IA aplicada para la mejora genética de la soja: herramientas, flujos de trabajo y casos de uso del Soybean Breeders' Workshop 2026

El congreso y por qué se dio esta charla

El Soybean Breeders' Workshop 2026 se celebró en formato híbrido desde la Universidad de Georgia. La invitación llegó por una vía inusualmente sincera: Brian Little estaba investigando dispositivos de mano capaces de escanear y analizar cosas en el campo, se metió en una madriguera de YouTube y encontró Petiole Pro.

Petiole es una empresa con sede en el Reino Unido, de nueve años de vida, cuya aplicación móvil gratuita insignia convierte imágenes de móvil y de dron en información agronómica con IA. La plataforma se ha citado en más de 110 artículos científicos, y el trabajo ha contado con el apoyo de tres subvenciones de los gobiernos del Reino Unido y de la UE. Tres de esos artículos citan directamente a Petiole Pro como herramienta de recogida de datos dentro de experimentos con soja.

IA frente a IA aplicada en soja

Pregunte a cualquier buscador o chatbot «¿qué es la IA para la soja?» y obtendrá una respuesta al instante. La respuesta será fluida, estructurada y en su mayor parte aspiracional: una mezcla de resumen, generación de ideas y algo de ensoñación. Prometerá una mejora genética acelerada, detección de plagas en tiempo real, predicción de rendimiento con más de un 90 % de exactitud y optimización del riego.

El problema no es la exactitud. El problema es la aplicabilidad. Haga la pregunta siguiente —«¿cómo puedo usar las herramientas existentes en mi investigación con soja?»— y seguirá obteniendo cinco o diez líneas. Intente usarlas y acabará con uno, quizá dos, casos que funcionen de verdad.

Así que esta charla no va de una IA general, polivalente y omnidireccional para la mejora de la soja. Va de lo que es práctico y aplicable. Dicho con precisión, el tema es la IA aplicada, visual y basada en el móvil para la soja, porque eso es lo que nueve años de trabajo sugieren que tiene mayor recorrido práctico.

Ese enfoque importa por una razón concreta. Quienes investigan ya saben lo que es posible ante equipos y cámaras muy caros. La pregunta más útil —tanto para la investigación como para la extensión agraria— es qué se puede hacer con un teléfono móvil corriente en la mano.

La base tecnológica de todas las herramientas

Todas las herramientas de la charla se apoyan en la misma base, y conviene nombrar las piezas porque los términos se usan con ligereza:

• Visión artificial: los ojos tecnológicos. Cómo un ordenador ve una imagen y entiende qué hay en ella.
• Aprendizaje automático y aprendizaje profundo: el aprendizaje profundo forma parte del automático. Es lo que toma los datos de la imagen, los procesa y encuentra los patrones dentro de lo recogido.
• Teledetección (opcional): índices, el más famoso el NDVI, usados para entender carencias en los cultivos.
• Sensores (opcional): un extra que aporta capas adicionales de datos para respaldar una afirmación: seguimiento ambiental y cómo se corresponden las condiciones con una etapa concreta.

Etapa 1: germinación

El trabajo que hay que hacer en germinación es evaluar el porcentaje de germinación, la velocidad y el vigor, y la uniformidad. En la práctica se descompone en dos tareas: contar las semillas germinadas, medir la longitud de la radícula y clasificar las plántulas anómalas, y después construir la curva de germinación automáticamente.

La herramienta es una cámara RGB corriente. La cámara de un teléfono es una cámara RGB, así que no hace falta nada más. Del recuento se obtienen los alvéolos germinados y no germinados, y la tasa de germinación sale sola.

La capa adicional es ambiental: los sensores de temperatura y humedad permiten vincular los resultados de germinación con las condiciones que los produjeron, algo que importa cuando las bandejas están en sitios distintos y las condiciones del experimento se diversifican de verdad.

Así es la automatización en la práctica. Las imágenes de abajo son de plántulas forestales, no de soja, pero el proceso funciona igual en cualquier cultivo en bandeja, y se muestran para demostrar qué resulta posible en bandejas de germinación de soja. Lo bonito no es el algoritmo: es que nadie se planta delante de las bandejas contando con los ojos y los dedos y anotando en una libreta.

Y aquí llega la parte de la honestidad. Una persona usuaria de Petiole Pro nos envió su propia bandeja de germinación de soja y preguntó si podía aplicarse nuestro módulo. La respuesta fue: puede intentarlo, pero mire las dos imágenes una al lado de la otra.

