HC357 - horticultura

HORTICULTURA EXTENSIVA Figura 1. Espectros de reflectancia medios normalizados de las clases control y estrés hídrico: (a) en el rango 1003-1700 nm; (b) en el rango 1420-1520 nm. 36 tercero “estrés hídrico”. Los 3 ensayos fueron sembrados el 15 de mayo del 2019. Cada ensayo comprendía 150 variedades (las mismas para los 3 ensa- yos) y dos repeticiones de 5 plantas cada repetición. En el ensayo control se realizaron 10 riegos a lo largo de todo el ciclo de cultivo, comenzando el primer riego el 24 de junio de 2019 y el último el 23 de agosto del mismo año. Los riegos se espaciaron una media de 6 días y aportaron una cantidad media de agua de 13.7 l/m 2 cada uno. El ensayo estrés hídrico únicamente se bene- fició de la precipitación natural, que también regó el resto de los ensayos. La precipitación recogida en la esta- ción meteorológica durante todo el ciclo del cultivo alcanzó los 129.6 l/m 2 . La precipitación registrada hasta el momento de recolección de las hojas fue de 61.1 l/m 2 . Respecto al abonado, el ensayo control y el ensayo estrés hídrico se abonaron dos veces: primero se realizó un abonado de fondo con un abono complejo NPK 9-18-27 en el que se aportaron 90 unidades de N y, posteriormente, con el cultivo ya en crecimiento un abonado de cobertura del mismo tipo y con la misma dosis. Sin embargo, en el ensayo de déficit de nitrógeno únicamente se aportó abono al principio, con un abonado de fondo con la mitad de la dosis, es decir 45 unidades de N y posteriormente no se aplicó una segunda aportación de abono. Es decir, se redujo un 75% el aporte de Nitrógeno. El 15 de julio de 2019 se recolectaron 360 hojas (20 hojas por tratamiento y variedad) diferentes y se envia- ron al Laboratorio de Ingeniería de la Posrecolección de Productos Agroalimentarios de la Universidad Pública de Navarra para el análisis de imagen que se realizó el mismo día. Las 6 variedades seleccionadas fue- ron: Alibaba, Baraka, Laudine, Mayka, Romani y Ventana. Las imágenes de las hojas se adqui- rieron con un sistema hiperespectral de escaneado lineal en el infrarrojo cercano (NIR), de 900 a 1700 nm. Este sistema incluye una cámara Xeva de resolución 320x256 píxe- les, acoplada a un espectrógrafo y a una lente. Además, se dispone de una plataforma lineal para desplazar las muestras debajo del campo de visión del equipo y un sistema de iluminación compuesto por 4 lám- paras halógenas de 46W (Lexman). EL sistema se controla a través de un ordenador mediante el software específico Xeneth 2.5. Una vez adquiridas las imágenes, su procesamiento se compuso de varios pasos. En primer lugar, fue necesario formar la imagen en 3D, o hipercubo. Después, las imágenes se segmentaron para separar la región de interés, en este caso la hoja completa, del fondo. A continuación, se reordenó la infor- mación almacenada en el hipercubo (3D) en una matriz bidimensional (2D) almacenando la reflectancia de cada pixel en cada longitud de onda. Por último, se calculó el espectro medio de cada hoja para el posterior análisis discriminante en el cual se empleó un 70%de las muestras, seleccionadas de forma aleatoria, como grupo de cali- bración para el desarrollo del modelo discriminante y el 30% restante se utilizó para validar externamente el modelo. Se llevaron a cabo un análisis discriminante para los grupos control frente a estrés hídrico, así como para control frente a deficiencia de N. Se realizó un análisis discriminante por mínimos cuadrados parciales (PLSDA) y un análisis de k- veci- nos más cercanos (knn). El análisis PLS-DA es una técnica de reconocimiento de patrones, en la cual las clases o grupos de asignación son estimados a partir del espectro de la muestra por medio de una regresión PLS. Así, el PLS-DA realiza una calibra- ción cualitativa. Es decir, en lugar de calibrar para una variable continua, se calibra para la pertenencia a una clase (Shenk & Westerhaus, 1995). El análisis knn parte de la base de la asignación de unos grupos o clases a la muestra de entrenamiento para gene- rar el modelo. El método clasificará los nuevos objetos según su posición relativa a los k objetos de la muestra de entrenamiento. Así, se establece un sistema por votos mediante el cual los nuevos objetos serán asignados a cada clase en función de a qué grupo pertenece la mayoría de los k vecinos considerados. La forma de determinar la proximidad de las muestras suele ser la distancia Euclídea (ElMasry et al., 2012). En este estudio se emplea- ron 3 k para construir los modelos de calibración.