COMPORTAMIENTO ESPECTRAL Y ESPACIAL DE LIMA TAHITI...

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


5.2 Análisis Espacial de la Severidad de Phytopthora spp .............................. 51

5.2.1 Función vecinos más cercanos .......................................................... 51

5.2.2 Función K-Ripley ................................................................................ 53


5.3 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 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


9


Tabla 27 Prueba Tukey diferencia de Medias Niveles Digitales y Reflectancia- Banda

NIR ......................................................................................................................... 71




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 30 Imagen RGB (izquierda) y combinación 4-5-3 (derecha) arboles sanos

(flechas verdes) y enfermos escala 1 (flechas amarillas) ......................................... 64





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 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 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






13



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


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


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


Roja Enfermos-Sanos 0.00000289 0.14 0.704

Nivel de Significancia: ‘***’ 0.001, ‘**’ 0.01, ‘*’ 0.05

Tabla 19 Anova Bandas espectrales-Reflectancia


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



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


Niv

eles

Dig

ital

es

Niveles Digitales Sanos vs Escala 1

Sanos

Escala1

62



Roja Enfermos escala 1-Sanos 0.00001641 2.42 0.1300




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


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


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



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)


68



69


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


Ref

lect

anci

a

Reflectancia Sanos Vs Escala 3

Sanos

Escala3

5000

10000

15000

20000

25000

30000

35000


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.



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


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




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)


76



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


Re

fle

ctan

cia

Niveles Digitales Sanos vs Curacion Cancro

Sanos

CuracionCancro

78

Figura 50 Reflectancia Arboles Sanos vs Curación Cancro



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





Roja Curación de cancros-Sanos 0.00002801 3.19 0.0814


0

0.05

0.1

0.15

0.2

0.25

0.3

0.35

0.4

0.45


Ref

lect

anci

a

Reflectancia Sanos vs Curacion Cancro

Sanos

CuracionCancro

79



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


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)


82



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


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 ***


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.

COMPORTAMIENTO ESPECTRAL Y ESPACIAL DE LIMA TAHITI...

Documents

Transcript of COMPORTAMIENTO ESPECTRAL Y ESPACIAL DE LIMA TAHITI...