Seleccionar los cultivares mejor adaptados a las condiciones de cambio climático

El objetivo de este trabajo fue evaluar el potencial de las imágenes hiperespectrales para clasificar tubérculos sometidos a estreses abióticos controlados.

La patata (Solanum tuberosum L.) ocupó el cuarto lugar en términos de producción anual mundial en 2019. En la Unión Europea la producción superó los 51 millones de toneladas y en España se acercó a los 2.5 millones de toneladas (Eurostat, 2019). Por ello, este cultivo se considera fundamental a la hora de asegurar la seguridad alimentaria, así como para contribuir a la reducción de la pobreza y a la mejora de la nutrición humana. Sin embargo, este cultivo se enfrenta a las consecuencias del cambio climático, uno de los mayores retos de la agricultura moderna.

En los últimos años, los niveles de CO2 en la atmósfera se han incrementado de forma exponencial y una de las consecuencias sobre el cultivo de la patata es probablemente un incremento de los estreses abióticos, amenazando la sostenibilidad de la producción de este tubérculo (George et al., 2017). Se considera que, a largo plazo, las condiciones de elevado CO2 podrían alterar la toma y transporte de nutrientes, particularmente del nitrógeno (N) (Easlon & Bloom, 2013).

Esto es particularmente relevante dado que una deficiencia de nitrógeno se ve reflejada en una menor producción de almidón en el tubérculo (Iwama, 2008). Además, otra consecuencia del cambio climático es la limitación de la disponibilidad de agua. A este respecto, la patata es muy vulnerable al estrés hídrico debido a su escaso desarrollo radicular, lo que limita la absorción de agua. Esto se traduce en una reducción del crecimiento vegetativo y por consiguiente del rendimiento.

Por tanto, resulta fundamental el desarrollo de una tecnología que permita identificar qué cultivares responden mejor frente a estas consecuencias derivadas del cambio climático, dado que este desarrollo aceleraría el progreso en la mejora de los cultivos.

Las tecnologías basadas en imagen presentan grandes ventajas a la hora de afrontar este reto dado que son capaces de adquirir datos de un elevado número de plantas, de forma rápida y no-destructiva lo que permite realizar una caracterización fiable de los cultivos (Walter et al., 2015).

Por ello, el objetivo de este trabajo fue evaluar el potencial de la tecnología de imágenes hiperespectrales para identificar la respuesta a la deficiencia de riego y abonado nitrogenado en patata.

Para este estudio se emplearon 360 hojas de 6 variedades de patata diferentes. Las hojas se seleccionaron y recogieron de forma manual en una finca experimental en Arkaute (Álava, España) perteneciente al Instituto Vasco de Investigación y Desarrollo Agrario (NEIKER). Las plantas pertenecían a un estudio varietal más amplio con el objetivo de identificar qué variedades se adaptaban mejor a condiciones de cultivo más restrictivas desde el punto de vista del abonado nitrogenado y del riego. Para ello se realizaron tres tratamientos, el primero denominado “control”, el segundo “déficit de nitrógeno” y el tercero “estrés hídrico”. Los 3 ensayos fueron sembrados el 15 de mayo del 2019. Cada ensayo comprendía 150 variedades (las mismas para los 3 ensayos) 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/m² cada uno. El ensayo estrés hídrico únicamente se benefició de la precipitación natural, que también regó el resto de los ensayos. La precipitación recogida en la estación meteorológica durante todo el ciclo del cultivo alcanzó los 129.6 l/m². La precipitación registrada hasta el momento de recolección de las hojas fue de 61.1 l/m². 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 enviaron 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 fueron: Alibaba, Baraka, Laudine, Mayka, Romani y Ventana.

Las imágenes de las hojas se adquirieron 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 píxeles, 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 lámparas 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 información 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 calibración 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- vecinos 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 calibración 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 generar 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 emplearon 3 k para construir los modelos de calibración.

Además, se aplicaron diferentes pretratamientos matemáticos de los datos con el objetivo de reducir el ruido espectral y la dispersión debida a los efectos del tamaño de partículas, así como para aumentar la resolución de las bandas de absorción. Se aplicaron los siguientes algoritmos: suavizado por el método de Savitzky-Golay empleando un polinomio de orden 2 y una ventana de 15 puntos; la variable normalizada estándar (Standar Normal Variate, SNV); un método de corrección de la dispersión multiplicativa (Multiplicative Scatter Correction, MSC); primera y segunda derivada por el método de Savitzky-Golay empleando un polinomio de orden 2 y una ventana de 15 puntos; un centrado medio (Mean centering, MC) de los datos; combinaciones de dichos pretratamientos y la acción de no aplicar ninguno.

Todo el procesamiento de imágenes se realizó en MATLAB R2020b (The Mathworks, Natick, MA) mediante código propio y para los análisis discriminantes se empleó PLS_Toolbox versión 8.9, que trabaja en el entorno MATLAB.

En la Figura 2 se muestran los espectros medios de reflectancia normalizados de los tratamientos control y deficiencia de N donde no se observan diferencias ni en la magnitud de reflectancia ni en la forma del espectro a lo largo de todo el rango espectral.

