Contribución del análisis espectral empleando técnicas de inteligencia artificial a la detección temprana del tizón tardío en cultivos de papa Diacol Capiro
Cargando...
Autores
Director
Tipo de contenido
Editor
Document language:
Español
Fecha
Título de la revista
ISSN de la revista
Título del volumen
Documentos PDF
Resumen
La detección temprana del tizón tardío (Phytophthora infestans) es fundamental como estrategia de intervención antes de que aparezcan síntomas visibles. En este trabajo se propone y valida un esquema integral para identificar estadios presintomáticos de la enfermedad en la variedad de papa Diacol Capiro mediante imágenes hiperespectrales en el rango VNIR (Specim FX10e, 400–1000 nm). La metodología abarcó desde correcciones radiométricas y segmentación de vegetación hasta la extracción de patrones y el preprocesamiento espectral mediante el filtro de Savitzky-Golay y la transformación de variable normal estándar (SNV). Se evaluaron clasificadores de aprendizaje automático y profundo (redes densas y convolucionales), integrando estrategias de selección de bandas para reducir la dimensionalidad espectral. En condiciones de laboratorio, los modelos de clasificación alcanzaron exactitudes de hasta 0.951, mientras que en campo, el mejor desempeño con banda completa logró una exactitud de 0.930. Asimismo, la reducción espectral mantuvo altos rendimientos (exactitudes entre 0.90 y 0.95) en configuraciones computacionales más eficientes. Las longitudes de onda más informativas se concentraron en el visible (520–550; 640–690 nm), en el borde rojo (700–760 nm) y en el infrarrojo cercano (750–900; 930–970 nm). Finalmente, se observó una ventana de detección presintomática de 12—24 h. en el laboratorio y de 2–3 días en campo, lo que respalda el uso de modelos compactos y de regiones espectrales clave para el soporte a las decisiones de manejo agronómico. (Texto tomado de la fuente)
Abstract
Early detection of late blight (Phytophthora infestans) is a fundamental intervention strategy before visible symptoms appear. This study proposes and validates a comprehensive framework to identify presymptomatic stages of the disease in the Diacol Capiro potato variety using hyperspectral imaging in the VNIR range (Specim FX10e, 400–1000 nm). The methodology encompassed radiometric corrections, vegetation segmentation, pattern extraction, and spectral preprocessing using the Savitzky-Golay filter and Standard Normal Variate (SNV) transformation. Machine learning and deep learning classifiers (dense and convolutional
neural networks) were evaluated, integrating feature selection strategies to reduce spectral dimensionality. Under laboratory conditions, classification models reached accuracies of up to 0.951, while in field settings, the best performance using the full spectral range achieved an accuracy of 0.930. Likewise, spectral reduction maintained high performance (accuracies between 0.90 and 0.95) in more computationally efficient configurations. The most informative
wavelengths were concentrated in the visible (520–550; 640–690 nm), red-edge (700–760 nm), and near-infrared (750–900; 930–970 nm) regions. Finally, a presymptomatic detection window of 12–24 h. in the laboratory and 2–3 days in the field was observed, supporting the use of compact models and key spectral regions for agronomic management decision support.
Descripción
ilustraciones a color, diagramas, tablas
Palabras clave propuestas
Agricultura de precisión; Precision agriculture; Análisis de imágenes hiperespectrales; Hyperspectral image analysis; Aprendizaje automático; Machine learning; Aprendizaje profundo; Deep learning; Detección presintomática; Pre-symptomatic detection; Firma espectral; Spectral signature; Phytophthora infestans; Phytophthora infestans; Selección de bandas; Band selection; Solanum tuberosum L.; Late blight; Late blight
Términos Normalizados
000 - Ciencias de la computación, información y obras generales::004 - Procesamiento de datos Ciencia de los computadores; 640 - Gestión del hogar y vida familiar::641 - Alimentos y bebidas; 640 - Gestión del hogar y vida familiar::641 - Alimentos y bebidas; Agricultura -- Procesamiento de datos; Agriculture -- Data processing; Agentes inteligentes (Software para computadora); Intelligent agents (Computer software); Aprendizaje automático (Inteligencia artificial); Machine learning; Aprendizaje profundo (Aprendizaje automático); Deep learning (Machine learning); Papas (Tubérculos); Potatoes; Espectroscopía; Spectrum analysis