View
9
Download
1
Category
Preview:
Citation preview
COMPORTAMIENTO ESPECTRAL Y ESPACIAL DE LIMA TAHITI (Citrus latifolia Tanaka) AFECTADA POR PHYTOPHTHORA SPP EN CORPOICA LA
LIBERTAD-META
GUSTAVO ORLANDO ESCOBAR HERNANDEZ
ESPECIALIZACION EN SISTEMAS DE INFORMACION GEOGRAFICA UNIVERSIDAD DISTRITAL FRANCISCO JOSE DE CALDAS
FACULTAD DE INGENIERIA CENTRO DE INVESTIGACION Y DESARROLLO EN INFORMACION
GEOGRAFICA-CIAF BOGOTÁ
2018
2
COMPORTAMIENTO ESPECTRAL Y ESPACIAL DE LIMA TAHITI (Citrus
latifolia Tanaka) AFECTADA POR PHYTOPTHORA SPP EN CORPOICA LA LIBERTAD-META
GUSTAVO ORLANDO ESCOBAR HERNANDEZ
Trabajo de Grado para optar al título de Especialista en Sistemas de Información Geográfica
Director: SERGIO ALEJANDRO ROJAS BARBOSA Asesor: OSMAN JAVIER ROA MELGAREJO
ESPECIALIZACION EN SISTEMAS DE INFORMACION GEOGRAFICA UNIVERSIDAD DISTRITAL FRANCISCO JOSE DE CALDAS
FACULTAD DE INGENIERIA CENTRO DE INVESTIGACION Y DESARROLLO EN INFORMACION
GEOGRAFICA-CIAF BOGOTÁ
2018
3
NOTA DE ACEPTACION
ING. SERGIO ALEJANDRO ROJAS-DIRECTOR
Biólogo. OSMAN JAVIER ROA MELGAREJO-ASESOR
ING. VICTORIA CAMACHO- JURADO
ING. HENRY OMAR CASTELLANOS - JURADO
Bogotá, 6 de Julio de 2018
4
DEDICATORIA
A mis padres y mi familia por el apoyo recibido durante toda mi vida y a la memoria de mi abuelo
5
AGRADECIMIENTOS
Al Ingeniero Agrónomo PhD Javier Orduz- Corpoica la Libertad por el apoyo en
presente trabajo e interés en el desarrollo de nuevas tecnologías para la agricultura.
A la Ingeniera Agrónoma Carolina Pisco –Corpoica la Libertad que con su
colaboración se hizo posible la realización de este trabajo
A Corpoica la Libertad seccional Villavicencio por la ayuda logística prestada
A mi director Ing. Sergio Alejandro Rojas y asesor Osman Roa por la dirección del
trabajo y comentarios impartidos
A la Profesora Sarah Weber por la ayuda y colaboración en el desarrollo de la
Especialización y Trabajo de Grado
Al Ing. Danny Sanjuanelo y Médico Veterinario German Vásquez por sus aportes y
colaboración en la parte estadística
Al Centro de Investigación y Desarrollo en Información Geográfica (CIAF) por la
formación académica
6
CONTENIDO
pág.
INDICE DE FIGURAS ............................................................................................ 10
RESUMEN ............................................................................................................. 14
INTRODUCCIÓN ................................................................................................... 16
1 JUSTIFICACIÓN Y PLANTEAMIENTO DEL PROBLEMA ............................. 17
2 OBJETIVOS .................................................................................................... 19
2.1 OBJETIVO GENERAL .............................................................................. 19
2.2 OBJETIVOS ESPECIFICOS ..................................................................... 19
3 REVISION BIBLIOGRAFICA .......................................................................... 20
4 MATERIALES Y METODOLOGÍA .................................................................. 26
4.1 Área de estudio ......................................................................................... 26
4.2 Evaluación de Campo ............................................................................... 27
4.3 Características del sensor ........................................................................ 28
4.4 Adquisión de Imágenes Multiespectrales .................................................. 30
4.5 Puntos de Control ..................................................................................... 30
4.6 Procesamiento de Imágenes Multiespectrales ......................................... 32
4.6.1 Valores de Reflectancia y Niveles Digitales ....................................... 32
4.7 Análisis Espacial ....................................................................................... 35
4.7.1 Promedio del Vecino más Cercano .................................................... 36
4.7.2 K-Ripley .............................................................................................. 36
4.7.3 Densidad de Kernel ............................................................................ 37
4.8 Análisis Espectral ..................................................................................... 37
5 RESULTADOS ............................................................................................... 41
5.1 Análisis Espacial de la Incidencia de Phytopthora spp .............................. 45
5.1.1 Función Vecinos más Cercanos ......................................................... 45
7
5.1.2 Función K-Ripley ................................................................................ 46
5.1.3 Densidad de Kernel ............................................................................ 49
5.2 Análisis Espacial de la Severidad de Phytopthora spp .............................. 51
5.2.1 Función vecinos más cercanos .......................................................... 51
5.2.2 Función K-Ripley ................................................................................ 53
5.2.3 Densidad de Kernel ............................................................................ 56
5.3 Análisis Espectral ..................................................................................... 58
5.3.1 Comparación árboles enfermos escala 1 vs árboles sanos ............... 60
5.3.2 Comparación árboles enfermos escala 3 vs árboles sanos ............... 69
5.3.3 Comparación árboles con curación de cancros vs árboles sanos ..... 77
5.3.4 Evaluación de Diferentes Índices de Vegetación ............................... 83
5.3.5 Clasificación SVM ( support vector machine) ..................................... 86
5.3.6 Clasificación SVM ( support vector machine) con entrenamiento ...... 88
6 Conclusión ...................................................................................................... 95
8
INDICE DE TABLAS
pág.
Tabla 1 Severidad de Phytopthora spp mediante escala Visual de Daño .............. 27
Tabla 2 Especificaciones del sensor MicaSense RedEdge ..................................... 28
Tabla 3 Información espectral de la Cámara Micasense RedEdge ....................... 29
Tabla 4 Georeferenciación Puntos de Control WGS84 ........................................... 32
Tabla 5 Georeferenciación Puntos de Control Magna-Sirgas .................................. 36
Tabla 6 Lista de Índices Vegetales ........................................................................ 38
Tabla 7 Porcentaje de Incidencia de Phytopthora spp ............................................. 41
Tabla 8 Porcentaje de Severidad de Phytopthora spp* ........................................... 41
Tabla 9 Porcentaje de Incidencia Phythopthora spp por patrones. ........................ 45
Tabla 10 Porcentaje de Severidad Phythopthora spp entre patrones. .................. 45
Tabla 11 Valores de la Función vecinos más cercanos en ArcGIS 10.5 ................ 46
Tabla 12 Valores de la Función vecinos más cercanos en Past. ........................... 46
Tabla 13 Valores de la Función vecinos más cercanos en ArcGIS 10.5 ............... 51
Tabla 14 Valores de la Función vecinos más cercanos en Past. ........................... 51
Tabla 15 Prueba de Normalidad y Homogeneidad de Varianzas-Niveles digitales .. 58
Tabla 16 Prueba de Normalidad y Homogeneidad de Varianzas-Reflectancia ........ 58
Tabla 17 Anova Bandas espectrales-Niveles Digitales ............................................ 59
Tabla 18 Anova Welch banda Roja-Reflectancia .................................................... 59
Tabla 19 Anova Bandas espectrales-Reflectancia .................................................. 59
Tabla 20 Anova Bandas espectrales-Niveles Digitales ............................................ 61
Tabla 21 Prueba Tukey diferencia de Medias Niveles Digitales-Grupo Banda Roja y
Verde ..................................................................................................................... 61
Tabla 22 Anova Welch banda Roja-Reflectancia ................................................... 62
Tabla 23 Anova Bandas espectrales-Reflectancia ................................................. 62
Tabla 24 Anova Bandas espectrales-Niveles Digitales ........................................... 71
Tabla 25 Anova Welch banda Roja-Reflectancia .................................................... 71
9
Tabla 26 Anova Bandas espectrales-Reflectancia .................................................. 71
Tabla 27 Prueba Tukey diferencia de Medias Niveles Digitales y Reflectancia- Banda
NIR ......................................................................................................................... 71
Tabla 28 Anova Bandas espectrales-Niveles Digitales ............................................ 78
Tabla 29 Anova Welch banda Roja-Reflectancia .................................................... 78
Tabla 30 Anova Bandas espectrales-Reflectancia .................................................. 79
Tabla 31 Prueba de Normalidad y Homogeneidad de Varianzas Índices Espectrales
............................................................................................................................... 83
Tabla 32 Anova Índices Espectrales ....................................................................... 83
Tabla 33 Anova Welch Índices Espectrales ............................................................ 85
Tabla 34 Prueba de Tukey diferencia de Medias Índices espectrales ...................... 85
Tabla 35 Porcentaje de predicción SVM ................................................................ 87
Tabla 36 Tabla predicciones acertadas y falsas de Funciones kernel- SMV ......... 87
Tabla 37 Porcentaje de predicción SVM por escalas de severidad.......................... 88
Tabla 38 Porcentaje de predicción SVM con entrenamiento ................................. 89
Tabla 39 Porcentaje de predicción SVM con entrenamiento por escalas de severidad
............................................................................................................................... 89
Tabla 40 Porcentaje de predicción SVM con entrenamiento por escalas de
severidad-Función Sigmoide ................................................................................... 90
Tabla 41 Porcentaje de predicción SVM con entrenamiento por escalas de
severidad-Función Polinomial ................................................................................. 91
DIAGRAMAS
pág.
Diagrama 1 Flujo de trabajo procesamiento imágenes............................................ 34
Diagrama 2 Metodología General .......................................................................... 38
Diagrama 3 Metodología Análisis Espectral .......................................................... 39
Diagrama 4 Metodología Análisis Espacial ............................................................ 40
10
INDICE DE FIGURAS
pág.
Figura 1 Lote Lima Tahiti-Corpoica La Libertad Meta (Fuente: Corpoica) ............. 26
Figura 2 Escala visual de daño - 1= exudación de goma ...................................... 27
Figura 3 Escala visual de daño -izquierda 2=agrietamiento visible con exposición
de leña –derecha 3= presencia de cancro bien desarrollado y destrucción de leña
............................................................................................................................... 28
Figura 4 Vehículo aéreo no tripulado-Cámara Micasense RedEdge ..................... 29
Figura 5 Información espectral de la Cámara Micasense RedEdge.Los colores de
las líneas corresponden a las bandas de la cámara. La línea café es un estándar
de la reflectancia de un canopi de vegetación verde. Fuente Micasense (2015) .... 30
Figura 6 Izquierda -Captura de las imágenes y derecha- Condiciones de
luminosidad día del vuelo ...................................................................................... 31
Figura 7 Puntos de Control distribuidos en el área de estudio ................................. 31
Figura 8 Orthomosaico Lima Tahiti-Corpoica la Libertad ......................................... 33
Figura 9 Georeferenciacion arboles ....................................................................... 35
Figura 10 Incidencia de Phytopthora spp (Arboles sanos y enfermos)..................... 43
Figura 11 Escalas de Severidad de Phytopthora spp .............................................. 44
Figura 12 Valores Z y P para arboles Sanos y Enfermos ....................................... 47
Figura 13 K-Ripley Arboles Sanos ......................................................................... 48
Figura 14 K-Ripley Árboles Enfermos .................................................................... 49
Figura 15 Densidad de Kernel árboles Sanos ....................................................... 50
Figura 16 Densidad de Kernel árboles Enfermos .................................................. 50
Figura 17 Valores Z y P para arboles sanos, escala 1 y 3 ....................................... 52
Figura 18 Valores Z y P para arboles con curación de cancros ............................... 53
Figura 19 K-Ripley Árboles Enfermos Escala 1 ..................................................... 54
Figura 20 K-Ripley Árboles Enfermos Escala 3 ..................................................... 55
Figura 21 K-Ripley Árboles Curación de Cancros.................................................. 55
11
Figura 22 Densidad de Kernel árboles Enfermos Escala 1 .................................... 56
Figura 23 Densidad de Kernel árboles Enfermos Escala 3 .................................... 57
Figura 24 Densidad de Kernel árboles con curación de cancros ........................... 57
Figura 25 Reflectancia Arboles sanos vs Escala 1 ................................................ 60
Figura 26 Respuesta espectral arboles sanos vs escala 1 .................................... 61
Figura 27 Imagen RGB arboles sanos (flechas verdes) y enfermos escala 1 (flechas
amarillas) ................................................................................................................ 63
Figura 28 Combinación 4-5-3 (izquierda) y 4-3-5 (derecha) arboles sanos (flechas
verdes) y enfermos escala 1 (flechas amarillas) ...................................................... 63
Figura 29 Combinación 4-2-3 (izquierda) y 4-3-2 (derecha) arboles sanos (flechas
verdes) y enfermos escala 1 (flechas amarillas) ...................................................... 64
Figura 30 Imagen RGB (izquierda) y combinación 4-5-3 (derecha) arboles sanos
(flechas verdes) y enfermos escala 1 (flechas amarillas) ......................................... 64
Figura 31 Combinación 4-2-3 (izquierda) y 4-3-2 (derecha) arboles sanos (flechas
verdes) y enfermos escala 1 (flechas amarillas) ...................................................... 65
Figura 32 Combinación 4-3-5 (izquierda) y 4-3-3 (derecha) arboles sanos (flechas
verdes) y enfermos escala 1 (flechas amarillas) ...................................................... 65
Figura 33 RGB árbol sano (izquierda) y árbol enfermo escala 1 con presencia de
defoliación (derecha) .............................................................................................. 66
Figura 34 Combinación 4-5-3 árbol sano (izquierda) y árbol enfermo escala 1 con
presencia de defoliación (derecha) ......................................................................... 67
Figura 35 Combinación 4-2-3 árbol sano (izquierda) y árbol enfermo escala 1 con
presencia de defoliación (derecha) ......................................................................... 67
Figura 36 Combinación 4-3-5 árbol sano (izquierda) y árbol enfermo escala 1 con
