Un enfoque interdisciplinario basado en aprendizaje automático para predecir el rendimiento del maíz bajo aplicaciones de biofertilizantes

Por qué importan los campos de maíz más inteligentes

Alimentar a una población mundial en crecimiento en un planeta que se calienta implica extraer más alimento de cada gota de agua y de cada mano de tierra. El maíz, uno de los cultivos más importantes del mundo, es especialmente vulnerable al calor, la sequía y los suelos pobres. Este estudio explora cómo la combinación de microbios beneficiosos del suelo y el aprendizaje automático moderno puede ayudar a los agricultores a predecir con mayor precisión el rendimiento del maíz, abriendo la puerta a un uso más inteligente de fertilizantes, una mejor planificación del riego y cosechas más resilientes.

Raíces sanas, microbios útiles y plantas estresadas

La investigación parte de una idea simple: el rendimiento del maíz no está determinado solo por el clima y los fertilizantes, sino por una red de interacciones dentro de la planta y bajo tierra. Los autores trabajaron durante dos años en una estación experimental en el noreste semiárido de Irán, donde el agua es limitada y el calor es habitual. Las semillas de maíz se dejaron sin tratar o se recubrieron con hongos y bacterias beneficiosas que viven alrededor de las raíces y ayudan a las plantas a absorber nutrientes como el fósforo y el nitrógeno. A lo largo de la temporada de crecimiento, el equipo midió docenas de rasgos, desde el color de las hojas y la altura hasta la colonización radicular y la temperatura del dosel, construyendo un panorama detallado de cómo las plantas respondieron a estos biofertilizantes y al entorno desafiante.

Convertir mediciones de campo en señales útiles

En lugar de confiar solo en promedios tradicionales o tendencias simples, los investigadores crearon 73 “señales” diferentes a partir de sus mediciones, incluidas 32 características directas y 41 combinaciones que capturaron cómo dos rasgos actúan conjuntamente. Por ejemplo, consideraron cómo la temperatura del dosel interactúa con la colonización radicular, o cómo el área foliar se combina con la producción de materia seca. Una primera selección mediante un método de regresión cuidadoso redujo esto a 13 señales clave fuertemente vinculadas con el rendimiento de grano, como la temperatura del dosel durante la floración, los niveles de fósforo y nitrógeno en la planta, y varias combinaciones relacionadas con raíces y hojas. Este paso mostró que el rendimiento depende de procesos fisiológicos y edáficos entrelazados, no de factores individuales en aislamiento.

Poner a prueba ocho máquinas de aprendizaje

Para ver qué herramientas capturaban mejor estas relaciones complejas, el equipo comparó ocho enfoques de aprendizaje automático, que iban desde modelos basados en árboles hasta varios tipos de redes neuronales y un sistema neuro‑difuso híbrido. Dividieron sus 96 muestras de campo en conjuntos de entrenamiento, validación y prueba, estandarizaron todas las variables y utilizaron técnicas como validación cruzada y parada temprana para evitar el sobreajuste. En general, los modelos basados en redes neuronales —especialmente los que usaron mecanismos de atención y TensorFlow— fueron los que mejor rendimiento ofrecieron, logrando una precisión moderada al predecir el rendimiento a partir de los rasgos medidos. En contraste, métodos más rígidos como las máquinas de vectores de soporte básicas tuvieron dificultades para modelar los patrones complejos y no lineales en los datos.

Lo que dicen los modelos sobre cómo crece realmente el maíz

Una de las fortalezas de este trabajo es que los autores no trataron sus modelos como cajas negras misteriosas. Utilizando herramientas de interpretación basadas en teoría de juegos, examinaron qué características impulsaban con más fuerza las predicciones. La temperatura del dosel durante el llenado del grano emergió como una señal consistentemente poderosa: los doseles más frescos tendían a asociarse con mejores rendimientos, probablemente porque reflejan plantas que transpiran de forma eficiente y evitan el estrés por calor. También se destacaron interacciones entre el contenido de nitrógeno de la planta y la longitud de la raíz, entre el área foliar y la verdor de la hoja, y entre la altura de la planta y el número de mazorcas en los mejores modelos. Estos patrones apuntan al papel central de la captura de nutrientes y a un dosel fotosintético eficiente, fuertemente influenciado por cómo los microbios beneficiosos colonizan las raíces y mejoran el acceso a los nutrientes del suelo.

De los patrones de datos a una agricultura más inteligente

Para un público no especialista, la conclusión es que combinar biofertilizantes con análisis de datos avanzados puede convertir mediciones dispersas de campo en información accionable. Aunque el conjunto de datos fue modesto y procedente de una sola región, el estudio muestra que los modelos de redes neuronales pueden aprender los vínculos sutiles entre la salud radicular, el comportamiento foliar, el estrés térmico y el rendimiento final del grano. Al revelar qué rasgos de planta y suelo importan más, estos modelos pueden guiar la agricultura de precisión: agricultores y asesores pueden centrarse en mantener doseles frescos, raíces bien colonizadas por microbios útiles y una captación de nutrientes equilibrada. A largo plazo, tales enfoques podrían ayudar a diseñar sistemas de cultivo que produzcan más maíz con menos insumos químicos, y que además afronten mejor la sequía y el cambio climático.

Cita: Jahan, M., Nassiri-Mahallati, M. An interdisciplinary machine learning-based approach for predicting corn grain yield under biofertilizer applications. Sci Rep 16, 9912 (2026). https://doi.org/10.1038/s41598-026-40919-3

Palabras clave: predicción del rendimiento del maíz, biofertilizantes, aprendizaje automático en agricultura, interacciones raíz‑microbio, gestión de cultivos sostenible