El objetivo central es mejorar la precisión en la identificación de momentos críticos del desarrollo del cultivo, como la senescencia foliar, clave para el llenado de granos y el rendimiento final. "La senescencia es un proceso complejo, regulado por factores internos y externos, que implica una caída en la fotosíntesis. Si logramos sincronizar correctamente este proceso con los estadios fenológicos, podemos maximizar el rendimiento", explicó Melanie Corzo, becaria doctoral del Iabimo.

Para entrenar el modelo de machine learning, el equipo creó una base de datos con 25.000 imágenes tomadas con celulares directamente en el campo. Las fotos, correspondientes a dos líneas endocriadas del programa de mejoramiento genético del INTA, fueron clasificadas manualmente por especialistas. Gracias a ello, el sistema puede ahora distinguir de forma automática entre estadios vegetativos y reproductivos del cultivo.

"Este sistema permite eliminar la subjetividad en la evaluación de la fenología del girasol, algo fundamental tanto para la investigación como para la producción", destacó Corzo, quien anticipó que el siguiente paso será escalar el modelo para trabajar con imágenes captadas por drones y satélites.

Según Paula Fernández, investigadora del Iabimo y coordinadora de la línea de genómica y ecofisiología de girasol, SunPheno también aporta datos clave para comprender cómo y cuándo se activa la senescencia en distintos genotipos. "Para ello se toman fotos con teléfonos celulares en una primera instancia, para luego evaluar en condiciones de campo en qué estado fenológico están estos genotipos de girasol", explicó.

Leé también: Santa Fe cerró la soja tardía y acelera la siembra de trigo con más superficie

"El celular se convirtió en una herramienta de fenotipado masivo: generamos más de 5.000 imágenes por campaña y el modelo permite clasificarlas automáticamente", agregó Fernández. Para la especialista, esta plataforma representa un hito porque "es la primera del cultivo de girasol que permite identificar los estadios que determinan su rendimiento".

Más allá de acelerar y estandarizar la toma de decisiones en el campo, el desarrollo marca un paso clave hacia una agricultura digital de precisión en cultivos extensivos, donde conocer el momento exacto del ciclo del cultivo puede hacer la diferencia.

La herramienta está especialmente dirigida a mejoradores, productores y académicos, y ya puede ser utilizada a través de un enlace público. Además del equipo argentino, participaron del desarrollo Sofía Bengoa Luoni, investigadora de la Universidad de Wageningen (Países Bajos), y Farid Melgani, de la Universidad de Trento (Italia).