La vid se enfrenta a numerosas amenazas, entre las que destacan las enfermedades víricas como el virus del enrollamiento foliar de la vid y el virus de la mancha roja, debido a su naturaleza evasiva y a la falta de tratamientos curativos. Los métodos tradicionales de contención consisten en identificar y sustituir las vides infectadas, lo cual es un proceso laborioso y costoso.
Esto pone de relieve la necesidad de soluciones de detección innovadoras gracias a avances tecnológicos que prometan métodos más eficaces. Desde 2019, un proyecto de investigación de la universidad CSU Fresno, en California (ver autores al pie de la nota), está estudiando el uso de imágenes hiperespectrales para mejorar la detección del virus del l enrollamiento foliar y de la mancha roja.
Las prácticas de gestión del viñedo se han visto favorecidas por el auge de las herramientas digitales capaces de ayudar a optimizar la producción. En el centro de esta tendencia se encuentra el desarrollo de sensores capaces de profundizar en la respuesta espectral de la vid al estrés. Estas tecnologías avanzadas permiten a los viticultores controlar la salud de las vides con una precisión sin precedentes, ofreciendo información que antes era inaccesible con los medios convencionales.
En 2019, se puso en marcha un proyecto innovador en la Universidad Estatal de California, Fresno, financiado por el USDA, la CDFA, la CSU-ARI y la F3, la iniciativa innovadora Fresno-Merced Future of Food, y en colaboración con expertos de la Universidad de Cornell (Dr. Marc Fuchs) y la UC-ANR (Dra. Monica Cooper). La iniciativa tenía como objetivo revolucionar la detección de los virus del enrollamiento foliar y de la mancha roja mediante imágenes hiperespectrales. Entonces, ¿Qué son exactamente las imágenes hiperespectrales?
Detección mediante el cambio del espectro de luz
En esencia, las imágenes hiperespectrales son una tecnología de vanguardia que permite medir la respuesta de un objeto a la absorción de luz en una amplia gama de longitudes de onda (Figura 1).
Mediante el análisis de la firma espectral de las vides, los investigadores pueden obtener información valiosa sobre su estado fisiológico y sanitario. Por ejemplo, las variaciones en las concentraciones de clorofila y antocianina se manifiestan con patrones distintos en el espectro visible (la parte de las longitudes de onda de la luz con la que interactúan nuestros ojos), mientras que los cambios en la estructura celular influyen en las longitudes de onda del infrarrojo cercano (que no son visibles para nuestros ojos).
Además, el contenido de agua y otros compuestos químicos (celulosa, azúcar, etcétera) dejan su huella en el dominio del infrarrojo de onda corta. Es fundamental señalar que las enfermedades de la vid (como el virus del enrollamiento foliar y el de la mancha roja) pueden alterar estas firmas espectrales, lo que ofrece un medio de detección no invasivo.
Resultados prometedores en el laboratorio y en el campo
La Figura 2 ilustra el flujo de trabajo general de este estudio para detectar ciertas enfermedades de la vid mediante imágenes hiperespectrales. La adquisición de datos implica el muestreo de hojas y la obtención de imágenes hiperespectrales en el laboratorio o en el viñedo. Estas imágenes se georreferencian a ubicaciones específicas de las vides cuando es necesario. En el laboratorio, se utiliza el análisis PCR para confirmar el estado de infección. Se realiza un preprocesamiento de las imágenes para la alineación espacial y la segmentación de las imágenes con el fin de extraer únicamente la señal de la vid.
Finalmente, el entrenamiento y la predicción del modelo integran tanto las imágenes satelitales como los datos moleculares. Se utilizan algoritmos de aprendizaje automático para analizar las imágenes procesadas, lo que permite predecir la presencia de la enfermedad en el viñedo utilizando únicamente imágenes satelitales.
La primera fase del proyecto consistió en tomar muestras de 500 hojas en un viñedo de Cabernet Franc, tanto de plantas sanas como de plantas afectadas por virus (del enrollamiento foliar, de la mancha roja o por ambos virus). A continuación, estas hojas se sometieron a imágenes hiperespectrales en entorno controlado mediante una cabina oscura en el laboratorio, capturando imágenes en el rango de 500 a 700 nm. Se emplearon técnicas de visión artificial, en particular redes neuronales convolucionales (CNN), para analizar las imágenes hiperespectrales y detectar signos de infección en las vides. Las CNN son un tipo de algoritmo de aprendizaje profundo que destaca en tareas de reconocimiento de imágenes al aprender automáticamente características a partir de datos de píxeles sin procesar. Durante esta fase, el modelo CNN logró resultados impresionantes.