presencia de defoliación (derecha) ......................................................................... 68
Figura 37 Combinación 4-3-2 árbol sano (izquierda) y árbol enfermo escala 1 con
presencia de defoliación (derecha) ......................................................................... 68
Figura 38 Combinación 4-3-3 árbol sano (izquierda) y árbol enfermo escala 1 con
presencia de defoliación (derecha) ......................................................................... 69
Figura 39 Niveles Digitales Arboles sanos vs Escala 3 ......................................... 70
12
Figura 40 Reflectancia arboles Sanos vs Escala 3 ................................................ 70
Figura 41 Comparación medias de Reflectancia entre árboles enfermos y sanos en
la banda NIR .......................................................................................................... 72
Figura 42 Comparación medias de Reflectancia entre árboles enfermos y sanos en
la banda Roja ......................................................................................................... 73
Figura 43 Imagen RGB arboles sanos (flechas verdes), árbol más sano (flecha roja)
y enfermos escala 3 (flechas amarillas) ................................................................... 74
Figura 44 Combinación 4-5-3 árboles sanos (flecha verde), árbol más sano (flecha
roja) y enfermos escala 3 (flechas amarillas) ........................................................... 74
Figura 45 Combinación 4-2-3 árboles sanos (flechas verdes), árbol más sano
(flecha roja) y enfermos escala 3 (flechas amarillas) ............................................... 75
Figura 46 Combinación 4-3-2 árboles sanos (flechas verdes), árbol más sano
(flecha roja) y enfermos escala 3 (flechas amarillas) ............................................... 75
Figura 47 Combinación 4-3-5 árboles sanos (flechas verdes), árbol más sano
(flecha roja) y enfermos escala 3 (flechas amarillas) ............................................... 76
Figura 48 Combinación 4-3-3 árboles sanos (flechas verdes), árbol más sano
(flecha roja) y enfermos escala 3 (flechas amarillas) ............................................... 76
Figura 49 Niveles Digitales Arboles Sanos Vs Curación de Cancro ...................... 77
Figura 50 Reflectancia Arboles Sanos vs Curación Cancro .................................. 78
Figura 51 Imagen RGB arboles sanos (flechas verdes) y enfermos curación de
cancros (flechas amarillas)...................................................................................... 80
Figura 52 Combinación 4-5-3 árboles sanos (flecha verde) y enfermos curación de
cancros (flechas amarillas) ..................................................................................... 80
Figura 53Combinación 4-5-3 árboles sanos (flecha verde) y enfermos curación de
cancros (flechas amarillas) ..................................................................................... 81
Figura 54 Combinación 4-3-2 árboles sanos (flecha verde) y enfermos curación de
cancros (flechas amarillas) ..................................................................................... 81
Figura 55 Combinación 4-3-5 árboles sanos (flecha verde) y enfermos curación de
cancros (flechas amarillas) ..................................................................................... 82
13
Figura 56 Combinación 4-3-3 árboles sanos (flecha verde) y enfermos curación de
cancros (flechas amarillas) ..................................................................................... 82
Figura 57 Índices de Vegetación A. NDVI, B. GNDVI, C. NGRVI, D. RE-NDVI ..... 84
Figura 58 Índices de Vegetación............................................................................ 86
Figura 59 Función Sigmoide-SVM ........................................................................ 88
Figura 60 Función Sigmoide-SVM con entrenamiento ........................................... 90
Figura 61 Función Polinomial-SVM con entrenamiento ......................................... 91
Figura 62 Clasificación SVM-Kernel Sigmoide ...................................................... 93
Figura 63 Clasificación SVM-Kernel Sigmoide con entrenamiento ........................ 94
14
RESUMEN
COMPORTAMIENTO ESPECTRAL Y ESPACIAL DE LIMA TAHITI (Citrus latifolia Tanaka) AFECTADA POR PHYTOPHTHORA SPP EN CORPOICA LA
LIBERTAD-META
Phythopthora spp, Lima Tahití, incidencia, severidad, dispersión, aleatoriedad,
reflectancia, niveles digitales, NIR, índices espectrales
Pudriciones del tronco y la raíz son dos reconocidos problemas de enfermedades
infecciosas en Cítricos, las cuales son causadas por la transmisión del hongo del
suelo Phythopthora spp , cuando se tienen daños en el cambium y al interior de la
corteza, las lesiones se pueden propagar alrededor de la circunferencia del tronco
y anillar el cambium ocasionando la muerte del árbol, la copa de los arboles
afectados exhiben clorosis, defoliación, muerte descendente de ramas y poco
crecimiento de los brotes. Este trabajo pretende determinar el comportamiento
espectral y espacial de Phytophthora spp para su detección y manejo en el cultivo
de Lima Tahití a través de la evaluación de 4 escalas de severidad ( 0-sano,1-
lesiones iniciales,2-lesiones ligeras,3-lesiones graves). Se seleccionó un lote de Lima
Tahití con una área de 0,7 hectáreas, el cual presentaba síntomas de Phythopthora
spp asociados a la pudrición del tallo, localizado en el Centro de Investigación La
Libertad Corpoica Villavicencio, departamento del Meta ubicado a 04º03’N,
73º29’W y a una altitud de 336 msnm. Se realizó una evaluación de campo donde
se determinó la incidencia y severidad de Phythopthora spp, posteriormente se
obtuvieron imágenes multiespectrales a través de cámara MicaSense RedEdge la
cual fue ubicada sobre un Multirotor hexacoptero, (vehículo aéreo no tripulado), el
sensor puede captar el Rojo (R), Verde (G), azul (B), Rededge (Re), Infrarojo
cercano (NIR) simultáneamente. De acuerdo al análisis espacial de Phytophthora
spp realizado con la funcion vecinos más cercanos, se encuentra que la incidencia
y severidad tiene un patrón disperso con una significancia de p-valor<0,05,
mientras que con la función K-ripley se distribuye de forma aleatoria tanto en
incidencia y severidad con una significancia de p-valor<0,01. Con la densidad de
15
Kernel se puede observar la distribución de Phytophthora spp la cual describe
patrones de propagación de la enfermedad del centro del lote hacia los costados
laterales. Al analizar los perfiles espectrales con valores de reflectancia y niveles
digitales, se encuentran diferencias significativas con un p-valor<0,05 entre
arboles sanos y enfermos escala 3 con la banda NIR, lo cual permite la detección
de Phythopthora spp, los arboles afectados muestran una coloración más oscura
mientras que los sanos una coloración más brillante en diferentes combinaciones
con la banda NIR, puesto que los arboles afectados muestran un mayor grado de
defoliación, lo cual refleja la relación de la densidad del follaje y la respuesta del NIR.
En la escala 1 no se encontraron diferencias significativas con ninguna banda, pero
se pueden encontrar arboles con o sin defoliación, lo cual sugiere que hay diferentes
niveles de daños internos en el cambium, ocasionando diferentes grados de
defoliación, por esta razón hay árboles que pueden tener daños en el tallo pero que
aún no expresan síntomas en el follaje. En la escala 2 no se encontraron árboles, en
el caso de los índices de vegetación NDVI, GNDVI, SAVI y RE-NDVI se encontraron
diferencias significativas con un p-valor 0,05 entre arboles sanos y escala 3,
mientras que con la escala 1 no hay diferencias esto se debe al poco grado de
afectación de los haces vasculares en este estado de la enfermedad. En cuanto a la
clasificación con support vector machine (SVM) con los valores de niveles digitales y
reflectancia de la banda NIR son bajos (60%) respecto a otros estudios realizados
para otras enfermedades en cítricos como HLB (80%), ya que no hay diferencias
significativas en las escalas 1 lo cual dificulta la separación entre arboles sanos y
enfermos.
16
INTRODUCCIÓN
Las enfermedades producidas por Phytophthora spp son económicamente
importantes en todas las regiones productoras de cítricos, este patógeno está
presente en casi todos los cítricos de la Florida y Brasil, las pérdidas en
producción ocasionadas por Phytophthora spp en la Florida han sido estimadas en
un rango de cerca de 3% a 6% por año, o $ 30 a $60 millones de dólares, sin que
se tomen ninguna medida de control (Graham & Feichtenberger,E, 2015). En
Colombia la enfermedad producida por Phytophthora spp es denominada gomosis
o pudrición del pie de los cítricos, es una enfermedad común que por la poca
atención de algunos citricultores y el abandono de los huertos, han permitido que
dicha enfermedad cause día a día pérdidas importantes en la producción (Castro,
L.W, Leguizamon, Muller, & Corrales, 2000). Para obtener un confiable diagnóstico
de enfermedades, nuevos enfoques deben ser introducidos e incorporados dentro
del tradicional monitoreo (Mahlein, 2016), considerando que la ocurrencia de las
enfermedades de las plantas depende de factores ambientales y que
frecuentemente exhiben una distribución heterogénea en el campo, existen
técnicas de detección óptica que son útiles para identificar focos de enfermedad,
distinguiendo áreas con diferentes niveles de severidad (Franke & Menz, 2007).
Es así que los sensores ópticos son unas herramientas prometedoras para la
detección y diagnostico no invasivo de enfermedades (Mahlein, 2016)
Las anteriores razones hacen indispensable la evaluación de nuevos sensores
para la detección de enfermedades en la citricultura Colombiana, analizando su
respuesta espectral y espacial, los cuales provean información útil para entender
el crecimiento y propagación de la población de patógenos en un cultivo,
estableciendo de forma precisa estrategias de manejo y control. Obteniendo así
reducción de costos e impactos ecológicos en el sistema de producción de la
agricultura (Gebbers & Adamchuk, 2010)
17
1 JUSTIFICACIÓN Y PLANTEAMIENTO DEL PROBLEMA
Generalmente la identificación de Phytophthora spp se da cuando los arboles
presentan estados avanzados de la enfermedad en el cual no se puede impedir la
muerte de los árboles. Las detecciones tempranas permitirían a los productores
tomar medidas de control, pero las evaluaciones de campo son el principal método
para determinar la presencia de la enfermedad, ya que los síntomas principales e
iniciales se manifiestan en el tallo o en las raíces de los árboles. Por lo tanto la
evaluación campo puede ser un trabajo tedioso, el cual puede tomar demasiado
tiempo además de que se pueden pasar por alto algunos árboles infectados, lo
cual traería como consecuencia la perdida de árboles (Fletcher, Skaria, Escobar, &
Everitt, 2001). Producto del daño ocasionado a los haces vasculares en el tallo
principal, los arboles afectados presentan clorosis, defoliación, muerte
descendente de ramas y poco crecimiento de los brotes (Graham &
Feichtenberger,E, 2015). Los anteriores síntomas pueden ser detectados por
sensores remotos, lo que abre una oportunidad en su utilización en el manejo de
Phytophthora spp, y se puedan detectar árboles de una forma más rápida,
ubicando zonas específicas donde se presente la enfermedad, en comparación a
la evaluación de campo, la cual en amplias aéreas de cultivo seria ineficaz por el
tiempo y personal necesario para realizarla.
Corpoica en el año 1996 realizó la caracterización de la citricultura del Meta,
identificando limitantes tecnológicas y estableciendo objetivos de investigación,
como la obtención de altos rendimientos, reducción de costos de producción,
manejo de cultivos con agricultura limpia, ampliación de la época de cosecha y
nuevos mercados, con base en estos objetivos se establecieron los experimentos
de cítricos del C.I. La Libertad (Orduz J. , 2017), luego de un amplio recorrido en
investigaciones, se quiere implementar el uso de nuevas tecnologías en cultivos
de cítricos, como es la utilización de sensores multiespectrales para detección de
18
enfermedades, por esta razón este trabajo pretende analizar espacialmente y
espectralmente el cultivo de lima Tahití afectado por Phytophthora spp.
19
2 OBJETIVOS
2.1 OBJETIVO GENERAL
Determinar el comportamiento espectral y espacial de Phytophthora spp para su
detección y manejo en el cultivo de Lima Tahití.
2.2 OBJETIVOS ESPECIFICOS
Caracterizar la distribución espacial de Phytophthora spp a través de diferentes
escalas de severidad en el cultivo de Lima Tahití
Determinar diferencias entre árboles sanos y enfermos en cada una de las escalas
de severidad establecidas a partir de su respuesta espectral.
.
20
3 REVISION BIBLIOGRAFICA
Pudriciones del pie y la raíz son dos reconocidos problemas de enfermedades
infecciosas en Cítricos, son causadas por la transmisión del hongo del suelo
Phythopthora spp (Grimmseand Timmer, 1981; Klotz, 1978) citados por (Fletcher,
Skaria, Escobar, & Everitt, 2001). El síntoma más grave es la pudrición del pie, el
cual ocurre en los tallos cerca del suelo, la infección se produce cuando las
esporas de Phytophthora spp salpican el tallo infectando heridas o grietas de
crecimiento (Mekonen M, 2015). Las lesiones se extienden hasta la unión del
patrón, o hacia las ramas principales. Cuando el cambium y el interior de la
corteza tienen daños, las lesiones se pueden propagar alrededor de la
circunferencia del tronco y anillar el cambium ocasionando la muerte del árbol. La
copa de los arboles exhiben clorosis, defoliación, muerte descendente de ramas y
poco crecimiento de los brotes (Graham & Feichtenberger,E, 2015). Pudriciones
de la raíz ocurren cuando el cortex de las raíces fibrosas son infectadas,
tornándose blandas y con apariencia húmeda, las raíces fibrosas se desprenden
de la corteza dejando solo una estela de hilo blanco (tejido interno de la raíz
fibrosa) (Graham,J, Dewdney,M, & Johnson,E, 2017-2018) , la absorción de agua
y nutrientes minerales es afectada y la reserva de carbohidratos en las raíces son
reducidas por los repetidos ataques, este daño reduce el tamaño del fruto y la
producción debido a la perdida de hojas y la muerte descendente del Canopi
(Feichtenberger 1997; Sandler et al. 1989) citado por (Graham &
Feichtenberger,E, 2015). Para el manejo de Phytophthora spp se deben
considerar la integración de prácticas culturales (exclusión de la enfermedad a
través del material de siembra, utilización de patrones resistentes, apropiadas
prácticas de riego) y el control químico debe ser considerado hasta que otras
causas de la declinación de la producción de los arboles halla sido evaluada y
corregida (Graham,J, Dewdney,M, & Johnson,E, 2017-2018).
21
El estudio de la dinámica de enfermedades en el espacio y tiempo contribuye al
desarrollo de estrategias para el manejo de epidemias (Agrios, 2004), Sin
embargo, el éxito de estas estrategias depende de la aplicación de métodos y
modelos adecuados, que representen el gradiente de enfermedad en el espacio
y/o la curva de progreso de la enfermedad en el tiempo, considerando la relación
entre patógenos, hospedante, variables ambientales y manejo del cultivo
(Campbell y Madden, 1990) citado por (Cárdenas Pardo NJ, 2017). Diferentes
métodos han sido empleados para caracterizar la agregación espacial de datos
provenientes de incidencia de enfermedad. Análisis de relaciones, varianza-media,
ajuste de distribución beta-binomial, autocorrelación espacial y métodos
geoestadísticos son métodos empleados para cuantificar la heterogeneidad
espacial de datos de incidencia de enfermedad (Van Maanen & Xu, 2003).
