Un modelo de IA interpreta las señales eléctricas de las plantas para detectar el estrés

Las plantas generan señales eléctricas que transmiten información sobre su estado fisiológico desde las raíces hasta las ramas. La interpretación de estas señales mediante inteligencia artificial abre nuevas posibilidades para monitorizar su respuesta al estrés y avanzar hacia sistemas de seguimiento adaptables a distintas especies y condiciones de cultivo. En este ámbito, Bombadil se presenta como un modelo fundacional diseñado para analizar la actividad eléctrica vegetal y estimar siete indicadores fisiológicos relacionados con el estrés.

A diferencia de los modelos de aprendizaje automático desarrollados hasta ahora para identificar situaciones concretas de estrés, Bombadil busca generalizar el análisis a diferentes especies, factores ambientales y condiciones de cultivo. Según los resultados presentados por sus desarrolladores, el sistema puede interpretar señales eléctricas de especies que no cuentan con datos etiquetados propios y responder a factores de estrés que no se incluyeron en su entrenamiento.

Un modelo entrenado con millones de horas de señales vegetales

El desarrollo de Bombadil parte de un conjunto de datos de más de cuatro millones de horas de registros eléctricos procedentes de 100 especies vegetales y recogidos en diez entornos distintos. Entre ellos figuran laboratorios, invernaderos, huertos comerciales y bosques naturales.

El modelo se ha preentrenado sin etiquetas, una estrategia que le permite aprender patrones fundamentales de las señales eléctricas de las plantas sin depender de una clasificación previa de cada registro. Este enfoque pretende superar una de las principales limitaciones de los sistemas de aprendizaje automático aplicados a la fisiología vegetal: la necesidad de generar nuevos conjuntos de datos etiquetados y entrenar modelos específicos para cada especie, condición o factor de estrés.

A partir de las representaciones aprendidas durante el entrenamiento, Bombadil incorpora un componente de análisis fisiológico capaz de estimar siete indicadores relacionados con el estrés de una planta. Los resultados descritos por los investigadores muestran que estas estimaciones también pueden extenderse a especies sin datos etiquetados propios y a factores de estrés no incluidos en el entrenamiento, con respuestas acordes con las descritas en la literatura científica.

Entrenamiento del modelo para estimar indicadores de estrés

Tras el preentrenamiento del modelo con señales eléctricas de distintas especies y entornos, los investigadores desarrollaron un componente específico para estimar los indicadores fisiológicos de estrés. Para esta fase utilizaron un conjunto de datos más reducido, que incluía registros etiquetados con mediciones de referencia (ground truth) para relacionar las señales eléctricas con los estados fisiológicos observados.

El sistema procesa ventanas temporales de tres días, divididas en 270 segmentos de señal, que son codificados por el modelo fundacional. A partir de esta información, el componente de análisis estima el estado de cada indicador fisiológico al final del periodo considerado.

Durante el entrenamiento, la arquitectura principal del modelo permanece congelada, salvo en la variante denominada task-trained backbone. Este planteamiento permite aprovechar los patrones aprendidos durante el preentrenamiento y adaptar el análisis a la tarea fisiológica específica.

El entrenamiento combina dos funciones de pérdida: una basada en el coeficiente de concordancia de correlación, que permite ajustar las estimaciones a las mediciones de referencia, y otra basada en la verosimilitud negativa del logaritmo (negative log-likelihood), que tiene en cuenta tanto los valores estimados como su incertidumbre.

Según los datos del estudio, el entrenamiento de este componente requiere aproximadamente 40 horas de procesamiento en una GPU NVIDIA L4. Esta fase permite adaptar el modelo a la estimación de indicadores fisiológicos utilizando datos etiquetados, sin necesidad de entrenar desde cero toda la arquitectura para cada tarea.

Aplicaciones potenciales en horticultura y agricultura

La capacidad de interpretar señales eléctricas de distintas especies y entornos podría facilitar el desarrollo de sistemas de monitorización fisiológica continua en agricultura, horticultura y gestión forestal. En producción hortícola, este enfoque podría contribuir a estudiar cómo responden los cultivos a cambios ambientales y condiciones de estrés, complementando otros métodos de seguimiento de las plantas.

La posibilidad de trabajar con especies nuevas sin tener que generar costosos conjuntos de datos de referencia para cada una también podría simplificar la adaptación de estos sistemas a diferentes cultivos y condiciones de producción.

Además, la arquitectura del modelo permite incorporar nuevos componentes de análisis para estimar otros indicadores fisiológicos. De acuerdo con sus desarrolladores, la adaptación a nuevas especies podría requerir únicamente registros de sus señales eléctricas, sin necesidad de obtener datos etiquetados de referencia para cada caso.

Bombadil plantea así una aproximación escalable al estudio de la fisiología vegetal mediante inteligencia artificial. Su aplicación práctica en horticultura dependerá de la validación de las estimaciones en cultivos, condiciones productivas y situaciones de estrés específicas, así como de su integración en sistemas de monitorización utilizables en campo.

Bibliografía:

Kirk, J., Bednarski, P., Twardy, F., Mast, J., & Von Kraus, L. (2026). Bombadil: A Foundation Model for Plant Electrophysiology. San Francisco: Electric Plant Co.

Más información