Embargo
Phenotyping in alfalfa: spectral technologies for yield and quality estimations in both laboratory and field conditions
(2025) Gámez Guzmán, Angie Lorena; Aranjuelo Michelena, Iker; Araus Ortega, José Luis; Santesteban García, Gonzaga; Agronomía, Biotecnología y Alimentación; Agronomia, Bioteknologia eta Elikadura; Gobierno de Navarra / Nafarroako Gobernua
La alfalfa (Medicago sativa L.) es uno de los forrajes más importantes a nivel mundial para la alimentación de ganado. Es una legumbre que provee una alta calidad de forraje, con un considerable contenido en proteínas, carbohidratos y minerales. El cultivo de la alfalfa normalmente es cortada o cosechada varias veces durante un mismo año y muestra un rápido crecimiento después del corte. El monitoreo oportuno y a tiempo del cultivo es cada vez más importante para proveer de un forraje con una calidad adecuada. Sin embargo, agricultores deben enfrentarse a retos no solo para estimar importantes parámetros para la nutrición animal sino también para decidir el óptimo punto de corte con un adecuado balance entre rendimiento y calidad del cultivo. Adicionalmente, en el contexto actual de cambio climático, los sistemas agrícolas deben evolucionar en una actividad más sustentable que reduzca el impacto ambiental y satisfaga las necesidades de una población creciente con los actuales cambios en los hábitos de consumo. Para afrontar estos desafíos en un sistema de producción de forrajes (estimación de rendimiento y calidad, además de identificar el punto óptimo de corte) bajo una perspectiva de cambio climático, es esencial obtener información espacio-temporal en tiempo real. El surgimiento de tecnologías de teledetección aplicadas a la agricultura podría mejorar las estimaciones tradicionales de biomasa y calidad antes de la cosecha. Además, el incremento en la disponibilidad de equipos y plataformas (p.e. satélites, sensores espectrales proximales) podrían dar soporte en la toma de decisiones efectivas para monitorear los cultivos. A pesar de la importancia del papel que cumple la alfalfa en la industria ganadera, el estudio de la aplicación de tecnología de teledetección está más frecuentemente centrada en otros cultivos, como el trigo. Esta tesis tiene como objetivo integrar nuevas perspectivas en el uso de tecnología de teledetección y equipos proximales para estimar los rendimientos y la calidad de la alfalfa en diferentes estados fenológicos del cultivo bajo condiciones de laboratorio y campo. Para esto se usaron espectrómetros de mesa y portátiles miniaturizados en laboratorio (Capítulo I), teledetección pasiva como el satélite Sentinel-2 (Capítulo II) y espectrómetro hiperespectral proximal bajo condiciones de campo (Capítulo III y IV). El Capítulo I examinó la aplicabilidad de un espectrómetro de mesa y cuatro equipos “de mano” para estimar los contenidas de azúcares solubles, almidón, carbono (C), nitrógeno (N) y composición mineral en muestras de alfalfa secas y molidas. Los resultados indicaron que el uso del modelo de regresión mínimos cuadrados parciales (PLS) basado en la reflectancia fue capaz de explicar la variabilidad en el contenido de sacarosa, N, potasio (K) y fósforo (P) con alta precisión cuando el espectrómetro de mano de amplio rango en el espectro (350-2500 nm) fue usado. Los resultados enfatizaron en la viabilidad del uso de equipos portátiles, considerando la alta precisión en las estimaciones y su versatilidad para ser usados tanto en laboratorio como en el campo. El capítulo II evaluó las estimaciones del rendimiento en tres estados fenológicos de desarrollo (vegetativo temprano, vegetativo tardío y botón floral) usando índices de vegetación (VIs) extraídos de imágenes del satélite Sentinel-2 y su combinación con datos meteorológicos. Este capítulo comparó la tradicional regresión multilineal y dos algoritmos de machine learning (Least Absolute Shrinkage and Selection Operator - LASSO and Random Forest - RF). Los resultados revelaron que las estimaciones de rendimiento no fueron óptimas cuando solos los VIs o los datos meteorológicos se usaron por si solos como predictores en el modelo. Sin embargo, su combinación mejoró significativamente las estimaciones. Además, las estimaciones en vegetativo tardío y botón floral fueron