VITICULTURA 96 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. RESULTADOS Y DISCUSIÓN En la Tabla 1 se muestran los resultados de los 8 modelos PLS-DA realizados utilizando diferentes combinaciones de pretratamientos para los conjuntos de datos de calibración y VC. Como se puede ver en la tabla, se obtuvieron unos elevados porcentajes de muestras bien clasificadas (>90%) para todos los modelos en VC. El mejor resultado se obtuvo para la combinación de suavizado+SNV con un 97% de muestras correctamente clasificadas tanto en calibración como en VC. La Tabla 2 muestra los valores de sensibilidad (Sen), especificidad (Esp) y error de clase del modelo con mejores resultados. Cabe destacar que los píxeles asintomáticos (clase 1) se clasificaron ligeramente mejor en su clase, ya que alcanzaron un valor de sensibilidad superior al de los píxeles sintomáticos (clase 2). La Figura 3 (b, d) muestra las imágenes de clasificación obtenidas utilizando el modelo PLS-DA con la combinación de Suavizado + SNV, con sus correspondientes fotografías (Figura 3 (a, c)). En la Figura 3c se observan algunos síntomas foliares de yesca. En la clase 1 (asintomática) un 94.46% de los píxeles se clasificaron correctamente como asintomáticos (píxeles de la Figura 3b en azul), mientras que para los píxeles sintomáticos se realizó una predicción a ciegas (Figura 3d). La Figura 3b muestra algunos casos de falsos positivos, indicados por los píxeles de color naranja, es decir, píxeles asintomáticos (sanos) clasificados como sintomáticos (con yesca). Estos se observan en el extremo superior Figura 2. Sistema de adquisición de imágenes hiperespectrales utilizado en este estudio capturando una imagen de una vid in-situ. TABLA 1. RESULTADOS DE CLASIFICACIÓN DE LOS MODELOS PLS-DA DESARROLLADOS EMPLEANDO DIFERENTES COMBINACIONES DE PRETRATAMIENTOS %CCCal %CCVC Pretratamiento Clase 1 Clase 3 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 ERRROR 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