En el pasado intensas técnicas de muestreo fueron utilizadas para monitorear la
incidencia de las enfermedades (Kish, 1995) citado por (Luo, et al., 2012) . Sin
embargo, esta aproximación es costosa, laboriosa y demanda mucho tiempo
especialmente para áreas de gran extensión, por esta razón un gran número de
investigadores han argumentado que debido a restricciones temporales y
monetarias, un desafío clave es desarrollar métodos eficientes para describir
patrones espaciales para caracterizar la propagación de las enfermedades con
gran precisión desde un número limitado de muestras (Ferrandino, 2004; Harrison,
1981; Xu and Ridout, 1998) citado por (Luo, et al., 2012).
Comunes métodos para el diagnóstico y detección de enfermedades en plantas
incluyen la estimación visual por humanos, técnicas moleculares, serológicas,
microbiológicas y la microscopia para evaluar las características morfológicas de
los patógenos (Bock, Poole, Parker, & Gottwald, 2010). Pero investigaciones
recientes han identificado nuevos sensores, basados en métodos para la
detección, identificación y cuantificación de las enfermedades de las plantas
(Hillnh¨utter et al. 2010; Mahlein et al. 2012a; Sankaran et al. 2010; West et al.
22
2003, 2010 citados por Mahlein, 2016). Estos sensores evalúan las propiedades
ópticas de las plantas dentro las diferentes regiones del espectro electromagnético
y utilizando información más allá del rango visible.
Los sensores permiten la detección temprana de cambios en la fisiología de la
planta debido a estrés abiótico, porque las enfermedades pueden causar
modificaciones en el color del tejido, forma de la hoja, proporción de la
transpiración, morfología del canopi y densidad de la planta así mismo la
interacción de la radiación solar con las plantas (West, et al., 2010). Actualmente
las técnicas más promisorias son los sensores que miden la reflectancia, la
temperatura y la fluorescencia (Mahlein, Oerke, Steiner, & Dehne, 2012).
En las ciencias vegetales, los sensores remotos son un método usado para
obtener información de las plantas o los cultivos sin tener un contacto directo o
una manipulación invasiva, el concepto ha sido recientemente ampliado por
proximal, a corta distancia o una detección a escala pequeña del material vegetal
(Oerke, Mahlein, & Steiner, 2014). Estos sensores pueden ser instalados en
múltiples plataformas (microscopios digitales, tractores, robots, plataformas de alto
rendimiento, vehículos aéreos no tripulados, zepelines, aeronaves, satélites, etc) o
sensores estacionarios que pueden ser ubicados en puntos estratégicos.
La mayoría de los recientes desarrollos en el sistema de patógenos, utilizan
diferentes sensores los cuales son altamente sensibles, como RGB,
multiespectral, hiperespectral, thermal, 3D sensores y fluorescencia de la clorofila
(Mahlein, Oerke, Steiner, & Dehne, 2012).
La resolución espacial tiene una fuerte influencia en la detección de enfermedades
de la planta o la interacción planta-patógeno (West, et al., 2010). Sensores
aerotransportados son apropiados para la detección de parches en el campo que
han sido afectados por patógenos del suelo (Hillnhutter, Mahlein, Sikora, & Oerke,
23
2011), o en estados tardíos de enfermedades (Mahlein, Oerke, Steiner, & Dehne,
2012).
Sensores con una resolución espacial de aproximadamente de 1 metro, no son
adecuados para la detención de síntomas de plantas enfermas, son preferibles las
plataformas de sensores proximales (Oerke, Mahlein, & Steiner, 2014). A pesar de
los múltiples estudios, el uso de un innovador sistema de imágenes
hiperespectrales en patología vegetal y en la evaluación de la severidad de la
enfermedad todavía está en estado de estudio (Bock, Poole, Parker, & Gottwald,
2010).
Las propiedades ópticas de las hojas son caracterizadas por la transmisión de la
luz a través de su superficie, también la luz absorbida por los compuestos
químicos de la hoja (pigmentos, agua, azucares, lignina y aminoácidos), y la
reflejada de las estructuras internas o directamente de la superficie foliar. Así la
reflectancia de la luz de las plantas es un complejo fenómeno dependiente de
múltiples interacciones biofísicas y bioquímicas. El rango visible (400-700nm) es
principalmente influenciado por los contenidos de pigmentos de las hojas, la
reflectancia del infrarrojo cercano (700 a 1100 nm) depende de la estructura de la
hoja, el proceso interno de dispersión y la absorción por el agua de la hoja, en el
infrarrojo de onda corta (1100 a 2500 nm) es influenciado por la composición
química de la hoja y el agua (Carter & Knapp, 2001). Cambios en la reflectancia
debido a los patógenos y las enfermedades de las plantas pueden ser explicados
por deterioro de la estructura de la hoja y la composición química durante la
patogénesis la cual es altamente específica.
Varias Investigaciones demuestran el uso de sensores para detectar
enfermedades por ejemplo Bravo et al. (2003) citado por Mahlein (2016) uso
imágenes hiperespectrales para la detección temprana de roya en trigo.
Enfermedades transmitidas por el suelo fueron discriminadas por (Hillnhutter,
24
Mahlein, Sikora, & Oerke, 2011), observaron los síntomas causados por el
nematodo Heterodera schachtii y el hongo Rhizoctonia solani en campos de
remolacha azucarera. En Caña de azúcar, Apan et al. (2004) citado por Mahlein
(2016) fue capaz de detectar Puccinia kuehnii usando EO-1 Hyperion imagen
hiperespectral. Huang et al. (2007) obtuvo una detección fiable y precisa de roya
amarilla en trigo basado en medidas espectrales en tierra e imágenes
hiperespectrales de vehículos aerotransportados, tambien las imágenes
hiperespectrales son ampliamente usado para monitorear la calidad y sanidad de
los frutos. Las lesiones del cáncer de los cítricos ocasionada por la bacteria
Xanthomonas axonopodis (Qin et al.2009 citado por Mahlein, 2016), defectos de la
superficie de las manzanas (Mehl et al. 2004), y pudrición de fresas (ElMasry et
al. 2007 citado por Mahlein, 2016) pueden ser identificadas por imágenes
hiperespectrales. Estas técnicas son importantes en la clasificación de frutos y
evitando enfermedades de almacenamiento.
En el caso de Phythopthora afectando cítricos Gausman et al. (1970) Citado por
Fletcher et al, 2001, uso fotografías aéreas para detectar la infección en pomelos
(Citrus paradisi Macf.) en el sur de Texas, en este trabajo también se utilizó a
nivel de laboratorio un espectrómetro para estudiar las propiedades espectrales de
las hojas afectadas.
Fletcher et al , (2011) realizo estudios espectrales en campo e imágenes digitales
a través de un vehículo aerotransportado, encontrando diferencias significativas
cuando evaluó la banda del infrarojo cercano entre plantas no infectadas e
infectadas con Phythopthora parasítica, entre tanto las bandas verde y roja no se
encontraron diferencias significativas.
En Naranja Valencia para la detección de bacteria (Candidatus Liberibacter
asiaticus) conocida comúnmente como Huanglongbing (HLB) (Sankaran S. ,
Maja, Buchanon, & Ehsani, 2013) encontraron diferencias en la región visible e
25
infraroja entre arboles infectados y sanos, los datos revelan que los valores de
reflectancia en arboles sanos fueron bajos en la región visible mientras que el
infrarojo fueron altos mientras lo contrario fue encontrado en arboles infectados,
este estudio demuestra la aplicación de imágenes para la detección de HLB.
Garcia-Ruiz, et al., (2013) evaluaron siete indices vegetales para la discriminacion
de arboles afectados por HLB en citricos, encontrando que el indice infrarojo
menos rojo ( NIR-R) tuvo diferencias significativas entre arboles sanos y los
afectados por HLB. Tambien Sankaran S. , Maja, Buchanon, & Ehsani (2013)
evaluando diferentes indices vegetales en citricos con HLB , encontraron buena
separabilidad entre el grupo de sanos y enfermos con los indices normalizado de
vegetacion (NDVI), Vogelmann red-edge (VOG) y el modificado simple proporción
red-edge (mSR).
26
4 MATERIALES Y METODOLOGÍA 4.1 ÁREA DE ESTUDIO Se seleccionó un lote de Lima Tahití con una área de 0,7 hectáreas, localizado en el
Centro de Investigación La Libertad de Corpoica Villavicencio, departamento del
Meta ubicado a 04º03’N, 73º29’W a una altitud de 336 msnm, con una
temperatura media anual de 26ºC y precipitación media anual de 2918 mm
(Orduz, Castiblanco, Calderon, & Velasquez, 2011) . Lima Tahití esta injertado
sobre 6 patrones: Citrumelo CPB 4475, Carrizo, Kryder, Sunky xEnglish,
Volcameriano y Cleopatra. Distribuidos en Bloques al azar con cuatro repeticiones
y seis arboles por cada unidad (Figura 1)
Figura 1 Lote Lima Tahiti-Corpoica La Libertad Meta (Fuente: Corpoica)
27
4.2 EVALUACIÓN DE CAMPO
Con anterioridad a la toma de las imágenes, se realizó la determinación de la
incidencia y severidad de Phytopthora spp, para verificar el estado actual de los
síntomas. Ya que previamente se había confirmado la presencia de la enfermedad y
los síntomas se asociaban a la pudrición del tallo (Información Corpoica). Para
cuantificar la severidad de la enfermedad se empleó una escala visual de cuatro
niveles (Tabla 1, Figura 2 y 3) (Acosta, et al., 2012).
Tabla 1 Severidad de Phytopthora spp mediante escala Visual de Daño
Escala Descripción
0 Árbol sano, sin danos visibles en el tronco o exudaciones
1 Síntomas iniciales, exudaciones de goma
2 Lesiones ligeras agrietamiento visible con exposición de leña
3 Lesiones graves, presencia de cancro bien definido y destrucción de leña
Figura 2 Escala visual de daño - 1= exudación de goma
28
Figura 3 Escala visual de daño -izquierda 2=agrietamiento visible con exposición de leña –derecha 3= presencia de cancro bien desarrollado y destrucción de leña
4.3 CARACTERÍSTICAS DEL SENSOR El sensor utilizado en este trabajo fue una cámara multiespectral MicaSense
RedEdge (Tabla1) la cual fue ubicada sobre un Multirotor hexacoptero, un
vehículo aéreo no tripulado diseñado por la Universidad de San Buenaventura
(Facultad de Ingeniería Aeronáutica) (Figura 4).
Tabla 2 Especificaciones del sensor MicaSense RedEdge
Tipo de Camera Multiespectral
Nombre Micasense RedEdge
Longitud Focal (mm) 5.5
HFOV (°) 47.2
Bandas Espectrales 5
Rangos Espectrales (nm) 465 – 727
Dimensiones del tamaño (mm) 120.9 x 65.8 x 46.0
Tamaño de la imagen (pixel) 1280 x 960
profundidad de Bits 12-16-bit
Formato de imagen RAW/TIFF
Peso (Kg) 0.15 Fuente Micasense (2015)
29
Figura 4 Vehículo aéreo no tripulado-Cámara Micasense RedEdge
La cámara multiespectral tiene 5 bandas espectrales, la cual puede captar el Rojo
(R), Verde (G), azul (B), Rededge (Re), Infrarojo cercano (NIR) simultáneamente, la
resolución espacial es de 8,2 cm/pixel a una altitud de 120 m, la velocidad de captura
es de un segundo por toda las bandas (Micasense, Micasense RedEdge TM 3
Multiespectral Camera User Manual, 2015), a continuación se presenta la longitud de
onda de captura de las diferentes bandas (Tabla 2, Figura 5).
Tabla 3 Información espectral de la Cámara Micasense RedEdge
Numero de banda Nombre banda
Centro longitud de onda (nm)
Ancho de Banda (nm) Rango (nm)
1 Azul 475 20 465-485
2 Verde 560 20 550-570
3 Rojo 668 10 663-673
4 NIR 840 40 820-860
5 RedEdge 717 10 712-722 Fuente Micasense (2015)
30
Figura 5 Información espectral de la Cámara Micasense RedEdge.Los colores de las
líneas corresponden a las bandas de la cámara. La línea café es un estándar de la
reflectancia de un canopi de vegetación verde. Fuente Micasense (2015)
4.4 ADQUISIÓN DE IMÁGENES MULTIESPECTRALES Para adquirir las imágenes se realizó un vuelo el día 1 de noviembre de 2017, a las
10:50 am en condiciones de alta luminosidad, a una altitud de 30 metros y una
resolución espacial de 2cm/pixel, con un solape de imágenes de un 80 % (Figura 6).
4.5 PUNTOS DE CONTROL
Se seleccionaron en el área de estudio 5 puntos de control, los cuales se
georreferenciaron a través de una estación Topcom (Figura 7). La información
adquirida se muestra en la tabla 3.
31
Figura 6 Izquierda -Captura de las imágenes y derecha- Condiciones de luminosidad día del vuelo
Figura 7 Puntos de Control distribuidos en el área de estudio
32
Tabla 4 Georeferenciación Puntos de Control WGS84
Punto de control
WGS84 Latitude WGS84 Longitude WGS84
Ell.Height (m)
1 4°03'30.34768"N 73°27'40.28901"W 346.436
2 4°03'27.54887"N 73°27'39.63810"W 346.288
3 4°03'27.16503"N 73°27'41.19588"W 346.240
4 4°03'30.00745"N 73°27'41.80086"W 346.563
5 4°03'29.26050"N 73°27'40.93541"W 346.414
Fuente: Corpoica (2017)
4.6 PROCESAMIENTO DE IMÁGENES MULTIESPECTRALES
Las imágenes se procesaron en Agisoft PhotoScan 1.4, es un programa que realiza
procesos fotogramétrico de imágenes digitales y genera datos espaciales en 3D, es
utilizado en aplicaciones de Sistemas de Información Geográfica, documentación de
patrimonio cultural y producción de efectos visuales así como mediciones indirectas
de objetos a diversas escalas (Agisoft, 2018) . El proceso de imágenes se realizó en
sistema de coordenadas WGS 84 (EPSG:4326) e incluyo el flujo de trabajo según
(Agisoft, 2018) y (Tagle & Zabala, 2017) ( Diagrama 1), obteniendo así el respectivo
orthomosaico ( Figura 8).
4.6.1 Valores de Reflectancia y Niveles Digitales
Para convertir niveles digitales a reflectancia, una imagen del panel blanco de
reflectancia fue tomada al comienzo del vuelo y luego descargada dentro del
procesamiento. Antes de la construcción del orthomosaico, en el proceso de
calibración de reflectancia se utilizan los valores de reflectancia del panel de
referencia para la calibración de cada una de las 5 bandas. Los valores de los
pixeles son proporcionales a porcentaje de reflectancia, con un valor de pixel de
32,768 este es equivalente a 100% de reflectancia, los valores de pixel son
33
entonces convertidos en reflectancia entre 0 y 1 dividiendo cada pixel por la máxima
reflectancia con un valor de 32,768 (Micasense support, 2018).