más precisas comparadas con las obtenidas en vegetativo temprano, aunque dichas precisiones se obtuvieron en función del algoritmo usado. Por ejemplo, RF explicó mejor la variabilidad del rendimiento en vegetativo temprano y tardío, mientras que el uso de la regresión multilineal resultó en dar la mejor estimación durante el estadio de botón floral. Los resultados sugieren la posibilidad de extender la generación de estimaciones durante múltiples años para incrementar la precisión de los modelos. La predicción de la biomasa aérea y parámetros de calidad usando un equipo proximal de amplio rango espectral bajo condiciones de campo basa en la reflectancia a nivel de canopy y hoja fue explorado en el Capítulo III. La reflectancia, los grados días de crecimiento acumulados y datos meteorológicos fueron usados como predictores en tres modelos diferentes. Adicionalmente, regiones específicas del espectro asociadas con cada parámetro fueron identificadas. Este capítulo reveló que el rendimiento del modelo difiere entre los parámetros analizados, lo que podría estar relacionado con la variación intraespecífica de cada uno. Los resultados mostraron que las mejores estimaciones, basadas en la alta precisión y coeficiente de determinación, fueron obtenidas para biomasa, y los contenidos de sacarosa, flavonoides y N; para estos parámetros las regiones del visible y el infrarrojo cercano fueron seleccionadas como importantes predictores. Con relación a la estimación del contenido de minerales, los que mejor estimación obtuvieron fueron P, boro (B) y zinc (Zn), y los predictores más importantes fueron seleccionados en la región del infrarrojo cercano de onda corta. En el Capítulo IV, la composición isotópica del C (δ13C) y N (δ15N) y el contenido de aminoácidos fueron estimados bajo condiciones de limitación hídrica para seis variedades de alfalfa usando el equipo hiperespectral en campo. Estos parámetros fueron analizados a lo largo del ciclo de cultivo para explorar la pregunta de si es posible encontrar un potencial biomarcador que pueda indicar el tiempo óptimo de cosecha. Los resultados mostraron que la composición isotópica fue exitosamente estimada con una muy alta precisión, lo que abre la posibilidad de evaluar las respuestas de la planta en condiciones de estrés hídrico, dada la valiosa información del estado vegetal que ofrecen el análisis de los isótopos. Por otra parte, el aminoácido que mejor fue estimado fue el ácido- γ-aminobutírico (GABA) y, además, su contenido disminuyó significativamente en el estado de botón floral, estadio en el cual se recomienda realizar la cosecha ya que en este punto hay un adecuado balance entre rendimiento y calidad. Teniendo en cuenta que este método puede ser aplicado en un amplio rango de ambientes y bajo diferentes condiciones de estrés abiótico, este podría potencialmente contribuir a la cuantificación de otros metabolitos en plantas. Finalmente, perspectivas futuras son mencionadas al final de esta tesis que pueden ayudar a explicar las direcciones a seguir de acuerdo con los resultados obtenidos. En general, esta tesis subraya la necesidad de usar nuevas y eficientes aproximaciones en la adopción de tecnología, así como también en la aplicación de técnicas de ciencia de datos y machine learning para soportar la toma de decisiones en campo. Este punto de vista integral desde el laboratorio al campo o viceversa podría proveer de valioso conocimiento para ser integrado en las ciencias agrícolas.
Open Access
Onfield estimation of quality parameters in alfalfa through hyperspectral spectrometer data
(Elsevier, 2024) Gámez Guzmán, Angie Lorena; Vatter, Thomas; Santesteban García, Gonzaga; Araus, José Luis; Aranjuelo Michelena, Iker; Agronomía, Biotecnología y Alimentación; Agronomia, Bioteknologia eta Elikadura
