En las últimas décadas, la modelización de la fenología de las plantas leñosas, especialmente la latencia y la floración, se ha convertido en una herramienta clave también para comprender los efectos del cambio climático. Sin embargo, los modelos bioclimáticos tradicionales utilizados para predecir estos eventos presentan importantes discrepancias estructurales, lo que limita su fiabilidad y requiere frecuentes recalibraciones específicas para cada lugar.
Al mismo tiempo, los enfoques basados en el aprendizaje automático (ML) ofrecen potentes soluciones basadas en datos, pero a menudo carecen de interpretabilidad, ya que no tienen la transparencia que caracteriza a los modelos basados en conocimientos biológicos.
Modelo fenológico híbrido
Para superar estas limitaciones, un grupo de investigadores desarrolló y propuso un modelo fenológico híbrido que integra el conocimiento biológico con el aprendizaje automático para predecir la floración de los cerezos.
El modelo se probó en tres estudios de caso en Japón, Corea del Sur y Suiza, superando sistemáticamente tanto a los modelos mecánicos tradicionales como a las redes neuronales.
El modelo híbrido propuesto se basa en una estructura basada en procesos, pero sustituye el componente responsable de la acumulación de frío, esencial para superar la endodormancia, por un perceptrón multicapa (MLP), mientras mantiene sin cambios el módulo de forzamiento térmico.
Diseño del modelo y datos
Este diseño permite que el modelo aprenda la respuesta de la planta a las temperaturas invernales directamente a partir de los datos, al tiempo que mantiene la coherencia con la estructura biológica conocida del proceso.
El conjunto de datos utilizado para el entrenamiento y la evaluación comprendía más de 9000 observaciones de floración, emparejadas con datos de temperatura por hora de la base de datos MERRA-2.
El rendimiento del modelo se comparó con tres modelos bioclimáticos convencionales (Chill Hours, Utah Chill y Chill Days), así como con dos arquitecturas de redes neuronales estándar (CNN y LSTM).
Rendimiento y resultados
Los resultados, expresados como error absoluto medio (MAE), muestran que el modelo híbrido superó sistemáticamente a todos los demás enfoques en todas las condiciones experimentales, con reducciones de error de hasta un 30-40 % en comparación con los modelos tradicionales.
También demostró una especial solidez en entornos con escasez de datos, como Corea del Sur, manteniendo una alta precisión predictiva incluso sin recalibración específica del sitio.
Otra ventaja clave es la capacidad del modelo para generalizar a variedades de árboles no vistas anteriormente, ofreciendo predicciones fiables incluso en condiciones climáticas no representadas en el conjunto de entrenamiento.
Cuestiones relacionadas con la interpretación biológica
A pesar de su éxito predictivo, el análisis de las funciones de respuesta aprendidas reveló algunas discrepancias en comparación con las curvas esperadas desde el punto de vista biológico. Por ejemplo, la respuesta al frío aprendida por el modelo muestra contribuciones fenológicas incluso a temperaturas superiores a 12,5 °C, un rango en el que los modelos clásicos no predicen ningún efecto.
Esto sugiere que, aunque el modelo está limitado por una estructura biofísica, la función aprendida no siempre refleja fielmente los mecanismos biológicos subyacentes.
Limitaciones y trabajo futuro
Además, se observaron variaciones en la respuesta aprendida entre diferentes inicializaciones del modelo (semillas), lo que indica sensibilidad a la variabilidad de los datos de entrada.
El desarrollo futuro del modelo podría introducir técnicas de regularización para orientar el proceso de aprendizaje hacia soluciones biológicamente plausibles, mejorando así tanto la precisión predictiva como la credibilidad científica.
En conclusión, el estudio presenta un enfoque híbrido para el modelado fenológico que equilibra la interpretabilidad y la flexibilidad. Cuando se aplica a la floración del cerezo, el modelo demostró una alta capacidad de generalización, adaptabilidad varietal y precisión predictiva.
Equipo Prensa
Portal Agro Chile