Figura 8 Orthomosaico Lima Tahiti-Corpoica la Libertad
34
Diagrama 1 Flujo de trabajo procesamiento imágenes
los valores de reflectancia se obtuvieron utilizando la calculadora raster del programa
Agisoft, para luego exportar los resultados del orthomosaico en formato GeoTIFF.
Para la extracción de los valores de niveles digitales y reflectancia, tanto en arboles
sanos como enfermos, se procedió a digitalizar en el orthomosaico cada árbol en el
programa ArcGIS 10.5 obteniendo una capa de polígonos, luego se dividió cada
una de las 5 bandas del orthomosaico a través de la calculadora raster del programa
QGIS 2.18. Con la Herramienta estadística zonal como tabla (Zonal Statistics as
Exportación de Resultados-GeoTIFF
Construcción de un Orthomosaico
Construcción de un modelo digital de elevación
Construcción de un modelo de mosaico
Generación de la textura
Construcción de la malla (Modelo poligonal 3D)
Construcción de la nube densa de puntos
Realineación de las imágenes
Georeferenciación (puntos de Control)
Alineación de fotografías
Inspección de imágenes descargadas, remoción de imágenes innecesarias
Descarga de fotografías en Photoscan
35
table) del programa ArcGIS 10.5 se obtuvieron los promedios de los valores de
reflectancia y niveles digitales de cada uno de los arboles por cada banda.
4.7 ANÁLISIS ESPACIAL
Para este análisis se procedió a georeferenciar cada árbol, con la ayuda de la
herramienta Create Fishnet del programa ArcGIS 10.5 a partir del orthomosaico
generado, esta herramienta genera una grilla en el área de estudio creando un
punto central en cada uno de los polígonos creados (Figura 9).
Figura 9 Georeferenciacion arboles
Para el análisis espacial a través de las funciones de promedio del vecino más
cercano, Densidad de Kernel y la K –Ripley en los programas ArcGIS y Past, se
procedió a georeferenciar nuevamente la imagen en coordenadas proyectas en el
36
sistema Magna-Sirgas, ya que los puntos de control también se tomaron en el
sistema anteriormente mencionado y por consiguiente la georeferenciacion de los
arboles bajo este sistema (Tabla 4).
Tabla 5 Georeferenciación Puntos de Control Magna-Sirgas
Puntos de control Grid Northing (m) Grid Easting (m) Elevation (m)
1 940.559.064 1.068.438.463 346.436
2 940.473.104 1.068.458.606 346.288
3 940.461.276 1.068.410.563 346.240
4 940.548.577 1.068.391.835 346.563
5 940.525.652 1.068.418.549 346.414
4.7.1 Promedio del Vecino más Cercano
El promedio de vecinos más cercanos mide la distancia entre cada centroide de
entidad y la ubicación del centroide de su vecino más cercano. Si la distancia
promedio es menor que el promedio de una distribución hipotética aleatoria, se
considera que la distribución de las entidades que se analiza es agrupada. Si la
distancia promedio es mayor que la distribución hipotética aleatoria, se considera
que las entidades están dispersas. La relación de vecino más cercano promedio
se calcula como la distancia promedio observada dividida por la distancia
promedio esperada (Esri, 2018).
4.7.2 K-Ripley
Determina si las entidades, o los valores asociados a las entidades, exhiben una
agregación o una dispersión estadísticamente significativas en un rango de
distancias. Una característica que distingue este método de otros, es que
resume la dependencia espacial (agregación de entidad o dispersión de
entidad) en un rango de distancias. La Función K de Ripley ilustra cómo
37
cambia la agregación espacial o la dispersión de los centroides de la
entidad cuando cambia el tamaño de la vecindad (Esri, 2018).
4.7.3 Densidad de Kernel
Calcula una magnitud por unidad de área a partir de entidades de punto o polilínea
mediante una función kernel para adaptar una superficie suavemente estrechada a
cada punto o polilínea (Esri, 2018).
4.8 ANÁLISIS ESPECTRAL
El análisis se realizó de acuerdo al perfil espectral en cada una de las escalas de
severidad establecidas, con los valores extraídos de la imagen en cada una de las
bandas espectrales, también se evaluaron 5 índices vegetales los cuales se
presentan en la tabla 6. Para determinar las diferencias significativas entre árboles
enfermos y sanos, para cada una de las cinco bandas espectrales y cinco índices
vegetales, se realizó un análisis de varianza (ANOVA) donde el tipo de Anova
propuesto fue tipo bloque, donde el bloque es la copa y el tratamiento son arboles
sanos o enfermos.Para el proceso estadístico se utilizó R que es un lenguaje de
programación y entorno de programa libre para computación y gráficos estadísticos,
al igual que SAS studio que es una interfaz basada en navegador web.
Se realizó la clasificación con SVM ( support vector machine) para la separación
entre arboles sanos y enfermos con funciones kernel linear, polinomial, sigmoide y
radial, en la cual se realizó sin entrenamiento y con entrenamiento, la última tomo el
75% de la población para realizar la clasificación y el 25 % como testigo.
En el diagramas 2 se resume la metodología para desarrollada en el presente
trabajo.
38
Tabla 6 Lista de Índices Vegetales
Índices Vegetales Ecuación*
Índice de vegetación de diferencia normalizada (NDVI)
(Bravo et al,2003 ; Yang et al, 2007; Naidu et al, 2009) citados por (Mishra, Karimi, Ehsani, & Albrigo, 2011)
NDVI=NIR-R/ NIR+R
Índice de Vegetación de diferencia normalizado RedEdge
(NDRE)
(Gitelson and Merzlyak, 1994; Sims and Gamon, 2002) citados por
(Potgieter, George-Jaeggli, & Chapman, 2017)
NDRE=NIR-RE/ NIR+RE
Índice de vegetación diferencia normalizado Verde (GNDVI)
(Garcia-Ruiz, et al., 2013)
GNDVI=NIR-V/NIR+V
Indice de diferencia normalizado Verde y Rojo (NGRDI)
(Díaz García-Cervigón, 2015)
NGRDI=V-R/V+R
Indice de vegetación ajustado al suelo (SAVI)
(Garcia-Ruiz, et al., 2013)
SAVI=(NIR-R/NIR+R+L)*1+L
L=0,5
*bandas espectrales: V=verde,R=Rojo,NIR=infrarojo cercano,RE=RedEdge
Diagrama 2 Metodología General
Evaluacion de Campo
Incidencia-Severidad
Phytophthora spp
Captura de Imagenes -
Sensor Multiespectral
Procesamiento de Imagenes
Generacion
Orthomosaico
Analisis Espectral
Perfil Espectral Indices de Vegetacion
Analisis Estadistico
Clasificacion (SVM)
Analisis Espacial
Mapas Incidencia
y severidad
Vecinos mas
Cercanos KRipley
Densidad de Kernel
39
Diagrama 3 Metodología Análisis Espectral
Evaluacion de Campo Incidencia-Severidad
Phytophthora spp
Captura Imagenes- Camara RedEdge- 5 Puntos de Control
Procesamiento de Imagenes Agisoft 1.4- WGS84
Orthomosaico-Niveles Digitales
Digitalizacion Arboles Argis 10.5
Extraccion Valores Niveles Digitales y reflectancia por banda ( Zonal Statistic as a table-Argis 10.5)
Clasificacion de datos Escala de severidad-Perfiles Espectrales
Analisis Estadistico (Normalidad y Varianza)
Anova-Anova Welch
Prueba de Tukey -Analisis de medias
Diferencias Escalas de severidad
Clasificacion (SVM)
Calibracion Reflectancia ( valores panel de referencia)
Orthomosaico-Reflectancia
Indices de Vegetacion
NDVI GNDVI NGRVI
SAVI RENDVI
Extraccion Valores ( Zonal Statistic as a table-Argis 10.5)
Clasificacion de datos (Sanos-Enfermos)
Analisis Estadistico (Normalidad y Varianza)
Prueba de Tukey -Analisis de medias
40
Diagrama 4 Metodología Análisis Espacial
Evaluacion de Campo Incidencia-Severidad Phytophthora spp
Orthomosaico- 5 puntos de control (Magna sirgas)
Georeferenciacion Imagen (Magna Sirgas)
Georeferenciacion arboles (Create Fishnet-Argis 10.5)
Clasificacion Incidencia- Severidad
Clasificacion Escalas de severidad
Analisis Distribucion
Vecino mas Cercano- KRipley -Densidad de Kernel
Mapa Escalas de Severidad
Mapas Incidencia-Severidad
41
5 RESULTADOS
Al evaluar las enfermedades en plantas, el interés se centra en medir la incidencia y
la severidad (Agrios, 2004). La incidencia se mide como el número o proporción de
plantas enfermas (el número o proporción de plantas, hojas, tallos y frutos que
muestren cualquier tipo de síntomas), esta medida se utiliza para determinar la
diseminación de una enfermedad en el campo del cultivo, región o país (Agrios,
2004). La severidad de la enfermedad es la proporción del área o cantidad de
tejidos de la planta que está enferma, generalmente se expresa como el
porcentaje o proporción del área de la planta o volumen del fruto, destruidos por
un patógeno, con más frecuencia se utilizan escalas numéricas para expresar las
proporciones relativas del tejido afectado en un determinado período (Agrios,
2004).
Bajo estas consideraciones a través de la evaluación de campo se determinaron la
incidencia y severidad de Phytopthora spp en el cultivo de lima Tahití (Tabla 6 y 7)
Tabla 7 Porcentaje de Incidencia de Phytopthora spp
Condición sanitaria Arboles Sanos Árboles Enfermos Total
Numero de Arboles 44 67 111
% Incidencia 39,64 60,36 100
Tabla 8 Porcentaje de Severidad de Phytopthora spp*
Condición Sanitaria
Arboles Sanos-Escala 0
Árboles Enfermos-
Escala 1
Árboles Enfermos-
escala 3
Arboles Con Curación
Cancro Viejo Total
Numero de Arboles
44 13 36 18 111
% Severidad 39,64 11,71 32,43 16,22 100
*0=árbol sano, 1=exudaciones de goma ,2=agrietamiento visible con exposición de leña ,3= presencia
de cancro bien desarrollado y destrucción de leña
42
De acuerdo a la evaluación de campo se evidencia un mayor número de árboles con
la incidencia de la enfermedad (60,36%), y en cuanto a la severidad la escala 3 es la
que presenta un mayor porcentaje (32,43%), lo cual representa estados avanzados
de la enfermedad. En el caso de la curación de cancro, son árboles que tuvieron la
enfermedad en la escala 3 y se les realizo un método de control, por lo tanto son
árboles que en el momento de la evaluación no podrían calificarse como enfermos
en escala 3, puesto que a través del control se espera su recuperación o en su
defecto la continuidad de la enfermedad. A continuación se presenta espacialmente
la incidencia y severidad de Phytopthora spp (Figura 10 y 11).
En cuanto a la incidencia de la enfermedad por patrones se evidencia una mayor
proporción en Cleopatra (80 %), mientras que una menor incidencia en Citrumelo
CP-4475 (35%) (Tabla 8). En severidad se encuentra que en la escala 1 el patrón
Krider y Carrizo presentan la mayor proporción (30,77%), mientras que en los
patrones SunkyxEnglish y Volkameriano no presentaron severidad en esta escala.
En la escala 3 se presenta un mayor porcentaje en el patrón Volkameriana
(27,78%), entre tanto el patrón Kryder (5,56%) presenta el menor porcentaje. En
arboles con curación de cancros se presenta un mayor porcentaje en el patrón
Cleopatra (27,78%) entre tanto el patrón Citrumelo CPB 4475 se presenta el
menor porcentaje (5,56%) (Tabla 9). A pesar de que los anteriores patrones se
consideran resistentes a Phytopthora spp por varios autores (Caicedo, Carmen, &
Jaramillo, 2006), este estudio presenta resultados contrarios puesto que la
enfermedad muestra una incidencia de 60, 36% y severidades en 3 diferentes
escalas. Sin embargo, la gomosis de los cítricos puede ser causada por más de
12 especies de Phytophthora (P. parasitica, P. citrophthora, P. citricola, P.
palmivora, P. cryptogea, etc.), las cuales no responden de igual forma a las
estrategias de control (Klotz 1978) citado por (Acosta, et al., 2012) , lo que da
mayor ventaja a Phytophthora. La resistencia probada a una especie de
Phytophthora no implica que cuente con la resistencia a todas ellas (Acosta, et al.,
2012), lo cual explicaría los resultados obtenidos.
43
Figura 10 Incidencia de Phytopthora spp (Arboles sanos y enfermos)
44
Figura 11 Escalas de Severidad de Phytopthora spp
45
Tabla 9 Porcentaje de Incidencia Phythopthora spp por patrones.
Patron Porcentaje Sanos Porcentaje Enfermos Total
Carrizo 30,43 69,57 100
Citrumelo CPB 4475 65 35 100
Cleopatra 20 80 100
Kryder 43,75 56,25 100
SunkyXEnglish 47,37 52,63 100
Volkameriano 27,78 72,22 100
Tabla 10 Porcentaje de Severidad Phythopthora spp entre patrones.
Patrón Arboles Sanos-
Escala 0 Árboles
Enfermos-Escala 1 Árboles
Enfermos-escala 3
Arboles Con Curación Cancro
Viejo
Carrizo 15,91 30,77 22,22 22,22
Citrumelo CPB 29,55 15,38 11,11 5,56
Cleopatra 6,82 23,08 11,11 27,78
Kryder 15,91 30,77 5,56 16,67
SunkyXEnglish 20,45 0,00 22,22 11,11
Volkameriano 11,36 0,00 27,78 16,67
Total 100 100 100 100
5.1 ANÁLISIS ESPACIAL DE LA INCIDENCIA DE PHYTOPTHORA SPP
5.1.1 Función Vecinos más Cercanos
Al analizar espacialmente la incidencia de Phytopthora spp, se evidencia a través de
los valores de la función de vecinos más cercanos (Tabla 10 y 11), tanto los arboles
sanos como enfermos se distribuyen en forma dispersa, ya que la distancia media
observada es mayor a la distancia esperada, al igual que el índice de la proporción
46
de Vecinos más cercano el cual está por encima de 1, lo cual indica dispersión en los
dos casos (Esri, 2018).
Tabla 11 Valores de la Función vecinos más cercanos en ArcGIS 10.5
Valores Sanos Enfermos
distancia media 7,52 6,52
distancia esperada 5,45 4,42
Valor Z 4,79 7,43
p valor(aleatorio) 0,000002 0,000000
Proporción Vecino más Cercano 1,38 1,47
Tabla 12 Valores de la Función vecinos más cercanos en Past.
