fl_str_mv INTA
dc.source.none.fl_str_mv 1° Congreso Internacional de Drones “Una nueva manera de pensar el futuro”, Tucumán, Argentina, del 23 al 25 de septiembre de 2026.
reponame:INTA Digital (INTA)
instname:Instituto Nacional de Tecnología Agropecuaria
reponame_str INTA Digital (INTA)
collection INTA Digital (INTA)
instname_str Instituto Nacional de Tecnología Agropecuaria
repository.name.fl_str_mv INTA Digital (INTA) - Instituto Nacional de Tecnología Agropecuaria
repository.mail.fl_str_mv tripaldi.nicolas@inta.gob.ar
_version_ 1881032529448796160
score 13.334379

Publicaciones similares