Marín Ederra, Diana
Loading...
Email Address
person.page.identifierURI
Birth Date
Job Title
Last Name
Marín Ederra
First Name
Diana
person.page.departamento
Agronomía, Biotecnología y Alimentación
person.page.instituteName
IMAB. Research Institute for Multidisciplinary Applied Biology
ORCID
person.page.observainves
person.page.upna
Name
- Publications
- item.page.relationships.isAdvisorOfPublication
- item.page.relationships.isAdvisorTFEOfPublication
- item.page.relationships.isAuthorMDOfPublication
2 results
Search Results
Now showing 1 - 2 of 2
Publication Open Access Applications of sensing for disease detection(Springer, 2021) Castro, Ana Isabel de; Pérez Roncal, Claudia; Thomasson, J. Alex; Ehsani, Reza; López Maestresalas, Ainara; Yang, Chenghai; Jarén Ceballos, Carmen; Wang, Tianyi; Cribben, Curtis; Marín Ederra, Diana; Isakeit, Thomas; Urrestarazu Vidart, Jorge; López Molina, Carlos; Wang, Xiwei; Nichols, Robert L.; Santesteban García, Gonzaga; Arazuri Garín, Silvia; Peña, José Manuel; Agronomía, Biotecnología y Alimentación; Agronomia, Bioteknologia eta Elikadura; Estadística, Informática y Matemáticas; Estatistika, Informatika eta Matematika; Ingeniería; Ingeniaritza; Gobierno de Navarra / Nafarroako Gobernua; Universidad Pública de Navarra / Nafarroako Unibertsitate PublikoaThe potential loss of world crop production from the effect of pests, including weeds, animal pests, pathogens and viruses has been quantifed as around 40%. In addition to the economic threat, plant diseases could have disastrous consequences for the environment. Accurate and timely disease detection requires the use of rapid and reliable techniques capable of identifying infected plants and providing the tools required to implement precision agriculture strategies. The combination of suitable remote sensing (RS) data and advanced analysis algorithms makes it possible to develop prescription maps for precision disease control. This chapter shows some case studies on the use of remote sensing technology in some of the world’s major crops; namely cotton, avocado and grapevines. In these case studies, RS has been applied to detect disease caused by fungi using different acquisition platforms at different scales, such as leaf-level hyperspectral data and canopy-level remote imagery taken from satellites, manned airplanes or helicopter, and UAVs. The results proved that remote sensing is useful, effcient and effective for identifying cotton root rot zones in cotton felds, laurel wilt-infested avocado trees and escaaffected vines, which would allow farmers to optimize inputs and feld operations, resulting in reduced yield losses and increased profts.Publication Open Access Identificación de síntomas previsuales de salinidad mediante imágenes hiperespectrales infrarrojas en vid(Sociedad Española de Ciencias Hortícolas, 2022) Arazuri Garín, Silvia; Pérez Roncal, Claudia; Jarén Ceballos, Carmen; Santesteban García, Gonzaga; Marín Ederra, Diana; Miranda Jiménez, Carlos; López Maestresalas, Ainara; Agronomía, Biotecnología y Alimentación; Agronomia, Bioteknologia eta Elikadura; Ingeniería; Ingeniaritza; Institute for Multidisciplinary Research in Applied Biology - IMAB; Institute on Innovation and Sustainable Development in Food Chain - ISFOODLos niveles altos de salinidad que se pueden producir en un viñedo, asociados generalmente al uso de aguas de baja calidad genera un tipo de estrés abiótico que limita la producción de la uva y afecta a la calidad de los vinos. Teniendo en cuenta la importancia de la monitorización de los cultivos en la toma de decisiones para una buena gestión del viñedo, se plantea como objetivo de este trabajo la identificación previsual de síntomas de estrés abiótico en viña por medio de la tecnología de imágenes hiperespectrales en el infrarrojo cercano (HSI-NIR). Para llevar a cabo este objetivo, se realizó un ensayo en maceta en la Finca de Prácticas de la Escuela Técnica Superior de Ingeniería Agronómica y Biociencias de la UPNA. El ensayo se realizó con plantas de un año de la variedad Monastrell sobre dos portainjertos 110R y 1103P. Se establecieron dos tratamientos: control (regado con agua de riego no salina) y salinidad (agua de riego con una concentración de sal común de 1,6 g/l). Entre finales de agosto y principios de septiembre se realizaron tres muestreos de hojas, analizando un total de 600 hojas (100 hojas/tratamiento y día). Las imágenes se tomaron con una cámara hiperespectral Xeva 1.7-320-100Hz, con rango espectral 900-1700nm. Una vez procesadas las imágenes se realizó una clasificación mediante un análisis discriminante por mínimos cuadrados parciales (PLS-DA) obteniéndose un porcentaje de muestras correctamente clasificadas en su grupo de origen (control o salinidad) del 82 % el primer día de muestreo, y del 87 % a partir del segundo día. A partir de estos datos podemos concluir que es posible identificar, mediante la tecnología HSI-NIR, síntomas en plantas sometidas a un tratamiento de riego con agua salina antes de que aparezcan síntomas en las hojas.