Valores Sanos Enfermos
número de puntos 44 67
Área 5100 4770,4
densidad media 0,0086 0,014
distancia media 7,34 6,52
distancia esperada 5,38 4,49
Valor Z 4,62 6,53
p(aleatorio) 3,84E-06 6,6964E-11
Proporción Vecino más Cercano 1,36 1,45
Los valores de Z y p hacen rechazar la hipótesis nula de completa aleatoriedad
según los valores de la tabla 10 y 11, en ambos casos el porcentaje de
confiabilidad fue del 99% Figura 12. Las diferencias encontradas entre los valores
procesados en Past y ArcGIS 10.5 son muy pocas, lo cual corrobora la dispersión
de los datos bajo el procesamiento de la función de vecinos más cercanos.
5.1.2 Función K-Ripley
Esta función se procesó con un contorno de confianza de 99,9%, especificando el
área de estudio y con un método de corrección de límites (Formula de corrección
47
de bordes de Ripley). Según la figura 13 donde se analiza la distribución de los
arboles sanos, se observa que hasta una distancia de 6 metros hay dispersión, la
cual es estadísticamente significativa ya que sus valores son inferiores al límite de
confianza, luego desde la distancia de 6 metros hasta aproximadamente 12
metros hay dispersión, pero no hay diferencias significativas. Desde 12 metros a
22 metros hay mayor agrupación pero esta no es significativa. Lo cual indica que
no es factible encontrar a cortas distancias agregaciones de árboles sanos,
mientras que a largas distancias es posible encontrar agrupación pero no son
significativas.
Figura 12 Valores Z y P para arboles Sanos y Enfermos
48
Figura 13 K-Ripley Arboles Sanos
En el caso de los árboles enfermos se distribuyen de forma dispersa a una
distancia de 11,64 metros, pero solamente hasta una distancia de 7 metros es
estadísticamente significativa. Desde los 11,64 metros hasta los 14 metros y
desde los 17 metros hasta los 23 metros hay mayor agrupación pero esta no es
significativa, hay un leve punto entre los 14 metros y 17 metros aproximadamente
donde existe dispersión la cual no es significativa. Al igual que los arboles sanos,
en los enfermos se presenta dispersión significativa a cortas distancias mientras
que a largas distancias se presenta mayor agrupación y dispersión pero no
significativa.
ExpectedK
ObservedK
Confidence Env.
K FunctionClustered
Dispersed
Distance22201816141210864
L(d)
26
24
22
20
18
16
14
12
10
8
6
4
2
49
Figura 14 K-Ripley Árboles Enfermos
5.1.3 Densidad de Kernel
La figura 15 representa la densidad de kernel para arboles sanos, la cual muestra
una alta densidad donde Lima Tahití esta injertada con los patrones Citrumelo
CPB4475, SunkyXEnglish y Krider, pero el sitio donde más se concentra los
arboles sanos es en el patrón Citrumelo CPB4475, esto se relaciona con la baja
incidencia de la enfermedad (%35) y por lo tanto su sanidad. Para el caso de los
árboles enfermos (Figura 16), los sectores con mayor densidad corresponden a
los patrones Cleopatra, Volkamerino, y Carrizo, pero con mayor tendencia a
Cleopatra relacionándose con la alta incidencia de Phytopthora spp (%80). Las
anteriores figuras muestran que los sectores con más arboles sanos se ubican a
los costados del lote, mientras que la enfermedad se concentra del centro del lote
hacia los costados, esto permite ver la dispersión de Phytopthora spp.
ExpectedK
ObservedK
Confidence Env.
K FunctionClustered
Dispersed
Distance22201816141210864
L(d)
24
22
20
18
16
14
12
10
8
6
4
2
50
Figura 15 Densidad de Kernel árboles Sanos
Figura 16 Densidad de Kernel árboles Enfermos
12
34
567
89
10
11 12
13 1415 16
171819
20
2122
23 24 2526
2728
2930
31
3233
3435 3637 3839 40
4142
4344
3.05E-16
0.0147
0.0295
0.0442
1068380.00001068390.00001068400.00001068410.00001068420.00001068430.00001068440.00001068450.00001068460.0000
940470.0000
940480.0000
940490.0000
940500.0000
940510.0000
940520.0000
940530.0000
940540.0000
940550.0000
12
3 45 6
7 8910
11 1213
1415 16
1718 19
20 2122 23
2425
2627 2829
30 3132 33
3435 3637 3839 40
41 4243
4445 4647 4849
50 51 5253
54 5556 57 5859
60 6162 63
64
6566 67
2.33E-14
0.0154
0.0309
0.0463
1068390.0000 1068400.0000 1068410.0000 1068420.0000 1068430.0000 1068440.0000 1068450.0000 1068460.0000 1068470.0000
940460.0000
940470.0000
940480.0000
940490.0000
940500.0000
940510.0000
940520.0000
940530.0000
940540.0000
940550.0000
51
5.2 ANÁLISIS ESPACIAL DE LA SEVERIDAD DE PHYTOPTHORA SPP
5.2.1 Función vecinos más cercanos
Al analizar la distribución espacial de Phytopthora spp en sus diferentes escalas de
severidad con la función de vecinos más cercanos, se establece que están
distribuidos en forma dispersa tanto para arboles sanos, enfermos escala 1 y 3 y
con curación de cancros, ya que la distancia media entre cada uno de los arboles
es mayor a la distancia hipotética aleatoria esperada en cada uno de los casos de
severidad (tablas 12 y 13).
Tabla 13 Valores de la Función vecinos más cercanos en ArcGIS 10.5
Valores Sanos Escala 1 Escala 3 Curación cancros
distancia media 7,52 13,98 8,47 9,10
distancia esperada 5,45 8,43 5,85 6,96
Valor Z 4,79 4,55 5,13 2,50
p valor(aleatorio) 0,000002 0,000005 0,000005 0,012
Proporción Vecino más Cercano 1,38 1,66 1,45 1,31
Tabla 14 Valores de la Función vecinos más cercanos en Past.
Past Sanos Escala 1 Escala 3 Curación cancros
número de puntos 44 13 36 18
Área 5100 3121,6 4330,7 2440
densidad media 0,0086 0,0041 0,0083 0,0073
distancia media 7,34 13,98 8,47 9,10
distancia esperada 5,38 8,92 5,85 6,71
Valor Z 4,62 3,48 4,35 2,56
p(aleatorio) 3,84E-06 0,00051 0,00001348 0,010605
Proporcion Vecino mas Cercano 1,36 1,57 1,42 1,36
52
Los valores de la proporción de vecinos más próximos nos indican que en cada
una de las escalas de severidad se encuentra en forma dispersa (tablas 12 y 13),
ya que si este índice es menor a 1 se exhibe un patrón agregado y si es mayor a 1
es disperso (Esri, 2018). También los valores de Z y p hacen rechazar la hipótesis
nula de aleatoriedad espacial completa (tablas 13 y 14), en los casos de los
arboles sanos, escala 1 y escala 3 presentan significancia del 99% de
confiabilidad (Figura 17), mientras que los arboles con curación de cancro
presentan 95 % de confiabilidad (Figura 18), confirmando que en cada uno de los
casos de severidad de la enfermedad se presentan en forma dispersa.
Figura 17 Valores Z y P para arboles sanos, escala 1 y 3
53
Figura 18 Valores Z y P para arboles con curación de cancros
5.2.2 Función K-Ripley
En la figura 19 se representa la función K-Ripley para los árboles enfermos escala 1,
donde se evidencia dispersión no significativa hasta una distancia de 10 metros.
Desde los 10 metros hasta 23 metros donde hay más agrupación que una
distribución aleatoria, pero no es estadísticamente significativa. En este caso de los
árboles enfermos escala 1 presentan dispersión no significativa a cortas distancias, y
a largas distancias agrupación no significativas.
54
Figura 19 K-Ripley Árboles Enfermos Escala 1
En el caso de los árboles enfermos escala 3, muestra que a una distancia de 10
metros hay dispersión la cual no es significativa, y que a partir de allí hasta los 23
metros hay agrupación la cual tampoco es significativa, es decir que a cortas
distancias hay dispersión y a largas distancias hay agregación pero no significativa
comparada con una distribución aleatoria (Figura 20).
En la figura 21 se muestra el comportamiento de los arboles con curación de cancro,
donde hasta 6 metros de distancia hay dispersión pero no significativa, desde los 6
metros a 23 metros se presenta agrupación la cual no es significativa. A cortas
distancias hay dispersión y a largas distancias hay agrupación pero no significativa
comparada con una distribución aleatoria.
ExpectedK
ObservedK
Confidence Env.
K FunctionClustered
Dispersed
Distance22201816141210864
L(d)
30
25
20
15
10
5
55
Figura 20 K-Ripley Árboles Enfermos Escala 3
Figura 21 K-Ripley Árboles Curación de Cancros
ExpectedK
ObservedK
Confidence Env.
K FunctionClustered
Dispersed
Distance22201816141210864
L(d)
28
26
24
22
20
18
16
14
12
10
8
6
4
2
ExpectedK
ObservedK
Confidence Env.
K FunctionClustered
Dispersed
Distance22201816141210864
L(d)
30
28
26
24
22
20
18
16
14
12
10
8
6
4
2
56
5.2.3 Densidad de Kernel
La densidad de Kernel para árboles enfermos escala 1 (Figura 22), presenta una alta
densidad solamente en un sector donde lima Tahití esta injertada en los patrones
Cleopatra y Kryder, relacionacionandose con la severidad de 23,08% y 30,77%
correspondientemente por patrón.
Figura 22 Densidad de Kernel árboles Enfermos Escala 1
Para los árboles enfermos escala 3 (figura 23), se observa que la mayor densidad
de kernel está en los sectores donde la Lima Tahití esta injertada en los patrones
Volkameriano, Carrizo y Citrumelo CPB 4475, donde la severidad es 27,78%,
22,22% y 11,11% correspondientemente por patrón.
8.9E-16
0.0113
0.0225
0.0338
1068400.0000 1068408.0000 1068416.0000 1068424.0000 1068432.0000 1068440.0000 1068448.0000 1068456.0000 1068464.0000
940480.0000
940488.0000
940496.0000
940504.0000
940512.0000
940520.0000
940528.0000
940536.0000
57
Figura 23 Densidad de Kernel árboles Enfermos Escala 3
Figura 24 Densidad de Kernel árboles con curación de cancros
1.58E-20
0.0168
0.0337
0.0505
1068380.00001068390.00001068400.00001068410.00001068420.00001068430.00001068440.00001068450.00001068460.00001068470.0000
940460.0000
940470.0000
940480.0000
940490.0000
940500.0000
940510.0000
940520.0000
940530.0000
940540.0000
940550.0000
3.99E-25
0.0169
0.0337
0.0506
1068392.00001068400.00001068408.00001068416.00001068424.00001068432.00001068440.00001068448.00001068456.0000
940480.0000
940488.0000
940496.0000
940504.0000
940512.0000
940520.0000
940528.0000
940536.0000
940544.0000
58
Para los arboles con curación de cancros (Figura 24), se presenta una alta densidad
donde Lima Tahití esta injertada con los patrones Cleopatra, SunkyX English,
Volkameriano, y kryder, donde la severidad es de 27,78%, 11,11%, 16,67%, 16,67%
correspondientemente por patrón.
5.3 ANÁLISIS ESPECTRAL
Los datos extraídos de la imagen tanto para niveles digitales y reflectancia se les
realizo la prueba de normalidad y homogeneidad de varianzas (Tabla 15 y 16).
Según el p-valor se encontró que no hay normalidad pero si homogeneidad de
varianzas (Tabla 14 y 15). En el caso de la banda Roja en reflectancia no se cumple
la homogeneidad de varianzas, por esta razón se realizó Anova Welch para esta
banda.
Tabla 15 Prueba de Normalidad y Homogeneidad de Varianzas-Niveles digitales
ND Shapiro-Wilk normality test Bartlett test of homogeneity of
variances
Bandas W p-value K-squared p-value
Roja (R) 0.95337 0.0003852 0.070511 0.7906
Verde (G) 0.88818 5,105E-08 0.57153 0.4497
Azul (B) 0.97202 0.01324 2.059 0.1487
Rededge 0.90213 2,53E-07 0.41989 0.517
NIR 0.91303 9,69E-07 1,7859 0.1814
Tabla 16 Prueba de Normalidad y Homogeneidad de Varianzas-Reflectancia
Reflectancia Shapiro-Wilk normality test Bartlett test of homogeneity of
variances
Bandas W p-value K-squared p-value
Roja (R) 0.83053 1,995E-10 6,5126 0.01071
Verde (G) 0.97168 0.01235 4,39E-05 0.9947
Blue (B) 0.90378 3,08E-07 1,6468 0.1994
Rededge 0.91197 8,47E-07 0.09198 0.7617
NIR 0.77265 2,38E-12 2,4738 0.1158
59
El análisis general de la condición sanitaria a través de ANOVA, muestra que no
existen diferencias significativas tanto en niveles digitales como en reflectancia en
las cinco bandas espectrales (Tablas 17,18 y 19). Estas diferencias demuestran que
no existe una tendencia que logre separar árboles enfermos y sanos, por lo tanto es
necesario realizar comparaciones entre los diferentes niveles de severidad de la
enfermedad y los arboles sanos, y lograr asi encontrar diferencias significativas que
permitan establecer en cual nivel es posible detectar la enfermedad espectralmente.
Tabla 17 Anova Bandas espectrales-Niveles Digitales
Banda Condición Sanitaria Cuadrados Medios F valor Pr(>F)
Roja Enfermos-Sanos 4743859 1.074 0.302
Verde Enfermos-Sanos 3029599 0.499 0.482
Azul Enfermos-Sanos 1485758 0.161 0.689
RedEdge Enfermos-Sanos 4153611 0.737 0.392
NIR Enfermos-Sanos 20237327 2.595 0.110 Nivel de Significancia: ‘***’ 0.001, ‘**’ 0.01, ‘*’ 0.05
Tabla 18 Anova Welch banda Roja-Reflectancia
Banda Condición Sanitaria Cuadrados Medios F valor Pr(>F)
Roja Enfermos-Sanos 0.00000289 0.14 0.704
Nivel de Significancia: ‘***’ 0.001, ‘**’ 0.01, ‘*’ 0.05
Tabla 19 Anova Bandas espectrales-Reflectancia
Banda Condición Sanitaria Cuadrados Medios F valor Pr(>F)
Verde Enfermos-Sanos 2,45E-05 0.543 0.462
Azul Enfermos-Sanos 4,10E-08 0.007 0.933
RedEdge Enfermos-Sanos 0.0002765 0.807 0.370
NIR Enfermos-Sanos 0.003380 0.92 0.339 Nivel de Significancia: ‘***’ 0.001, ‘**’ 0.01, ‘*’ 0.05
60
5.3.1 Comparación árboles enfermos escala 1 vs árboles sanos De acuerdo al perfil espectral presentado entre arboles sanos y escala 1, en
reflectancia no se evidencia separabilidad entre bandas, mientras que en niveles
digitales se presenta una separabilidad en la banda azul, verde y roja (Figura 25 y
26).