El algoritmo de visión artificial también ve esa diferencia, y se pierde. No entiende qué queremos de él. El modelo ya conoce el concepto: hay alvéolos, puede haber plántulas dentro, sin plántula significa no germinado. El reto no es el algoritmo: es aportar datos relevantes para entrenarlo y ajustarlo. Como con cualquier modelo de IA, si se aportan los datos adecuados y se entrena, el rendimiento y la exactitud pueden mejorar y dispararse.

Esa distinción —un modelo existente frente a un modelo que funciona— es lo más útil que puede llevarse de esta sección quien trabaja en mejora genética. Si quiere profundizar en la mecánica del conteo automático de germinación, lo tratamos aparte en Más allá del brote: conteo de germinación con IA.

Etapa 2: nascencia y emergencia

El trabajo a realizar pasa a ser el porcentaje de emergencia, el recuento de plantas establecidas, los huecos y el estrés temprano. Dos enfoques: conteo de emergencia a escala de parcela y tendencias de vigor temprano mediante índices.

Puede usar un teléfono. Puede usar un dron, RGB o multiespectral si dispone de él. Pero el método más interesante vino de un investigador que montó un experimento de bajo coste: acopló un móvil a un palo selfi, lo apuntó hacia abajo sobre las plantas y recorrió la línea grabando vídeo. No es innovación en ningún sentido grandilocuente —nada de ello es nuevo— y precisamente por eso funciona. Escaló, porque caminar escala, y el vídeo se procesó limpiamente en recuentos.

En esta etapa también puede vincular los datos de germinación y recuento con los datos meteorológicos y construir la dependencia. Y puede empezar a captar tendencias más amplias: señales tempranas de enfermedad o la presencia de clorosis. Pero lo que descubrimos es que el alcance se amplía enormemente en cuanto hay crecimiento foliar y al menos unas pocas hojas con las que trabajar. Ahí es donde se pone interesante.

Etapa 3: crecimiento foliar y fase vegetativa

Ahora el trabajo a realizar es la cobertura del dosel, el vigor, los indicadores de IAF, el estrés nutricional, las malas hierbas y el inicio de plagas o enfermedades. Dos caballos de batalla: la teledetección con dron multiespectral más dron RGB, y el muestreo en campo con una aplicación móvil. La imagen de satélite queda en la columna de lo prescindible, con tres reservas: precio, tiempo y exactitud.

RGB, multiespectral y la trampa de la luz púrpura

La imagen multiespectral puede detectar enfermedades antes que la RGB porque capta longitudes de onda más allá de la luz visible. Vale la pena ver qué aspecto tiene eso realmente, porque aquí hay una trampa en la que mucha gente cae.

El púrpura multiespectral y el púrpura de los LED de cultivo vertical no son lo mismo. Si captura una imagen bajo luces LED de cultivo, sigue procesándola como imagen RGB corriente, y no puede obtener detección temprana de enfermedades en esas condiciones. La multiespectral sí. (Si merece la pena probar la captura multiespectral bajo LED es una cuestión abierta y bastante interesante.)

Medición del área foliar

En cuanto hay hojas, la primera tarea realmente aplicable desde el móvil es la medición del área foliar. No es ciencia nueva: es un procedimiento estándar. Lo que cambia es que una tarea manual pasa a ser digital, lo que aporta exactitud y, sobre todo, escalabilidad.

El argumento de la escalabilidad es concreto. Una evaluación manual del área foliar con ImageJ o papel milimetrado puede consumir un día. Con la aplicación móvil, algunos equipos han tomado miles de fotografías, porque tienen una gran selección de plantas y necesitan medirlas todas, y en ese caso más datos significan directamente más exactitud en los resultados. El método es sencillamente: fotografiar la hoja delante de una placa de calibración, o colocarla encima.

Las placas de calibración vienen en varios tamaños, impulsados por peticiones de quienes cultivan. La más pequeña se desarrolló específicamente para un investigador en Colombia que medía área foliar en condiciones naturales, en plena montaña: la aplicación funciona sin conexión, sin internet, que es lo que hizo aquello posible. Si quiere el detalle sobre por qué está ahí la placa y qué ocurre sin ella, lo tratamos en ¿Necesito una placa de calibración para Petiole Pro?, y la técnica de captura en cómo fotografiar hojas para medir el área foliar con precisión en el campo.

