Identificación de los síntomas causados por yesca en hojas de vid mediante la aplicación de imágenes hiperespectrales

Abstract

Las imágenes hiperespectrales (HSI) para la detección de enfermedades concretas es una de las técnicas más utilizadas en la actualidad. El poder detectar e identificar de manera fiable dichas enfermedades en las plantas supone un reto para los agricultores. Frecuentemente estos síntomas visibles se manifiestan en etapas tardías de la enfermedad, como ocurre con la yesca, reduciendo la probabilidad de evitar los daños que causan a la vid. Por este motivo, la tecnología de imágenes hiperespectrales se plantea como una herramienta para obtener datos que, una vez tratados y analizados mediante técnicas quimiométricas, permitan diferenciar entre hojas sanas, afectadas sin síntomas visibles y con síntomas. Estos resultados posibilitarían el uso de esta técnica en viñedos con el fin de mejorar el manejo del cultivo y su rentabilidad. En este estudio se ha conseguido diferenciar los tres grupos de hojas con unos resultados de clasificación elevados, siendo los mejores para el grupo de hojas sanas (80-100%) y el de afectadas sin síntomas visibles (80-90%) aplicando un análisis discriminante PLS-DA.

Hyperspectral imaging (HSI) for specific diseases detection is one of the most widely used techniques nowadays. Being able to reliably detect and identify such diseases in plants is a challenge for farmers. These visible symptoms often manifest in late stages of the disease, such as yesca, reducing the likelihood of avoiding the damage they cause to vineyards. For this reason, hyperspectral imaging technology is proposed as a tool to obtain data that, once treated and analyzed by chemometric techniques, can differentiate between healthy leaves, affected leaves without visible symptoms and with visible symptoms. In order to improve crop management and profitability these results would allow the use of this technique in vineyards. The results obtained enable a discrimination of the three types of leaves with an accuracy of 80-100% for healthy leaves and 80-90% for affected leaves without visible symptoms by applying a PLS-DA discriminant analysis.