Figura 25 Reflectancia Arboles sanos vs Escala 1
En el análisis de Anovas en Niveles Digitales no se encontraron diferencias
significativas en las bandas Azul, RedEdge y NIR, mientras que se encontraron
diferencias significativas en las bandas Roja y Verde (Tabla 20), estas diferencias se
pueden apreciar comparando su respuesta espectral en las diferentes bandas
(Figura 25). A partir de esta información se realizó la comparación de medias a
través de la prueba de Tukey, en la cual en la banda Roja no se encontró diferencias
significativas (Tabla 21), mientras en la banda Verde se encontraron diferencias
(Tabla 21).
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
Blue Green Red Rededge NIR
Ref
lect
anci
a
Reflectancia Sanos vs Escala 1
Sanos
Escala1
61
Figura 26 Respuesta espectral arboles sanos vs escala 1
Tabla 20 Anova Bandas espectrales-Niveles Digitales
Banda Condición Sanitaria Cuadrados Medios F valor Pr(>F)
Roja Enfermos escala 1-Sanos 15890981 4.164 0.0458*
Verde Enfermos escala 1-Sanos 24872857 4.402 0.0402*
Azul Enfermos escala 1-Sanos 35475249 3.523 0.0655
RedEdge Enfermos escala 1-Sanos 15011796 2.765 0.102
NIR Enfermos escala 1-Sanos 8088080 1.500 0.226 Nivel de Significancia: ‘***’ 0.001, ‘**’ 0.01, ‘*’ 0.05
Tabla 21 Prueba Tukey diferencia de Medias Niveles Digitales-Grupo Banda Roja y Verde
Condicion Sanitaria Banda Roja Banda Verde
Sanos 7101.241 a 16594.55 a
Enfermos escala 1 6264.734 a 15014.84 b *Medias con igual letra no son significativas con un α= 0,05
En reflectancia no se encontraron diferencias significativas en ninguna de las 5
bandas (Tabla 22 ,23 y figura 26)
5000
10000
15000
20000
25000
30000
35000
Blue Green Red Rededge NIR
Niv
eles
Dig
ital
es
Niveles Digitales Sanos vs Escala 1
Sanos
Escala1
62
Tabla 22 Anova Welch banda Roja-Reflectancia
Banda Condición Sanitaria Cuadrados Medios F valor Pr(>F)
Roja Enfermos escala 1-Sanos 0.00001641 2.42 0.1300
Nivel de Significancia: ‘***’ 0.001, ‘**’ 0.01, ‘*’ 0.05
Tabla 23 Anova Bandas espectrales-Reflectancia
Banda Condición Sanitaria Cuadrados Medios F valor Pr(>F)
Verde Enfermos escala 1-Sanos 7,18E-05 1.711 0.1959
Azul Enfermos escala 1-Sanos 7,72E-06 2.069 0.1556
RedEdge Enfermos escala 1-Sanos 0.0002279 0.681 0.413
NIR Enfermos escala 1-Sanos 0.0009627 0.324 0.571
Nivel de Significancia: ‘***’ 0.001, ‘**’ 0.01, ‘*’ 0.05
De acuerdo al análisis estadístico no hay diferencias significativas entre árboles
enfermos con escala 1 de severidad y arboles sanos, tanto en niveles digitales como
en reflectancia, a pesar de que en la banda verde solo se presente significancia en
niveles digitales, lo cual no es soportado en reflectancia.
Al visualizar en forma general los arboles sanos y los enfermos escala 1, a través de
imágenes RGB no se observan cambios en su follaje que logren diferenciarlos
(Figura 27), lo cual corrobora los resultados obtenidos en cuanto a las no diferencias
significativas encontradas para las bandas roja, verde y azul a nivel de reflectancia.
Para el caso de las otras bandas especialmente Infrarojo cercano, se utilizaron
diferentes combinaciones en las cuales no se obtuvieron diferencias visuales
(Figuras 28 y 29), lo anterior se relaciona con las diferencias no significativas
encontradas en las bandas RedEdge e infrarojo cercano tanto para niveles digitales
y reflectancia.
63
◊ Figura 27 Imagen RGB arboles sanos (flechas verdes) y enfermos escala 1 (flechas amarillas)
Figura 28 Combinación 4-5-3 (izquierda) y 4-3-5 (derecha) arboles sanos (flechas verdes) y enfermos escala 1 (flechas amarillas)
64
Figura 29 Combinación 4-2-3 (izquierda) y 4-3-2 (derecha) arboles sanos (flechas verdes) y enfermos escala 1 (flechas amarillas)
Independientemente del anterior analisis estadistico, se compararon los arboles mas
sanos del area de estudio con otros arboles enfermos escala 1 (Figura 30,31 y 32),
los cuales presentan en su copa defoliación, muerte descendente de ramas y poco
crecimiento de los brotes (Graham & Feichtenberger,E, 2015)
Figura 30 Imagen RGB (izquierda) y combinación 4-5-3 (derecha) arboles sanos (flechas verdes) y enfermos escala 1 (flechas amarillas)
65
Figura 31 Combinación 4-2-3 (izquierda) y 4-3-2 (derecha) arboles sanos (flechas verdes) y enfermos escala 1 (flechas amarillas)
Figura 32 Combinación 4-3-5 (izquierda) y 4-3-3 (derecha) arboles sanos (flechas verdes) y enfermos escala 1 (flechas amarillas)
De acuerdo a esta comparación los arboles más sanos muestran coloraciones
más brillantes en las diferentes combinaciones que involucran la banda del
66
infrarojo cercano, tanto en colores rojos, anaranjados y violetas (Figura 30,31 y
32), mientras que los árboles enfermos con escala 1 e inicio de defoliación
presentan coloraciones más oscuras y no brillantes, estas diferencias pueden
ayudar en la identificación temprana de la enfermedad como se muestra
detalladamente en las figuras 33 a 38.
En conclusión los arboles con escala 1 que no presentan síntomas de defoliación
no tienen ninguna diferencia con respecto a los arboles sanos (figuras 27, 28 y
29) a pesar de presentar exudación de goma (escala 1), mientras que los que
presentan leve defoliación presentan diferencias de color en las combinaciones de
bandas realizadas, esto sugiere que en la misma escala de severidad se
encuentra una gradualidad de síntomas, lo cual es razonable por el ciclo de la
enfermedad el cual inicia en el tallo principal y luego presentar síntomas en el
follaje.
Figura 33 RGB árbol sano (izquierda) y árbol enfermo escala 1 con presencia de defoliación (derecha)
67
Figura 34 Combinación 4-5-3 árbol sano (izquierda) y árbol enfermo escala 1 con presencia de defoliación (derecha)
Figura 35 Combinación 4-2-3 árbol sano (izquierda) y árbol enfermo escala 1 con presencia de defoliación (derecha)
68
Figura 36 Combinación 4-3-5 árbol sano (izquierda) y árbol enfermo escala 1 con presencia de defoliación (derecha)
Figura 37 Combinación 4-3-2 árbol sano (izquierda) y árbol enfermo escala 1 con presencia de defoliación (derecha)
69
Figura 38 Combinación 4-3-3 árbol sano (izquierda) y árbol enfermo escala 1 con presencia de defoliación (derecha)
5.3.2 Comparación árboles enfermos escala 3 vs árboles sanos
El perfil espectral muestra en que en reflectancia se evidencia una separabilidad en
la banda NIR, mientras que en las otras bandas no se muestran diferencias
apreciables, en el caso de niveles digitales se observa leves diferencias en las
bandas azul, verde, roja y en NIR una separabilidad mayor ( Figura 39 y 40).
En el análisis de Anovas en Niveles Digitales y reflectancia se encontró que en las
bandas Roja, Verde, Azul y RedEdge no hay diferencias significativas, mientras que
en la banda NIR se encontraron diferencias significativas (Tablas 24, 25 ,26 y figuras
39 y 40). En la comparación de Medias con la prueba de Tukey se encontraron
diferencias significativas tanto en niveles digitales y reflectancia entre árboles
Enfermos escala 3 y sanos en la banda NIR (Tabla 27). Los anteriores resultados
indican que a través de la banda NIR se puede separar los arboles sanos de los
enfermos con escala 3 (cancro bien desarrollado y destrucción de leña), en este
caso los arboles sanos tienen un valor de reflectancia 9,22% más alto que los
arboles con escala 3 (Figura 41).
70
Figura 39 Niveles Digitales Arboles sanos vs Escala 3
Figura 40 Reflectancia arboles Sanos vs Escala 3
Fletcher, et al., (2011) encontraron en Naranja (Citrus sinensis L. Osbeck ) y
Toronja (Citrus paradisi Macf ) valores de reflectancia mayores de 13,3 % y 19,6%
respectivamente, cuando se compararon en la banda NIR los arboles sanos y los
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
Blue Green Red Rededge NIR
Ref
lect
anci
a
Reflectancia Sanos Vs Escala 3
Sanos
Escala3
5000
10000
15000
20000
25000
30000
35000
Blue Green Red Rededge NIR
Niv
eles
Dig
ital
es
Niveles Digitales Sanos vs Escala 3
Sanos
Escala3
71
enfermos afectados por Phythopthora. A diferencia del presente trabajo se evaluaron
árboles enfermos con síntomas leves, los cuales tenían un 10 a 30 % menos de
follaje que los arboles sanos.
Tabla 24 Anova Bandas espectrales-Niveles Digitales
Banda Condición Sanitaria Cuadrados Medios F valor Pr(>F)
Roja Enfermos escala 3-Sanos 16367018 3.686 0.0583
Verde Enfermos escala 3-Sanos 5375928 0.783 0.379
Azul Enfermos escala 3-Sanos 9896488 1.029 0.313
RedEdge Enfermos escala 3-Sanos 2838146 0.445 0.507
NIR Enfermos escala 3-Sanos 55681133 6.485 0.0128* Nivel de Significancia: ‘***’ 0.001, ‘**’ 0.01, ‘*’ 0.05
Tabla 25 Anova Welch banda Roja-Reflectancia
Banda Condición Sanitaria Cuadrados
Medios F valor Pr(>F)
Roja Grupo (Enfermos-Sanos) 0.00006611 2.14 0.1500 Nivel de Significancia: ‘***’ 0.001, ‘**’ 0.01, ‘*’ 0.05
Tabla 26 Anova Bandas espectrales-Reflectancia
Banda Condición Sanitaria Cuadrados
Medios F valor Pr(>F)
Verde Enfermos escala 3-Sanos 0,0122 0.230 0.632
Azul Enfermos escala 3-Sanos 0,00738 1.077 0.302
RedEdge Enfermos escala 3-Sanos 0.0000430 0.114 0.736
NIR Enfermos escala 3-Sanos 0.016682 4.319 0.0408* Nivel de Significancia: ‘***’ 0.001, ‘**’ 0.01, ‘*’ 0.05
Tabla 27 Prueba Tukey diferencia de Medias Niveles Digitales y Reflectancia- Banda NIR
Condición Sanitaria Niveles Digitales Reflectancia
Sanos 33670.81 a 0.3967059 a
Enfermos escala 3 31922.78 b 0.3601237 b Medias con igual letra no son significativas con un α= 0,05
72
Figura 41 Comparación medias de Reflectancia entre árboles enfermos y sanos en la banda NIR
Otra característica es que en el espectro visible no se encontraron diferencias
significativas, este mismo resultado fue encontrado por Fletcher, et al., (2011). En la
banda roja Fletcher, et al., (2011) reporta valores promedios de reflectancia en
Naranja (Citrus sinensis L. Osbeck ) de 0.02 y 0.019 para árboles enfermos y sanos
respectivamente, y en Toronja (Citrus paradisi Macf ) de 0.018 y 0.016 para los
enfermos y sanos respectivamente, en este estudio para Lima Tahiti (Citrus latifolia
Tanaka ) se presentaron valores similares de 0.02 y 0.018 para árboles enfermos en
escala 3 y sanos respectivamente (Figura 41). Los anteriores valores son reportados
como bajos puesto que hay fuerte absorción por el follaje, debido principalmente a
los pigmentos contenidos en la hoja (Gates et al., 1965) citado por Fletcher, et al.,
(2011), ya que cuando la hoja está enferma, la clorofila se degrada más rápido que
los carotenos (Sanger, 1971) citado por (Araque & Jimenez, 2009) , este efecto
genera un incremento en la reflectancia de la longitud de onda roja, debido a la
reducción de la absorción de la clorofila (Araque & Jimenez, 2009) . En otras
Carrizo Citrumelo CPB 4475 Cleopatra Kryder SunkyXEnglish Volkameriano
Patron
0.2
0.3
0.4
0.5
refle
.NIR
sanosenfermosgrupo
Interaction Plot for refle_NIR
73
enfermedades como es el virus de la tristeza de los cítricos, la reflectancia de las
bandas azul, verde y roja es mayor en plantas enfermas que en sanas (Novoa &
Herrera, 2002), semejantes resultados fueron reportados por (Sankaran S. , Maja,
Buchanon, & Ehsani, 2013) en HLB. Esta característica es similar a los resultados
encontrados pero se evidencia más en la banda roja a pesar de no ser significativa
cuando se compara la condición sanitaria (Figura 42).
Figura 42 Comparación medias de Reflectancia entre árboles enfermos y sanos en la banda Roja
Al observar los arboles sanos y enfermos escala 3 a través de imágenes RGB, se
puede apreciar en algunos casos diferencias en color del follaje, ya que muestran
diferentes niveles de defoliación y clorosis, en otros casos no es posible encontrar
estas diferencias (Figura 43), por lo tanto es necesario utilizar diferentes
combinaciones de bandas involucrando el infrarojo cercano (Figuras 44 a 48).
