VITICULTURA 95 Por ello, es aconsejable monitorizar el cultivo para identificar aquellas vides susceptibles a la enfermedad. En este sentido, sensores ópticos como las imágenes hiperespectrales (HSI) se presentan como herramientas prometedoras para la evaluación no invasiva del estado fisiológico de las plantas y para el diagnóstico y detección de enfermedades (Mahlein, 2016; Zhang et al., 2019). Así, la técnica HSI combinada con un enfoque quimiométrico puede ser muy útil para la detección y cuantificación de la enfermedad (Bock et al., 2010), en estadios de desarrollo tempranos cuando todavía los síntomas no son apreciables en la hoja. Por este motivo, en este estudio se utilizó una cámara hiperespectral para la detección in-situ de la enfermedad de la yesca en hojas de vid del cultivar Tempranillo. MATERIALES Y MÉTODOS Se utilizaron imágenes de 11 viñas de la variedad Tempranillo cultivadas en parcelas de Bodegas Otazu, en la localidad de Etxauri (Navarra, España) (Figura 1). Las cepas tenían una edad aproximada de 32 años (plantadas en 1992) y todas ellas fueron seleccionadas de parcelas con antecedentes de incidencia de yesca y, por tanto, susceptibles al desarrollo de la enfermedad. De las 11 vides seleccionadas, 9 presentaban síntomas visuales de yesca (en mayor o menor grado) y las 2 restantes eran asintomáticas a simple vista. Las imágenes hiperespectrales se adquirieron con una cámara hiperespectral Specim IQ (Specim Ltd., Oulu, Finlandia), montada sobre un trípode. Este equipo trabaja en el rango de 400 a 1000 nm con una resolución espectral de 7 nm (204 bandas), y lleva un sensor de tecnología CMOS con una resolución de imagen de 512 x 512 píxeles y una cámara RGB (5 Mpix) (Figura 2). Las imágenes se capturaron in-situ en condiciones de luz ambiental natural el 21 de agosto de 2023. Se adquirió una imagen por vid, es decir, se obtuvieron 11 imágenes individuales. 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 HYPERTools 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 Figura 1. Una viña objeto de estudio con la referencia blanca. 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
RkJQdWJsaXNoZXIy Njg1MjYx