En las Figura 3 y 4 se muestran los resultados de la validación externa de los 2 métodos de clasificación empleados en este estudio para los tratamientos: control frente a estrés hídrico y control frente a deficiencia de N, respectivamente. Cada fila corresponde a un algoritmo de clasificación, mientras que cada columna representa una técnica de pretratamiento. La clasificación óptima se obtiene para valores % CC iguales a 100 (en rojo).

Para los tratamientos control y estrés hídrico (Figura 3), el clasificador knn arrojó los mejores resultados con un 79.16 % de muestras correctamente clasificadas (% CC) al aplicar la combinación de pretratamientos SNV+2ª Der+MC. El mejor resultado de clasificación obtenido con el clasificador PLS-DA correspondió al pretratamiento MC con 77.78 % CC. Además, cabe destacar que en el grupo de validación externa del modelo PLS-DA la mitad de las muestras de las variedades “Romani” y “Ventana” pertenecientes al tratamiento estrés hídrico se clasificaron erróneamente como pertenecientes a control. De la misma forma, en el modelo knn todas las muestras de la variedad “Romani” pertenecientes al tratamiento estrés hídrico se clasificaron como control, excepto una. Esta clasificación errónea de varias muestras de “Romani“y “Ventana” podría indicar la mejor respuesta de estas variedades al estrés hídrico, dado que espectralmente se comportaron de la misma manera que las muestras del tratamiento control.

En la Figura 4 se puede ver como es el clasificador knn con 3 k y con la combinación de pretratamientos de SNV+1ª Der+MC el que mejores resultados de clasificación obtuvo, superiores al 90 % CC. Es decir, se identificaron diferencias espectrales en hojas del tratamiento control, y en hojas sometidas a un abonado deficitario en fases muy tempranas. Analizando los resultados por variedad, se observó cómo todas las muestras del cultivar Alibaba se comportaron espectralmente de la misma manera, sin distinguir el tratamiento recibido, es decir, presentaron menor sensibilidad a la variación del abonado.

Los resultados conseguidos sugieren que las variedades analizadas “Romani” y “Ventana” podrían ser las mejor adaptadas a situaciones de estrés hídrico al comportarse espectralmente similar a las muestras de la clase control sometidas a un riego adecuado. Mientras que respecto al tratamiento deficiencia de N, la variedad Alibaba mostró menor sensibilidad a la variación del abonado.

Según los resultados obtenidos, el uso de imágenes hiperespectrales junto con métodos de clasificación supervisados presenta potencial para la identificación de aquéllos cultivares mejor adaptados a los estreses abióticos que se producen en el cultivo de patata derivados principalmente del cambio climático. Sin embargo, es necesario seguir trabajando en esta línea, complementándola con ensayos de determinación de potencial hídrico, deshidratación, capacidad de ajuste osmótico, contenido de nitrógeno total, concentración de metabolitos nitrogenados, etc., para corroborar los resultados obtenidos en este estudio.

Agradecimientos

Este trabajo ha sido financiado en el marco del Proyecto GENIRPAT “Mejora genética integrada de patata: incorporación de la espectroscopia NIR para estreses abióticos y calidad de procesado” (PID2019-109790RR-C22) por la Agencia Estatal de Investigación (AEI) del Ministerio de Ciencia, Innovación y Universidades en la convocatoria 2020-2023.

Referencias

• Easlon, H. M.; Bloom, A. J. (2013). The effects of rising atmospheric carbon dioxide on shoot-root nitrogen and water signaling. Frontiers in plant science, 4, 304.
• ElMasry, G.; Kamruzzaman, M.; Sun, D.-W.; Allen, P. (2012). Principles and applications of hyperspectral imaging in quality evaluation of agro-food products: a review. Critical Reviews in Food Science and Nutrition, 52(11), 999-1023.
• Eurostat. (2019). Agricultural prodcution - crops. Potatoes and sugar beet. https://ec.europa.eu/eurostat/statistics-explained/index.php?title=Agricultural_production_-_crops#Potatoes_and_sugar_beet
• George, T. S.; Taylor, M. A.; Dodd, I. C.; White, P. J. (2017). Climate change and consequences for potato production: A review of tolerance to emerging abiotic stress. Potato Research, 60(3-4), 239-268.
• Iwama, K. (2008). Physiology of the potato: new insights into root system and repercussions for crop management. Potato Research, 51(3-4), 333.
• Osborne, B. G.; Fearn, T.; Hindle, P. T. (1993). Practical NIR Spectroscopy with Applications in Food and Beverage Analysis (2nd ed.). Longman Scientific and Technical.
• Shenk, J. S.; Westerhaus, M. O. (1995). Routine operation, calibration, development and network system management manual. NIRSystems Inc., Silver Spring, MD, USA.
• Walter, A.; Liebisch, F.; Hund, A. (2015). Plant phenotyping: from bean weighing to image analysis. Plant methods, 11(1), 1-11.