Hay miles, quizá millones, de escenarios en los que el área foliar es un parámetro útil: cualquier ensayo de insumos agrícolas, cualquier intento de evaluar el impacto de un cambio ambiental sobre una variedad concreta. Este es un método para automatizarlo.

Detección de cambios en fase temprana: el experimento del pepino

Un agricultor con seis líneas de plantas aplicó un tratamiento distinto a cada línea. Visualmente notaba que algunas líneas estaban más verdes que otras. Su pregunta era la correcta: ¿cómo lo demuestro?

Fijamos un umbral de verdor y construimos un modelo alrededor. Él grabó vídeo; el proceso segmentó cada hoja de los fotogramas; después se comparó cada hoja con el umbral. Nunca había tenido cifras. Le devolvimos seis páginas de métricas —por hoja, por línea, frente al total, frente a la media— porque, una vez que los datos son buenos, extraerlas no es lo difícil.

Cuantificar el daño por enfermedades y plagas

El área foliar es directa: se cuenta. La enfermedad es más difícil, porque la pregunta no es «¿está ahí?», sino «¿cuánta hay y en qué dirección se mueve?».

Una de nuestras subvenciones del Gobierno británico financió exactamente esto: un sistema de IA para la detección y el seguimiento tempranos del moteado y el chancro del manzano para el sector británico. Dos tareas: detectar las lesiones, difícil en fases tempranas, y después medirlas. De la medición sale un umbral, y de la medición repetida sale la dinámica: ¿está remitiendo la enfermedad o no?

Una decisión de diseño deliberada: informar en porcentajes, no en centímetros cuadrados brutos. Quien produce no tiene tiempo de calcular si 24 cm² es mucho o poco. Le encanta el porcentaje, así que entregue la cifra que realmente sirve para la decisión.

El mismo método de medición cubre el daño por plagas. Hay dos tipos distintos de área dañada y necesitan tratamientos diferentes: las manchas coloreadas o decoloradas sobre la hoja, y el área físicamente ausente, mordisqueada.

En el caso mordisqueado se puede cuantificar el área que queda después de que la plaga haya comido y, más útil aún, calcular qué área ha sido comida y expresarla como porcentaje. Esa es la cifra que informa sobre el impacto.

Trabajamos con productores de frutos rojos contando plagas en trampas adhesivas amarillas, pero para la soja la experiencia más relevante es la medición del área dañada anterior. El caso práctico en soja está en preparación. Si quiere el método completo de cuantificación del daño —segmentación, índices de color y por qué merece la pena tener tanto porcentajes como cm² absolutos—, está desarrollado en Evaluación con IA del área foliar necrótica.

Etapa 4: floración, y por qué fallan aquí los drones

La floración es donde vive el rendimiento, así que el trabajo a realizar es la fecha de floración, la uniformidad, la densidad floral y el impacto del estrés sobre el cuajado. El muestreo en campo con una aplicación móvil va primero; el dron RGB, segundo; la imagen térmica, tercera. Los modelos de fenología —predecir la ventana de floración a partir del tiempo y la fecha de siembra— son un extra para planificar ensayos.

Aquí viene la parte que conviene decir con claridad, porque va a contracorriente de buena parte de las conversaciones sobre fenotipado. Los drones no pueden captar correctamente las flores de soja. Dos razones, y se acumulan:

1. Las flores están ocultas. Quedan por debajo de la cobertura foliar. Una cámara que mira hacia abajo ve hojas.
2. La separación de color es difícil. Si la soja tiene flores moradas, al menos hay una diferencia con la que trabajar. Si son blancas o amarillentas, es un problema realmente difícil para un algoritmo de visión artificial incluso con un buen etiquetado, siendo el etiquetado el paso en el que se le dice al modelo, sobre la foto, esto es una flor y esto es una hoja.

Añada a eso el desenfoque por movimiento del dron. Para reducirlo hace falta menos velocidad y menos altura, pero si vuela más bajo sigue sin ver las flores bajo las hojas superiores. No es viable comercialmente ni en la práctica usar un vehículo aéreo no tripulado para contar flores de soja.

Lo que sí funciona: dispositivos de mano recogiendo imágenes a la altura de la planta, no por encima. O un móvil acoplado a un quad o a un tractor, capturando a la altura del dosel. Los datos tomados desde el nivel de las plantas son más informativos que los tomados desde arriba. Y en un campo enorme, muestree y después dimensione el recuento con estadística.

Primero consiga el recuento bruto de flores con visión artificial. Después añada encima los modelos de fenología para un resultado más rico. Pero el recuento es el cimiento; todo lo demás se apoya en él.