Carrizo Citrumelo CPB 4475 Cleopatra Kryder SunkyXEnglish Volkameriano
Patron
0.01
0.02
0.03
0.04
refle
.red
sanosenfermosgrupo
Interaction Plot for refle_red
74
Figura 43 Imagen RGB arboles sanos (flechas verdes), árbol más sano (flecha roja) y enfermos escala 3 (flechas amarillas)
Figura 44 Combinación 4-5-3 árboles sanos (flecha verde), árbol más sano (flecha roja) y enfermos escala 3 (flechas amarillas)
75
Figura 45 Combinación 4-2-3 árboles sanos (flechas verdes), árbol más sano (flecha roja) y enfermos escala 3 (flechas amarillas)
Figura 46 Combinación 4-3-2 árboles sanos (flechas verdes), árbol más sano (flecha roja) y enfermos escala 3 (flechas amarillas)
76
Figura 47 Combinación 4-3-5 árboles sanos (flechas verdes), árbol más sano (flecha roja) y enfermos escala 3 (flechas amarillas)
Figura 48 Combinación 4-3-3 árboles sanos (flechas verdes), árbol más sano (flecha roja) y enfermos escala 3 (flechas amarillas)
77
De acuerdo a las anteriores combinaciones de bandas la cual involucra el infrarojo
cercano, se puede observar que los arboles sanos presentan un mayor brillo en las
coloraciones naranja, rojas y violetas, esto se debe a una mayor densidad del follaje
y la no manifestación de síntomas de defoliación o clorosis. Mientras que los árboles
enfermos presentan coloraciones más oscuras y en algunos casos se puede
observar la defoliación en diferentes niveles, los árboles escala 3 presentan
coloraciones más oscuras respecto a los arboles escala 1. Lo anterior se relaciona
con las diferencias significativas encontradas entre arboles escala 3 y arboles sanos
en la banda del infrarojo cercano.
5.3.3 Comparación árboles con curación de cancros vs árboles sanos De acuerdo al perfil espectral en reflectancia no se encuentra diferencias entre las
bandas, mientras que en niveles digitales se encuentra separabilidad en la banda
azul y roja (Figura 49 y 50). El análisis de anovas muestra que no existen diferencias
significativas en cada una de las 5 bandas espectrales, tanto para niveles digitales
como reflectancia (Tabla 28, 29 ,30 y Figura 49 y 50).
Figura 49 Niveles Digitales Arboles Sanos Vs Curación de Cancro
5000
10000
15000
20000
25000
30000
35000
Blue Green Red Rededge NIR
Re
fle
ctan
cia
Niveles Digitales Sanos vs Curacion Cancro
Sanos
CuracionCancro
78
Figura 50 Reflectancia Arboles Sanos vs Curación Cancro
Tabla 28 Anova Bandas espectrales-Niveles Digitales
Banda Condición Sanitaria Cuadrados Medios F valor Pr(>F)
Roja Curación de cancros-Sanos 6016281 1.658 0.2025
Verde Curación de cancros-Sanos 11892265 2185 0.144
Azul Curación de cancros-Sanos 12830520 1.390 0.243
RedEdge Curación de cancros-Sanos 17467153 3335 0.0725
NIR Curación de cancros-Sanos 2457141 0.468 0.4966
Nivel de Significancia: ‘***’ 0.001, ‘**’ 0.01, ‘*’ 0.05
Tabla 29 Anova Welch banda Roja-Reflectancia
Banda Condición Sanitaria Cuadrados
Medios F valor Pr(>F)
Roja Curación de cancros-Sanos 0.00002801 3.19 0.0814
Nivel de Significancia: ‘***’ 0.001, ‘**’ 0.01, ‘*’ 0.05
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
Blue Green Red Rededge NIR
Ref
lect
anci
a
Reflectancia Sanos vs Curacion Cancro
Sanos
CuracionCancro
79
Tabla 30 Anova Bandas espectrales-Reflectancia
Banda Condición Sanitaria Cuadrados Medios F valor Pr(>F)
Verde Curación de cancros-Sanos 0,000122 3.110 0.0826
Azul Curación de cancros-Sanos 0,0000096 2.695 0.1056
RedEdge Curación de cancros-Sanos 0.0003407 1.148 0.288
NIR Curación de cancros-Sanos 0.001904 0.772 0.383
Nivel de Significancia: ‘***’ 0.001, ‘**’ 0.01, ‘*’ 0.05
Lo anterior indica que los árboles que tuvieron la enfermedad en una escala 3
(cancro bien desarrollado y destrucción de leña) espectralmente son similares a los
arboles sanos, sugiriendo que la curación de los cancros puede ser una medida de
control efectiva, ya que si la expansión de la lesión cesa, el área afectada se rodea
de un callo cicatrizal y comienza a sanar (Graham & Feichtenberger,E, 2015), esto
puede reflejar la recuperación de los árboles. Pero puede existir el otro caso
cuando la situación es irreversible, donde los arboles presentan cancros bastante
visibles en el tronco y una alta proporción de ramas muertas, entonces la
recuperación con medios curativos es bastante difícil (Acosta, et al., 2012). Por lo
tanto estos árboles deben ser evaluados en el tiempo para establecer su
recuperación.
Cuando se comparan los arboles sanos y los que tienen curación de cancros a
través de las imágenes RGB, en algunos casos se alcanzan a observan diferencias
en el follaje como clorosis y presencia de defoliación, y en otros casos no es posible
encontrar diferencias (Figura 51).
Al realizar las combinaciones con el infrarojo cercano se observan diferencias en la
gran mayoría de los casos, en la cual los arboles con cancros se observan con
defoliación y presencia de colores oscuros respecto a los arboles sanos los cuales
son brillantes con coloraciones naranja, rojas y violetas de acuerdo a la combinación
de bandas (Figura 51 a 56), a pesar que no existen diferencias significativas en las
cinco bandas respectivas.
80
Figura 51 Imagen RGB arboles sanos (flechas verdes) y enfermos curación de cancros (flechas amarillas)
Figura 52 Combinación 4-5-3 árboles sanos (flecha verde) y enfermos curación de cancros (flechas amarillas)
81
Figura 53Combinación 4-5-3 árboles sanos (flecha verde) y enfermos curación de cancros (flechas amarillas)
Figura 54 Combinación 4-3-2 árboles sanos (flecha verde) y enfermos curación de cancros (flechas amarillas)
82
Figura 55 Combinación 4-3-5 árboles sanos (flecha verde) y enfermos curación de cancros (flechas amarillas)
Figura 56 Combinación 4-3-3 árboles sanos (flecha verde) y enfermos curación de cancros (flechas amarillas)
83
5.3.4 Evaluación de Diferentes Índices de Vegetación
Se evaluaron 5 índices espectrales a los cuales se les realizo la prueba de
normalidad y homogeneidad de varianzas (Tabla 31), los índices no presentan
normalidad mientras que solo hay homogeneidad de varianzas en los índices
NGRVI. Las anteriores pruebas se realizan para escoger el análisis de varianza
adecuado, el cual evalúe las diferencias entre arboles sanos y las escalas de
severidad, en este análisis se excluyeron los arboles con curación de cancro ya que
no se pueden clasificar como enfermos o sanos.
Tabla 31 Prueba de Normalidad y Homogeneidad de Varianzas Índices Espectrales
Indices Espectrales Shapiro-Wilk normality test Bartlett test of homogeneity of variances
W p-value K-squared p-value
NDVI 0.63687 7.9E-14 41.087 1.45E-10
GNDVI 0.85167 3.29E-08 16.301 5.40E-05
NGRVI 0.65255 1.63E-13 0.883 0.3474
SAVI 0.77084 9.88E-11 4.699 0.0301
RE-NDVI 0.91476 1.47E-5 8.3133 0.0039
Para el índice NGRVI se utilizó ANOVA la cual muestra que no existen diferencias
significativas entre los arboles sanos y las escalas 1y 3 de severidad (tabla 32).
Tabla 32 Anova Índices Espectrales
Índice Espectral
Condición Sanitaria Cuadrados Medios F valor Pr(>F)
NGRDI Enfermos escala 1-Sanos 0.002122 0.145 0.705
Enfermos escala 3-Sanos 0.001365 0.064 0.8
Nivel de Significancia: ‘***’ 0.001, ‘**’ 0.01, ‘*’ 0.05
Para los demás índices espectrales se utilizó Anova Welch, donde los índices NDVI
GNDVI, SAVI y RE-NDVI presentan diferencias significativas entre arboles sanos y
escala 3, mientras que con la escala 1 no hay diferencias significativas (Tabla 33).
84
Figura 57 Índices de Vegetación A. NDVI, B. GNDVI, C. SAVI, D. RE-NDVI
A B
D C
85
A los índices con diferencias significativas se les realizo la prueba de medias de
Tukey la cual muestra que existen diferencias significativas entre arboles sanos y
escala 3 (Tabla 34 y Figura 57).
Tabla 33 Anova Welch Índices Espectrales
Índices Espectrales
Condición Sanitaria Cuadrados Medios F valor Pr(>F)
NDVI Enfermos escala 1-Sanos 0.000149 0.75 0.394
Enfermos escala 3-Sanos 0.01606 8.78 0.0051 **
GNDVI Enfermos escala 1-Sanos 0.000597 1.54 0.226
Enfermos escala 3-Sanos 0.01961 12.77 0.0008 ***
SAVI Enfermos escala 1-Sanos 0.000507 0.32 0.579
Enfermos escala 3-Sanos 0.02331 6.03 0.017 *
RE-NDVI Enfermos escala 1-Sanos 0.00152 1.44 0.241
Enfermos escala 3-Sanos 0.03767 14.11 0.0004 ***
Nivel de Significancia: ‘***’ 0.001, ‘**’ 0.01, ‘*’ 0.05
Tabla 34 Prueba de Tukey diferencia de Medias Índices espectrales
Condición Sanitaria NDVI GNDVI SAVI RE-NDVI
Sanos 0.91 a 0.81 a 0.39 a 0.52 a
Escala 3 0.88 b 0.78 b 0.35 b 0.47 b
Medias con igual letra no son significativas con un α= 0,05
En conclusión en la escala 1 no se pueden encontrar diferencias entre los índices de
vegetación y en promedio sus valores son más altos que los arboles sanos (Figura
58), esto se debe a que la enfermedad en este estado no ha logrado afectar de
forma significativa los haces vasculares que hagan afectar el follaje, además de que
en el lote hay una gran variabilidad en cuanto a los sectores donde se presenta la
escala 1, lo que hace que su follaje se presente en mejores condiciones.
Otras investigaciones en enfermedades de cítricos como el HLB, evaluaron los
promedios de los índices, por ejemplo (Garcia-Ruiz, et al., 2013) afirman que es de
esperarse que los índices NDVI, GNDVI y SAVI tengan valores altos en un follaje
86
sano, esta tendencia fue encontrada cuando se compararon arboles sanos y
afectados por HLB. Mientras que (Sankaran S. , Maja, Buchanon, & Ehsani, 2013)
encontraron que los valores de los índices NDVI y NDRE fueron bajos en arboles
afectados por HLB comparados con los sanos y que con el índice NDVI encontró
gran separabilidad entre arboles sanos y enfermos. Para el caso de este estudio con
Phytopthora spp se evidencio la misma tendencia de encontrar altos valores de los
índices en arboles sanos comparados con los enfermos (Figura 58), pero con muy
poca separabilidad de valores entre su condición sanitaria.
Figura 58 Índices de Vegetación
5.3.5 Clasificación SVM ( support vector machine) La clasificación de SVM (support vector machine) pretende separar arboles
sanos de enfermos, a partir de los datos de reflectancia y Niveles Digitales en la
banda NIR donde encontraron diferencias significativas en la escala 3 de la
enfermedad. La aplicación de este algoritmo inicialmente se incluyó la totalidad de
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
NDVI GNDVI NGRDI SAVI RE-NDVI
Indices de Vegetacion
Sanos
Escala 1
Escala 3
87
los datos, la cual se realizó con diferentes funciones de Kernel como radial, lineal,
polinomial y sigmoide, en la tabla 36 muestra el porcentaje de predicción acertada
de cada una de las funciones, donde hay una mayor precisión en la función
sigmoide.
Tabla 35 Porcentaje de predicción SVM
Kernel Radial Lineal Polinomial Sigmoide
Predicción 0.3693694 0.3963964 0.3963964 0.4594595
En la tabla 37 se presentan las predicciones acertadas y falsas en cada una de las
funciones Kernel, en el caso de la función Sigmoide hay 34 aciertos para árboles
enfermos y 26 para sanos, mientras que se predijo falsamente 33 sanos que en
realidad eran enfermos ( tabla 37 y figura 59), también se predijo 18 enfermos por
sanos. En las demás funciones se predice correctamente los árboles enfermos
pero con muy baja precisión los sanos (tabla 37).
Tabla 36 Tabla predicciones acertadas y falsas de Funciones kernel- SMV
Kernel Radial Lineal
Predicción/Actual Enfermos Sanos Enfermos Sanos
Enfermos 66 40 67 44
Sanos 1 4 0 0
Kernel Polinomial Sigmoide
Prediccion/Actual Enfermos Sanos Enfermos Sanos
Enfermos 67 44 34 18
Sanos 0 0 33 26
En la tabla 38 se presenta por escalas de severidad las predicciones de la función
sigmoide, en la cual la mayor predicción se presenta en la escala 0 (sanos) y en
la escala 3, comparadas con las otras escalas de severidad, mientras que las que
presentan más fallas en su predicción son las escalas 1 y curación de cancros,
88
esto se relaciona con las no diferencias significativas encontradas en la banda NIR
tanto en reflectancia con en niveles digitales.
Figura 59 Función Sigmoide-SVM
Tabla 37 Porcentaje de predicción SVM por escalas de severidad
Predicción Escala 0 Escala 1 Escala 3 Curación Cancros
Verdadero 26 6 20 8
Falso 18 7 16 10
Total 44 13 36 18
% verdadero 0,59 0,46 0,56 0,44
% falso 0,41 0,54 0,44 0,56
5.3.6 Clasificación SVM ( support vector machine) con entrenamiento La clasificación SVM con entrenamiento pretende tomar un porcentaje de los
datos como testigo y el otro porcentaje para realizar la clasificación, en este caso
89
se realizó tomando aproximadamente el 75% de los datos para clasificación y el
25 % como testigo (Sankaran S. , Maja, Buchanon, & Ehsani, 2013). En esta
clasificación se realizaron 10 iteraciones por función, escogiendo la que tenía
mejor predicción (Garcia-Ruiz, et al., 2013), en la tabla 39 se presentan los
porcentajes de predicción en cada una de las funciones, donde se hay un mayor
porcentaje de predicción en la función polinomial y sigmoide.
Tabla 38 Porcentaje de predicción SVM con entrenamiento
Kernel Radial Lineal Polinomial Sigmoide
Predicción 0.5882353 0.54761 0.6075949 0.6071429
En la tabla 40 se presenta las predicciones en cada una de las funciones, donde
en la función polinomial se predice correctamente 45 árboles enfermos y 3 sanos,
mientras que se predice erróneamente 30 árboles enfermos como sanos y un
árbol enfermo como sano. En la función sigmoide se predice correctamente 36
árboles sano y 15 enfermos, mientras erróneamente se predicen 19 árboles
enfermos como sanos y 14 árboles sanos como enfermos ( tabla 40 y figuras 60-
61).
