Detección temprana de Fusarium en el cultivo de fresa mediante información espectral y modelos de machine learning

La fresa es el fruto rojo más producido y comercializado del mundo. Casi la totalidad de la producción de fresa andaluza proviene de la provincia de Huelva. Andalucía produjo en 2021 el 97,3% de la fresa española y casi el 29% de la fresa de la UE-27, lo que convierte a España en el primer productor de fresa a nivel comunitario. El valor de la producción de fresa en Andalucía se estima en 407,83 M€, constituyendo el 3,5 del valor de la producción vegetal y el 2,9% de la producción de la rama agraria de Andalucía (Fuente: CAPADR). Uno de los grandes retos a nivel de campo es la detección temprana de enfermedades para su mejor control. Una de las enfermedades más importantes de este cultivo es la 'fusariosis vascular', causada por el hongo Fusarium oxysporum f. sp. fragariae, debido a las pérdidas económicas que causa y a la dificultad de su control.

El Fusarium habita en el suelo en forma de esporas o de micelio, y este penetra por las raíces o heridas en las plantas propagándose y obstruyendo el sistema vascular produciendo marchitez y muerte de la planta. Por este motivo, la detección de esta enfermedad observando los primeros síntomas tanto en peciolo como en hoja son cruciales. Compañeros de la ETSIA de Sevilla han trabajado en los últimos años en la búsqueda de variedades de fresa tolerantes al atache del patógeno, siendo esta una forma de prevenir muy interesante frente a la no disponibilidad de productos químicos efectivos (Borrero et al., 2017).

Otra forma de abordar este desafío es a través de los sensores remoto y la información espectral que estos toman procedentes de los cultivos/plantas de fresa. El grupo de investigación 'Smart Biosystems Laboratory' (www. http://smartbiosystemlab.com/) con experiencia en el uso de imágenes proporcionada por sensores multiespectrales e hiperespectrales a proporcionado en este estudio los sensores y análisis de la firma espectral para conseguir una detección temprana que permita actuar con rapidez y así evitar pérdidas importantes en el rendimiento (Appeltans et al., 2021). Tradicionalmente, el método empleado para la detección de enfermedades es la evaluación visual, pero éste es un método poco preciso, lento, subjetivo y que requiere de gran habilidad, experiencia y conocimiento de las enfermedades por parte del técnico evaluador. Las nuevas tecnologías, como los sensores remotos, han permitido desarrollar nuevos métodos de detección, los cuales nos permiten obtener gran cantidad de información y en menor tiempo que los métodos tradicionales, sin necesidad de realizar muestreos destructivos del material vegetal.

El objetivo de este estudio es poner en marcha un método y flujo de trabajo para, aun cuando los síntomas no son visibles, la detección de la enfermedad causada por el hongo Fusarium oxysporum f. sp. fragariae en plantas de fresa a partir de imágenes hiperespectrales.

El estudio se ha llevado a cabo en plantas cultivadas en maceta con un diseño experimental con 5 tratamientos, de los cuales un tratamiento es Control con plantas sanas y 4 tratamientos con plantas inoculadas con diferentes aislados de Fusarium oxysporum f. sp fragariae, teniendo un total de 3 plantas por tratamiento. De los cuatro aislados de Fusarium empleados, uno es considerado sintomático (causante de síntomas visuales de la enfermedad) y tres son considerados asintomáticos (sin daño evidente de la enfermedad). Las plantas se colocaron en cámaras de cultivo bajo condiciones controladas. Durante el desarrollo del experimento se realizaron medidas semanales con un sensor hiperespectral, con un rango espectral entre 397 a 1003 nm, a una altura de 0,5 m sobre el cultivo y suplementación de luz artificial (Figura 1). Las plantas se colocaron en una cinta transportadora, a velocidad constante, para la toma de imágenes, con objetivo de obtener un cubo (x, y, z) hiperespectral para cada planta y fecha de medida. El análisis de las imágenes se realizó mediante código de programación utilizando el lenguaje Python y librerías de análisis de datos e imágenes. Paralelamente a la toma de imágenes, se utilizó un medidor de intercambio gaseoso portátil modelo CIRAS-3 (PP System, Amesbury, MA, USA) para la determinación de la conductancia estomática foliar y la tasa de fotosíntesis foliar neta.