Etapa 5: llenado de vaina y madurez

El llenado de vaina hereda exactamente el problema de la floración: las vainas son del mismo color que el follaje y quedan por debajo de las hojas. El trabajo a realizar es el éxito del cuajado, el estrés durante el llenado, la biomasa y los indicadores de rendimiento, y una vez más el fenotipado en campo supera al fenotipado por teledetección.

La imagen térmica se gana su sitio en esta etapa y antes. Desde las primeras hojas, las cámaras térmicas en dron detectan el estrés hídrico y señalan zonas de interés. Los drones no pueden contar sus vainas ni sus flores, pero sí pueden encontrar su estrés, y ese método se transfiere a otros cultivos.

Etapa 6: control de calidad de semilla en poscosecha

Todo lo anterior ha sido en campo o en invernadero. La poscosecha es distinta, y es uno de los casos de éxito claros, porque ocurre en un entorno controlado. No depende de la temperatura ni del tiempo. Se tiene una única configuración de iluminación y un único protocolo de recogida de datos.

El trabajo a realizar: recuento, distribución de tamaños, grietas, decoloración, mohos, impurezas, pureza varietal e indicadores de viabilidad. Dos vías, que se suman en lugar de competir:

1. Aplicación móvil, control de calidad visual. Recuento, tamaño, presencia o ausencia de defectos, agrietado visible y cualquier problema de la muestra.
2. NIR, hiperespectral o rayos X. Para el estado interno. La visión artificial y la imagen RGB son buenas en lo que podemos ver; no dicen nada del perfil químico de una semilla ni de sus problemas internos. Las proteínas y los aceites se pueden descubrir por esta vía, pero el equipamiento es caro.

A nivel productivo, esto se convierte en máquinas automáticas de control de calidad y clasificadoras, de nuevo basadas en visión artificial.

Tres flujos de trabajo: satélite, dron y móvil

Satélite, y por qué apenas apareció

La imagen de satélite salió una vez, brevemente, y sobre todo para explicar su ausencia. Quien trabaja en mejora vegetal se interesa por resultados muy concretos de experimentos concretos. El satélite sirve para políticas públicas y para entender el alcance general de la producción. La resolución sencillamente no aporta la información que necesita un programa de mejora.

Dron RGB: donde los drones ganan de verdad

Los drones son excelentes, y la charla fue clara sobre dónde: recuentos de emergencia, encamado y madurez. El encamado en particular es un caso en el que lo portátil sencillamente no puede competir: hay que subir para ver las zonas afectadas en fase tardía. La madurez, al ser un problema de diferencia de color a lo largo de un campo, también encaja bien.

Dispositivos móviles: el hilo conductor

Germinación. Exploración en campo: estado de la planta, recuento de flores y rendimiento, presión de plagas y enfermedades. Control visual de calidad de semilla en poscosecha. Y luego una categoría extra que nadie pide y todo el mundo necesita: la rutina operativa.

Esa vista por desviación típica merece una pausa. No solo contamos y mostramos el recuento: mostramos cómo se distribuyen las semillas, cuántas están en el rango medio, cuántas en el extremo pequeño y cuántas en el grande. Es la diferencia entre un número y una caracterización.

Excelencia operativa: la parte que nadie pide

Este fue el corazón callado de la charla. Años de trabajo con equipos de mejora y con productores nos enseñaron que obtener el número no es la tarea. Siempre hay que adjuntarle algo: qué variedad, cuándo se sembró, cuándo se aplicó el fertilizante o cualquier otro insumo agrícola. Nunca es la historia de un solo número. Es un recorrido de cultivo, y el contexto tiene que engancharse sin fricción; de lo contrario, se hace el recuento y luego desaparece, porque la etapa siguiente ya ha empezado.

El problema que esto resuelve es de una vulgaridad casi vergonzosa. Alguien con tres experimentos y cuatro aplicaciones de fertilizante trabaja en el campo, vuelve a la oficina e intenta pasar sus notas a una tabla de Excel. Consume tiempo. A veces las notas se pierden. A veces han estado bajo la lluvia y no están muy legibles. Y el registro histórico acaba en algún lugar de Google Drive, para buscarlo después.

Hay una segunda razón para mantenerlo junto, más allá de no perderlo. Una vez que todos los datos están en un mismo sitio, se pueden pasar a un algoritmo de IA que aporte más información, porque a veces se nos escapan cosas, y resumir datos es justo aquello en lo que estos sistemas son buenos.