Tabla 39 Porcentaje de predicción SVM con entrenamiento por escalas de severidad
Kernel Radial Lineal
Predicción/Actual enfermos Sanos enfermos Sanos
Enfermos 28 26 41 8
Sanos 9 22 30 5
Kernel Polinomial Sigmoide
Predicción/Actual enfermos Sanos enfermos Sanos
Enfermos 45 1 36 14
Sanos 30 3 19 15
En la tabla 41 y figura 60 se presenta la predicción de las escalas de enfermedad en
la función sigmoide, donde hay una mayor porcentaje en las escalas 1,3 y curación
90
de cancros, mientras que la más baja predicción es en la escala de sanos, en el caso
de la función polinomial se presenta mayor predicción en las escalas 1,3 y curación
de cancros (tabla 42), y menor predicción en arboles sanos sesgando mucho esta
predicción al observar la figura 61.
Figura 60 Función Sigmoide-SVM con entrenamiento
Tabla 40 Porcentaje de predicción SVM con entrenamiento por escalas de severidad-Función Sigmoide
Predicción escala 0 escala 1 escala 3 curación cancros
Verdadero 15 9 20 7
Falso 19 3 7 4
Total 34 12 27 11
% Verdadero 0,44 0,75 0,74 0,64
% Falso 0,56 0,25 0,26 0,36
91
Figura 61 Función Polinomial-SVM con entrenamiento
Tabla 41 Porcentaje de predicción SVM con entrenamiento por escalas de severidad-Función Polinomial
Prediccion escala 0 escala 1 escala 3 curación cancros
Verdadero 3 9 23 13
Falso 30 0 1 0
Total 33 9 24 13
% verdadero 0,09 1,00 0,96 1,00
% falso 0,91 0,00 0,04 0,00
En cítricos para otro tipo de enfermedad como el HLB se reportan porcentajes de
clasificación con SVM de un 87% cuando se presentan síntomas de HLB en el follaje
(Sankaran S. , Maja, Buchanon, & Ehsani, 2013), otro estudio indica precisiones
entre el 67% y 85 % y falsas entre un 7% y 32% cuando se utilizan imágenes de
drones para detectar HLB (Garcia-Ruiz, et al., 2013), en el caso de la clasificación
con SVM en este estudio están alrededor de 45% y 60% con entrenamiento,
mientras que visualmente están en 65%, estos valores que son bajos respecto a los
92
otros estudios, se deben a que si no se presentan síntomas en el follaje se hace
difícil la detección de Phytophthora spp, lo cual se relaciona con las diferencias no
significativas encontradas en las escalas 1 y curación de cancros en niveles
digitales y reflectancia en la banda NIR. A continuación en las figuras 62 y 63 se
presentan gráficamente las diferentes clasificaciones realizadas para clasificar
arboles sanos y enfermos a partir de la banda NIR.
93
Figura 62 Clasificación SVM-Kernel Sigmoide
94
Figura 63 Clasificación SVM-Kernel Sigmoide con entrenamiento
95
6 CONCLUSIÓN De acuerdo al análisis espacial de Phytophthora spp realizado con la funcion
vecinos más cercanos, se encuentra que la incidencia y severidad tiene un patrón
disperso, ya que gran parte de la enfermedad está distribuida en el campo con una
incidencia de un 60,36 %, mientras que con la función K-ripley se distribuye de
forma aleatoria tanto en incidencia y severidad. Con la densidad de Kernel se
pude observar la distribución de Phytophthora spp con las áreas con mayor y
menor densidad. A pesar que los patrones en los cuales esta injertada Lima Tahití
se consideran resistentes, la gomosis de los cítricos puede ser causada por más
de 12 especies de Phytophthora (Klotz 1978) citado por (Acosta, et al., 2012), esto
conlleva a que se debe realizar la identificación de la especie especifica de
Phytophthora que estaría afectando a cada patrón para implementar medidas de
control y evaluar la respectiva resistencia. En cuanto a los resultados encontrados
en el análisis espectral, es posible detectar arboles afectados con Phytopthora spp a
través de la banda NIR, ya que al analizar el pefil espectral se puede encontrar
diferencias en la escala 3. Los arboles afectados muestran una coloración más
oscura mientras que los sanos una coloración más brillante, la cual es una etapa
más avanzada de la enfermedad, ya que se muestra en el follaje un grado de mayor
defoliación, lo cual refleja la relación de la densidad del follaje y la respuesta del NIR.
En la escala 1 de severidad se pueden encontrar arboles con o sin defoliación, lo
cual sugiere que hay diferentes niveles de daños internos en el cambium y la corteza
del tronco, ocasionando diferentes grados de defoliación, por esta razón hay árboles
que pueden tener daños en el tallo pero que aún no expresan síntomas en el follaje,
por lo tanto no se encuentran diferencias significativas en el NIR, estos resultados
difieren a los encontrados por (Fletcher, Skaria, Escobar, & Everitt, 2001) donde
hubo diferencia significativas en la banda NIR discriminando arboles con síntomas
iniciales de phytopthora y arboles sanos, los arboles con síntomas iniciales fueron
escogidos con un porcentaje de defoliación del 10 al 30 %, a diferencia del presente
estudio donde se escogieron de acuerdo al daño del tallo principal y donde se
96
presentaban arboles con y sin defoliación, esto concluye que pueden haber síntomas
iniciales que solo se puedan detectar cuando halla síntomas en el follaje, haciendo
indispensable el uso de imágenes aéreas y detectores multiespectrales para
monitorear la densidad del follaje y el comportamiento de la banda NIR para poder
detectar síntomas iniciales y tomar medidas de control efectivas contra Phytopthora,
ya que si se realiza con los métodos tradicionales de muestreo es muy factible que
se alcancen síntomas avanzados de Phytopthora spp, al igual que el caso de los
arboles con curación de cancros, también es de gran importancia la evaluación con
imágenes aéreas ya que se puede evaluar la recuperación o no del follaje. En el
caso de los índices de vegetación NDVI, GNDVI, SAVI y RE-NDVI se encontraron
diferencias significativas entre arboles sanos y escala 3, mientras que con la escala 1
no hay diferencias esto se debe al poco grado de afectación de los haces vasculares
en este estado de la enfermedad. En cuanto a la clasificación con SVM con los
valores de niveles digitales y reflectancia de la banda NIR son bajos respecto a otros
estudios realizados para otras enfermedades en cítricos como HLB, ya que no hay
diferencias significativas en las escalas 1 lo cual dificulta la separación entre
arboles sanos y enfermos.
97
BIBLIOGRAFIA
Acosta, J., Ortiz, C., Zaldívar, J., Rodríguez, M., Bautista, C., & la, D. (2012).
Identificacion del Agente Causal e Importancia de la Gomosis en la zona Citricola de Huimanguillo, Tabasco, Mexico. Universidad y Ciencia Tropico Humedo, 28(3):245-258.
Agisoft. (2017). Tutorial Beginner level: Orthomosaic and DEM Generation with
Agisoft Photoscan Pro 1.3 ( with ground control points). 1-17. Agisoft. (2018). Agisoft PhotoScan User Manual: Professional Edition, Version 1.4. Agrios, G. (2004). Fitopalogia. Noriega Editores. Araque, L., & Jimenez, A. (2009). Caracterización de firma espectral a partir de
sensores remotos para el manejo de sanidad vegetal en el cultivo de palma de aceite. Palmas, Vol. 30 No. 3, 63-79.
Bock, C., Poole, G., Parker, P., & Gottwald, T. (2010). Plant disease severity
estimated visually, by digital photography and image analysis, and by hyperspectral imaging. Journal Critical Reviews in Plant Sciences, Volume 29, Issue 2, Pages 59-107.
Caicedo, A., Carmen, H., & Jaramillo, J. (2006). Patrones Para La Produccion De
Citricos De Colombia, Boletin Divulgativo Numero 25. Palmira, Colombia: Corpoica.
Cárdenas Pardo NJ, D. C. (2017). Análisis espacial de la incidencia de
enfermedades en diferentes genotipos de cacao (Theobroma cacao L.) en El Yopal (Casanare), Colombia. Acta Biologica Colombiana, 22(2):209-220.
Carter, G., & Knapp, A. (2001). Leaf optical properties in higher plants:linking
spectral characteristics to stress and chlorophyll concentration. American Journal of Botany, 88(4): 677–684.
Castro, B., L.W, T., Leguizamon, J., Muller, G., & Corrales, J. (2000).
Enfermedades de los Citricos en Colombia. In B. Castro, T. L.W, J. Leguizamon, G. Muller, & J. Corrales, Enfermedades de los Citricos en Colombia (p. 21). Bogotá : Produmedios.
Díaz García-Cervigón, J. J. (2015). Estudio de Índices de vegetación a partir de
imágenes aéreas tomadas desde UAS/RPAS y aplicaciones de estos a la agricultura de precisión (tesis de maestria). Universidad de Complutense de Madrid, España.
98
Esri. (2018, Marzo 10). Cómo funciona el Análisis cluster espacial de distancia
múltiple (Función K de Ripley). Retrieved from https://pro.arcgis.com/es/pro-app/tool-reference/spatial-statistics/h-how-multi-distance-spatial-cluster-analysis-ripl.htm
Esri. (2018, Marzo 10). Cómo funciona Vecino más cercano promedio. Retrieved
from https://pro.arcgis.com/es/pro-app/tool-reference/spatial-statistics/h-how-average-nearest-neighbor-distance-spatial-st.htm
Esri. (2018, Marzo 10). Densidad kernel. Retrieved from
http://pro.arcgis.com/es/pro-app/tool-reference/spatial-analyst/kernel-density.htm
Fletcher, R., Skaria, M., Escobar, D., & Everitt, J. (2001). Field Spectra and
Airborne Digital Imagery for Detecting Phytophthora Foot Rot Infections in Citrus Trees. Hortscience, 36(1):94–97.
Franke, J., & Menz, G. (2007). Multi-temporal wheat disease detection by
multispectral remote sensing. Precision Agriculture, Volume 8, Issue 3, pp 161–172.
Garcia-Ruiz, F., Sankaran, S., Maja, J. M., Lee, W. S., Rasmussen, J., & Ehsani,
R. (2013). Comparison of two aerial imaging platforms for identification of Huanglongbing-infected citrus trees. Computers and Electronics in Agriculture, 91 106-115.
Gebbers, R., & Adamchuk, V. (2010). Precision agriculture and food security.
Science, 327:828-831. Graham, J., & Feichtenberger,E. (2015). Citrus phytophthora diseases:
Management challenges and successes. Journal of citrus pathology, 27203. Graham,J, Dewdney,M, & Johnson,E. (2017-2018). Phytophthora Foot Rot and
Root Rot. 2017-2018 Florida Citrus Production Guide, 111-114. Hillnhutter, C., Mahlein, A., Sikora, R., & Oerke, E. (2011). Remote sensing to
detect plant stress induced by Heterodera schachtii and Rhizoctonia solani in sugar beet fields. Field Crops Research, Volume 122, Issue 1, Pages 70-77.
Luo, W., Pietravalle, S., Parnell, S., Van den Bosch, F., Gottwald, T., Irey, M., &
Parker, S. (2012). An improved regulatory sampling method for mapping and representing plant disease from a limited number of samples. Epidemics, 68-77.
99
Mahlein, A. K. (2016). Plan disease detection by imaging sensor-Parallels and
specific for precision agriculture and plant phenotyping . Plant Disease, 241-251.
Mahlein, A., Oerke, E., Steiner, U., & Dehne, H. (2012). Recent advances in
sensing plant diseases for precision crop protection. European Journal of Plant Pathology, Volume 133, Issue 1, pp 197–209.
Mekonen M, A. A. (2015). Assessing and Measuring of Citrus gummosis
(Phytophthora spp.) in Major Citrus Growing Areas of Ethiopia. Journal of Horticulture, 2: 154.
Micasense. (2015). Micasense RedEdge TM 3 Multiespectral Camera User
Manual. 1-27. Micasense. (2018, Enero 22). Micasense support. Retrieved from
https://support.micasense.com/hc/en-us/articles/215460518-What-are-the-units-of-the-Atlas-GeoTIFF-output-
Mishra, A., Karimi, D., Ehsani, R., & Albrigo, L. G. (2011). Evaluation of an active
optical sensor for detection of Huanglongbing (HLB) disease. Biosystem Engineering, 302-309.
Novoa, R., & Herrera, G. (2002). Uso del analisis de imagenes en el diagnostico
de la "tristeza de los citricos" en limoneros (Citrus limon (L.) Burm.) del Valle de Mallarauco, Chile. Agricultura Tecnica, v.62 n.4.
Oerke, E., Mahlein, A., & Steiner, U. (2014). Proximal sensing of plant diseases. In
e. M. L. Gullino and P. J. M. Bonants, Detection and Diagnostic of Plant Pathogens, Plant Pathology in the 21st Century (pp. Pages 55-68). Dordrecht, the Netherlands: Springer Science and Business Media.
Orduz, J. (2017, Junio 7). Informacion personal. Orduz, O., Castiblanco, S., Calderon, C., & Velasquez, H. (2011). Potencial de
rendimiento y calidad de 13 variedades e híbridos comerciales de cítricos en condiciones del piedemonte llanero de Colombia. Revista Colombiana de Ciencias Hortícolas, Vol. 5 - No. 2 - pag. 171-185.
Potgieter, A. B., George-Jaeggli, B., & Chapman, S. C. (2017). Multi-Spectral
Imaging from an Unmanned Aerial Vehicle Enables the Assessment of Seasonal Leaf Area Dynamics of Sorghum Breeding Lines. Frontiers in Plant Science, Volume 8 Article 1532 .
100
Sankaran, S., Maja, J. M., Buchanon, S., & Ehsani, R. (2013). Huanglongbing (Citrus Greening) Detection Using Visible, Near Infrared and Thermal Imaging Techniques. Sensors, 13, 2117-2130.
Tagle, X., & Zabala, S. (2017). Workflow Agisoft Photoscan for Micasense
Rededge images. Van Maanen, A., & Xu, X. (2003). Modelling Plant Disease Epidemics. European
Journal of Plant Pathology, Volume 109, Issue 7, pp 669–682. West, J., Bravo, C., Oberti, R., Moshou, D., Ramon, H., & McCartney, H. (2010).
Detection of fungal diseases optically and pathogen inoculum by air sampling. In R. G. C. Oerke, Precision Crop Protection—The Challenge and Use of Heterogeneity (pp. Pages 135-149). Dordrecht, Netherlands: Springer.
Recommended