Descomposición de Señales Espectrales para Identificar Síntomas de la Cenicilla Polvorienta en Hojas de Planta de Calabacita

Resumen: Este estudio establece un método para detectar y distinguir entre cuatro niveles de daño que causa la cenicilla polvorienta en hojas de calabacita. El problema principal es la generación de datos con firmas espectrales obtenidos de plantas sanas y enfermas. Para resolver esto, las firmas espectrales originales de las hojas, son utilizadas como un patrón espectral para la detección. Los niveles se describieron con las longitudes de onda caracterizadas en regiones y agrupadas en niveles de daño. Como resultado, se obtiene que a través de cálculos estadísticos, como el análisis de varianza y la prueba de Tukey, diferencias significativas entre los niveles de daño son notables al considerar las longitudes de onda de las bandas del verde al rojo y cercano al infrarrojo de 450 nm – 550 nm, 550 nm – 650 nm y del 650 nm – 750 nm. Estos resultados ofrecen datos caracterizados para usarse a futuro en clasificación de enfermedades en plantas y para la detección temprana de enfermedades fúngicas.

¿Cómo citar?

C. A. Rivera-Romero, E. R. Palacios-Hernández, J. A. Morales-Saldaña & O. Vite-Chávez. Descomposición de Señales Espectrales para Identificar Síntomas de la Cenicilla Polvorienta en Hojas de Planta de Calabacita. Memorias del Congreso Nacional de Control Automático, pp. 68-73, 2021.

Palabras clave

Firmas espectrales, reflectancia, datos espectrales, pruebas estadísticas, análisis de varianza, prueba de Tukey

• Ayala-Silva, T. y Beyl, C.A. (2005). Changes in spectral reflectance of wheat leaves in response to specific macronutrient deficiency. Advances in Space Research, 35(2), 305 – 317. Space Life Sciences: Ground-Based Iron-Ion Biology and Physics, Including Shielding.
• Cao, X., Luo, Y., Zhou, Y., Duan, X., y Cheng, D. (2013). Detection of powdery mildew in two winter wheat cultivars using canopy hyperspectral reflectance. Crop Protection, 45, 124 – 131.
• Hernández, J. y Montaner, D. (2009). Patrones de respuesta espectral. Technical report, Laboratorio Geomática y Ecología del Paisaje (GEP), Facultad de Ciencias Forestales, Universidad de Chile.
• Katsoulas, N., Elvanidi, A., Ferentinos, K.P., Kacira, M., Bartzanas, T., y Kittas, C. (2016). Crop reflectance monitoring as a tool for water stress detection in greenhouses: A review. Biosystems Engineering, 151, 374 – 398.
• Manly, B.F.J. (2017). Multivariate Statistical Methods: A Primer. Chapman and Hall.
• Muhammed, H.H. (2005). Hyperspectral crop reflectance data for characterising and estimating fungal disease severity in wheat. Biosystems Engineering, 91(1), 9 – 20.
• Muhammed, H.H. y Larsolle, A. (2003). Feature vector based analysis of hyperspectral crop reflectance data for discrimination and quantification of fungal disease severity in wheat. Biosystems Engineering, 86(2), 125 – 134.
• Orfanidis, S.J. (2010). Introduction to Signal Processing. Pearson Education, Prentice Hall.
• Pacumbaba, R. y Beyl, C. (2011). Changes in hyperspectral reflectance signatures of lettuce leaves in response to macronutrient deficiencies. Advances in Space Research, 48(1), 32 – 42.
• Rivera-Romero, C.A., Palacios-Hern´andez, E.R., Trejo-Durán, M., Olivera-Reyna, R., y Morales-Saldaña, J.A. (2020). Visible and near-infrared spectroscopy for detection of powdery mildew in Cucurbita pepo L . leaves. 14(4), 1–19. doi:10.1117/1.JRS.14.044515.
• Yuan, L., Huang, Y., Loraamm, R.W., Nie, C., Wang, J., y Zhang, J. (2014). Spectral analysis of winter wheat leaves for detection and differentiation of diseases and insects. Field Crops Research, 156, 199 – 207.