Una inesperada: el caudal de las boquillas

Uno de los artículos sobre soja que citan a Petiole Pro trataba nominalmente del área foliar, pero la tarea real del equipo era evaluar la configuración de las boquillas de un pulverizador. Usaban papel hidrosensible y necesitaban cuantificar la huella de cada boquilla en cada ajuste. No es una aplicación de mejora genética, pero aplicar bien los productos fitosanitarios es un trabajo importante, y la misma maquinaria de medición sirve: cuantificar la impresión en lugar de calcularla a ojo y obtener al menos un porcentaje.

Nódulos, estomas y modelos entrenados a demanda

Dos últimas piezas científicas, ambas surgidas del problema de alguien y no de nuestra hoja de ruta.

El conteo de estomas nos lo trajo un equipo de mejora de trigo que intentaba evaluar sus resultados y para el que el conteo manual era un castigo. No es una tarea de soja, pero puede resultar útil, y ahora existe como aplicación web y móvil.

El conteo de nódulos sí es un caso de éxito en soja, y vino de un investigador de la Universidad Estatal de Kansas. Se puso en contacto con una queja justa: ustedes miden hojas, pero yo trabajo con raíces, y contar estos nódulos me lleva el día entero cuando estoy ocupado con otras tareas; ¿pueden ayudarme? Era una tarea interesante, así que la aceptamos. Fue hace unos tres años, antes del auge de la IA, cuando la visión artificial no era ni de lejos una aplicación tan popular como ahora.

Esto es lo que significa «IA a demanda» en la práctica, y cierra el círculo con el fallo de la germinación. El modelo de germinación no funcionó en soja porque no había visto soja. Pero es un problema resoluble: si algo ya está desarrollado, podemos profundizar con sus imágenes y construirlo juntos.

Ver la charla completa

La sesión completa —las seis etapas, las comparaciones de herramientas, los casos de fracaso y las preguntas del público— está en YouTube.

Si lo que busca son los fundamentos que hay debajo de todo esto —qué es el aprendizaje automático, en qué se diferencia el aprendizaje profundo, qué separa la agricultura tradicional de la agricultura inteligente—, hay un curso introductorio gratuito en Udemy. La IA avanza rápido; la agricultura avanza a la velocidad de las estaciones y de los ciclos biológicos, que no es en absoluto la misma velocidad, y conviene recordar los fundamentos.

Cuatro temas del programa general

La charla fue una sesión dentro de un programa completo, y lo que se nos quedó no fue solo lo propio. Cuatro direcciones resultaron especialmente relevantes a lo largo del congreso:

1. La velocidad y el volumen de trabajo han dejado de ser un extra. Viveros de invierno, flujos de invernadero más inteligentes, eficiencia liderada por el personal técnico: así se mide en realidad el tiempo de ciclo. De lo contrario, la rutina se come el tiempo.
2. El fenotipado de alto rendimiento se abordó sobre todo a través de la imagen de dron para madurez y comportamiento en campo. Nosotros defendíamos las herramientas de mano, pero con auténtico (y mutuo) cariño por los drones, es bueno ver este método de recogida de datos tratado como una señal repetible para tomar mejores decisiones en campo.
3. La resistencia duradera está ganando peso. El nematodo del quiste de la soja y la presión de enfermedades siguen siendo implacables, y hubo mucho pensamiento práctico sobre apilamiento de genes, validación y mantener útil la resistencia en el tiempo, en lugar de ganar una sola campaña. Todo el mundo está buscando activamente fuentes nuevas de resistencia, incluidos los recursos de soja silvestre.
4. Los rasgos de calidad se están adelantando en la cadena. Perfil de aceite, proteína y analítica de composición como siempre, pero ahora escalando el perfilado de ácidos grasos (FAME/GC) y otros cribados de composición más temprano, y no solo al final.

Y la guinda —o mejor, un buen racimo de vainas maduras de soja—: la digitalización va envolviendo, lenta pero decididamente, cada vez más aspectos de la mejora genética de la soja. La innovación rara vez llega como una gran revelación. Llega como decenas de mejoras pequeñas, disciplinadas y acumuladas hasta que toda la cadena avanza más rápido.

Si trabaja en trigo, cebada, colza, leguminosas, hortícolas o frutos rojos, los temas paralelos se sostienen. Las herramientas difieren y las limitaciones difieren, pero las direcciones son compartidas.