En el estudio se han empleado los siguientes modelos de machine learning: (1) Logistic regression que permite la clasificación del tejido vegetal en dos clases: tejido con síntomas de la enfermedad y tejido sano, (2) Support Vector Machine (SVM) que utiliza las imágenes hiperespectrales para la clasificación de las plantas en sanas y enfermas y que se basa en los daños fisiológicos observados a nivel de conductancia estomática foliar, (3) regresión de mínimos cuadrados parciales (Partial Least Square, PLS) para la estimación de la severidad del daño fisiológico causado por Fusarium utilizando solamente algunas de las bandas de la imagen hiperespectral que se mostraron más sensibles a la enfermedad y, (4) un modelo de red neuronal artificial (ANN) para la estimación del nivel de severidad del daño fisiológico causado por el hongo Fusarium utilizando en este caso todas las bandas que conforman la imagen hiperespectral.

Los valores de conductancia estomática y tasa de fotosíntesis foliar disminuyeron de forma progresiva desde la inoculación en plantas infectadas con algunos de los aislados utilizados, siendo el aislado considerado como sintomático el que mostró el mayor daño fisiológico y, por lo tanto, la mayor reducción en estos dos parámetros. De los tres aislados considerados inicialmente como asintomáticos, uno no mostró daños visuales ni fisiológicos (las plantas se comportaron como el tratamiento control) y dos mostraron únicamente daños fisiológicos de tipo leve (reducción de los parámetros de intercambio gaseoso de una forma menos severa que el aislado sintomático). De los cuatro modelos propuestos de machine learning, el modelo de 'Logistic regression' permitió clasificar el tejido vegetal en sano (sin síntomas visuales) e infectado (síntomas visuales) con un acierto de 65%, el modelo SVM permitió clasificar las plantas en tres clases (planta sana, síntomas leves y severos) con un acierto del 71%.

Los modelos de regresión (PLS y ANN) permitieron estimar la severidad del daño fisiológico ocasionado por la enfermedad a partir de ciertas bandas (PLS) o del espectro completo (ANN) de radiación reflejada por el tejido foliar de apariencia sana, con un acierto medio del 75 y 80%, respectivamente. Estos resultados confirman que los modelos de machine learning basados en datos de respuesta fisiológica y espectrales son robustos para determinar los daños causados por el hongo Fusarium oxysporum en plantas de fresa que no presentan sintomatología visual. En trabajos futuros, los modelos deben ser entrenados con imágenes captadas en condiciones de iluminación natural y evaluados en plantaciones comerciales.

Referencias bibliográficas

Appeltans, S.; Apolo-Apolo, O.E.; Rodríguez-Vázquez, J.N.; Pérez-Ruiz, M.; Pieters, J.; Mouazen, A.M. 2021. The Automation of Hyperspectral Training Library Construction: A Case Study for Wheat and Potato Crops. Remote Sens. 13, 4735. https://doi.org/10.3390/rs13234735

Borrero, C.; Bascón, J.; Gallardo, M.A.; Orta, M.S.; Avilés, M. 2017. New foci of strawberry Fusarium wilt in Huelva (Spain) and susceptibility of the most commonly used cultivars? Scientia Horticulturae. Volume 226, 19, Pages 85-90. https://doi.org/10.1016/j.scienta.2017.08.034.

Agradecimientos

El uso de algunos equipos y parte de este trabajo ha sido realizado gracias al proyecto AGL2016-78964-R, financiado por el Ministerio de Economía y Competitividad, donde los autores han trabajado desde 2016 a 2021.