VIÑEDO 86 Una vez obtenidas las imágenes, se dividieron aleatoriamente en un conjunto de calibración, formado por una imagen de una vid asintomática (clase 1) y ocho vides sintomáticas (clase 2), y un conjunto de validación, formado por una imagen de cada clase. Los grupos de calibración y validación se procesaron de forma diferente. Las imágenes del grupo de calibración se utilizaron para seleccionar aleatoriamente los píxeles que formarían la matriz de calibración; se seleccionaron 100 píxeles de la imagen de la clase 1 y 100 de las imágenes de la clase 2. Esta selección se llevó a cabo con el software HYPER-Tools 3.0, que funciona en el entorno MATLAB R2023a. El resultado fue una matriz bidimensional con 200 filas y 204 columnas correspondientes a las longitudes de onda. Por otro lado, las 2 imágenes que conformaban el grupo de validación se segmentaron individualmente para separar la región de interés (ROI) del fondo. Para ello, se utilizó el algoritmo k-means implementado en MATLAB. A continuación, se realizó el despliegue, que consistió en transformar la información almacenada en la imagen original (3 dimensiones) en una matriz bidimensional (2D) con la reflectancia de cada píxel en cada longitud de onda. Se obtuvieron así dos matrices independientes de 120209 filas y 204 columnas y de 122348 filas y 204 columnas para las vides asintomáticas y sintomáticas, respectivamente. A continuación, se empleó el análisis discriminante por mínimos cuadrados parciales (PLS-DA) para clasificar las muestras en las clases 1 (asintomáticas) y 2 (sintomáticas). El análisis PLS-DA es una técnica de reconocimiento de patrones que utiliza la regresión PLS para predecir clases o grupos de asignación a partir del espectro de las muestras. Para utilizar este método, se crea una matriz binaria (Y) con el mismo número de filas que muestras y el mismo número de columnas que clases. De este modo, PLS-DA realiza una calibración cualitativa, es decir, en lugar de calibrar para una variable continua, calibra para la pertenencia a una clase (Shenk y Westerhaus, 1995). Además, se aplicaron diferentes pretratamientos matemáticos a los espectros, como el suavizado, la primera (1ª der) y la segunda derivada (2ª der) de Savitzky Golay (SG) (con polinomio de segundo orden y 15 puntos de ventana), la Variable Normalizada Estándar (SNV) y la Corrección Multiplicativa de la Dispersión (MSC), de forma individual o combinados. También se analizó el efecto de la ausencia de pretratamiento (Ninguno). Se llevó a cabo una validación cruzada (VC) mediante persianas venecianas con 10 divisiones. Para evaluar la eficacia de los modelos, se tuvieron en cuenta principalmente el porcentaje de muestras correctamente clasificadas (%CC) (precisión) en cada clase, así como la sensibilidad, la especificidad y el error de clase en los conjuntos de datos de calibración y VC. El modelo de mejor rendimiento se utilizó para la predicción externa de las muestras. Por último, se representaron imágenes de clasificación para visualizar la distribución de los píxeles estimados como clase 1 o 2 utilizando código propio. Se utilizó el programa informático PLS_Toolbox v.9 en MATLAB R2023a para aplicar los distintos pretratamientos y construir los modelos PLS-DA. Los resultados obtenidos indican la viabilidad de identificar las vides que presentan síntomas de infección por yesca en una fase temprana, cuando los síntomas son apenas perceptibles TABLA 1. RESULTADOS DE CLASIFICACIÓN DE LOS MODELOS PLS-DA DESARROLLADOS EMPLEANDO DIFERENTES COMBINACIONES DE PRETRATAMIENTOS %CCCal %CCVC Pretratamiento Clase 1 Clase 2 General Clase 1 Clase 2 General Ninguno 99 88 93.5 98 88 93 Suavizado 97 85 91 97 84 90.5 SNV 99 96 97.5 99 94 96.5 MSC 99 96 97.5 99 94 96.5 1a der 97 91 94 97 91 94 2a der 97 88 92.5 96 87 91.5 Suavizado +SNV 99 95 97 99 95 97 Suavizado +MSC 98 92 95 98 92 95 TABLA 2. VALORES DE SENSIBILIDAD, ESPECIFICIDAD Y ERROR DEL MEJOR MODELO PLS-DA Calibración VC Pretratamiento Clases Sen Esp Error Sen Esp Error Suavizado +SNV Clase 1 0.99 0.95 0.03 0.98 0.95 0.035 Clase 2 0.95 0.99 0.95 0.98
RkJQdWJsaXNoZXIy Njg1MjYx