Alfalfa is a forage of vast importance around the world. In the past, near-infrared spectroscopy (NIRS) technique have been explored in the lab to determine quality traits such as fibre content in dried and ground material. During the last decade, portable hyperspectral devices have emerged as a tools for in-field prediction, of not only crop yield but also a large range of quality and physiological markers. The objective of this study was to estimate quality parameters in an alfalfa crop using hyperspectral data acquired from a full-range (350–2500 nm) spectrometer under field conditions. Reflected spectra were measured in single leaves as well as at the canopy level, then reflectance was related to target parameters such as biomass, leaf pigments, sugars, protein, and mineral contents. Due to their large effect on crop quality parameters, meteorological conditions and phenological stages were included as predictors in the models. We found that meteorological and phenological variables improved the accuracies and percentage of variance explained (R2) for most of the parameters evaluated. Based on R2 values, the best prediction models were obtained for biomass (0.71), sucrose (0.65), flavonoids (Flav) (0.56) and nitrogen (0.70) with normalized root mean squared errors of 0.196, 0.32, 0.087 and 0.08, respectively. These parameters were associated mainly with visible (VIS) (approx. 350–700 nm) and near infrared (NIR) (700–1250 nm) regions of the spectrum. Regarding mineral composition, the best prediction models were developed for P (0.51), B (0.50) and Zn (0.44), associated with the short-wave infra-red (SWIR) region (1250–2500 nm). The results of this study demonstrated the potential of hyperspectral techniques to be used as a base for performing initial evaluations in the field of quality traits in alfalfa crops.
Open Access
Alfalfa yield estimation using the combination of Sentinel-2 and meteorological data
(Elsevier, 2025-03-19) Gámez Guzmán, Angie Lorena; Segarra, Joel; Vatter, Thomas; Santesteban García, Gonzaga; Araus, José Luis; Aranjuelo Michelena, Iker; Agronomía, Biotecnología y Alimentación; Agronomia, Bioteknologia eta Elikadura; Institute for Multidisciplinary Research in Applied Biology - IMAB; Gobierno de Navarra / Nafarroako Gobernua
Context: Alfalfa (Medicago sativa L.) is one of the world's most important forages for livestock feeding. Timely yield estimates could provide information to guide management decisions to improve production. Since alfalfa crops typically undergo multiple harvests in a year and demonstrate rapid regrowth, satellite remote sensing techniques present a promising solution for alfalfa monitoring. Objective: To generate alfalfa yield estimation models at three phenological stages (early vegetative, late vegetative, and budding stages) using vegetation indices (VIs) derived from satellite Sentinel-2 images and their combination with meteorological data. Methods: We analyzed fields located in Navarre (northern Spain) over two consecutive seasons (2020 and 2021). To generate the yield estimation models, we applied a conventional multilinear regression and two machine learning algorithms (Least Absolute Shrinkage and Selection Operator - LASSO and Random Forest - RF). Results: Regardless of the statistical approach, the three phenological stages were not optimal when either VIs or meteorological data were used singularly as the predictor. However, the combination of VIs and meteorological data significantly improved the yield estimations, and in the case of LASSO model reached percentages of variance explained (R2) and normalized root mean square error (nRMSE) of R2= 0.61, nRMSE= 0.16 at the budding stage, but RF reached a R2= 0.44, nRMSE= 0.22 at the late vegetative stage, and R2= 0.36, nRMSE= 0.24 at the early vegetative stage. The most suitable variables identified were the minimum temperature, accumulated precipitation, the renormalized difference vegetation index (RDVI) and the normalized difference water index (NDWI). The RF model achieved more accurate yield estimations in early and late vegetative stages, but LASSO at bud stage. Conclusion: These models could be used for alfalfa yield estimations at the three phenological stages prior to harvest. The results provide an approach to remotely monitor alfalfa fields and can guide effective management strategies from the early development stages.

Gámez Guzmán, Angie Lorena

Email Address

person.page.identifierURI

Birth Date

Job Title

Last Name

First Name

person.page.departamento

person.page.instituteName

ORCID

person.page.observainves

person.page.upna

Name

Filters

Author

Subject

Date

Has files

Item Type

Type

Settings

Sort By

Results per page

Search Results