Para la clasificación binaria -distinguir entre vid infectada (con manchas rojas o enrollamiento foliar) y vid sana-, el modelo alcanzó una precisión del 87 % cuando los síntomas eran visibles después del envero y del 85,6 % cuando los síntomas aún no eran visibles a simple vista antes del envero (Tabla 1). Esto demostró la eficacia del modelo para detectar infecciones incluso antes de que se manifestaran los síntomas visibles. Además, en una tarea de clasificación multiclase más compleja destinada a identificar el virus específico, distinguiendo así entre enrollamiento foliar y mancha roja, el modelo CNN alcanzó una precisión global del 76,9 %. Estos resultados ponen en evidencia la capacidad del modelo para diferenciar entre virus basándose en sutiles variaciones espectrales.
Animados por estos prometedores resultados, el proyecto avanzó a su segunda fase, pasando del entorno controlado del laboratorio a las condiciones dinámicas del campo. Utilizando la misma cámara hiperespectral, se capturaron imágenes del lateral de 700 vides en el mismo viñedo dentro del rango de 500-850 nm de longitud de onda, centrándose específicamente en la detección del virus de la mancha roja. Cuando los síntomas no eran visibles, el modelo alcanzó una precisión global del 68,6 % (Tabla 1). A medida que avanzaba la temporada y los síntomas se hacían más pronunciados, la precisión mejoró significativamente, alcanzando el 76,6 % con un modelo de máquina de vectores de soporte (SVM) (tabla 1). Esto subraya la adaptabilidad del modelo a las condiciones reales en campo y su eficacia para detectar infecciones incluso en ausencia de síntomas visibles.
En la tercera fase del proyecto, se mejoró el enfoque mediante el despliegue de una cámara hiperespectral montada en un dron, que permite capturar imágenes de unas 300 vides durante la fase posterior al envero, desde 500 nm hasta 850 nm de longitud de onda, siempre en el mismo viñedo de Cabernet Franc. Esta perspectiva aérea proporcionó una visión completa del viñedo, lo que permitió evaluar la salud de las vides e identificar infecciones a una escala potencialmente mayor. Utilizando la información espectral, se aplicaron técnicas de aprendizaje automático para clasificar las vides en 2 tipos: infectadas o no infectadas por la mancha roja. Un modelo de máquina de vectores de soporte (SVM) alcanzó una tasa de precisión del 86,7 % (Tabla 1).
Más allá de la evaluación general del modelo, se analizó de forma independiente la precisión de la clasificación para los casos sintomáticos y asintomáticos. Las vides sintomáticas se identificaron como PCR positivas con signos visibles de infección confirmados por la evaluación de expertos. Por el contrario, las vides asintomáticas también dieron positivo en la PCR, pero carecían de síntomas visibles y no se señalaron como infectadas mediante inspección visual. Esta evaluación específica reveló que el modelo alcanzó una precisión de hasta el 86,3 % en la identificación de infecciones asintomáticas. Estos resultados subrayan aún más la eficacia de las imágenes hiperespectrales, junto con el análisis avanzado de datos, en la detección y gestión de enfermedades.
Validación del modelo de dron
Para evaluar la capacidad de generalización del modelo en diferentes ubicaciones y momentos, se lo probó utilizando datos recopilados en setiembre de 2024 en tres viñedos comerciales de Cabernet Sauvignon en Napa. Se utilizó la misma configuración de dron y cámara hiperespectral. Los datos de campo usados para validar el modelo fueron mediante análisis PCR de muestras de pecíolos recogidas durante los vuelos (alrededor de 50 muestras por viñedo). A continuación, se compararon las predicciones del modelo con los resultados del PCR para evaluar su precisión. La precisión en esos nuevos viñedos oscila entre el 75,2 % y el 83,4 %. Se elaboraron mapas de predicción para cada viñedo (Figura 3).
Trabajo en curso
A partir de estos prometedores resultados, el proyecto continúa ampliando su conjunto de datos. Desde 2023, se han incluido variedades de uva adicionales, incorporando también variedades blancas. La recopilación de datos mediante una cámara de rango NIR/SWIR comenzó en 2023 y continuará hasta 2025, utilizando plataformas aéreas y terrestres. Se ha planificó y se está realizando una importante campaña de campo este 2025, en la que se combinan imágenes VIS/NIR y NIR/SWIR tomadas desde un avión para cubrir el valle de Napa, junto con pruebas PCR de 5000 vides para su validación.
Conclusión
Este proyecto representa un paso significativo hacia la mejora de la monitorización de los viñedos, al combinar imágenes hiperespectrales con diagnósticos moleculares. El uso de datos espectrales muestra su potencial no solo para detectar infecciones, sino también para capturar indicadores fisiológicos relevantes para la gestión de los viñedos.
Aunque los resultados iniciales son prometedores, se necesita más investigación para confirmar la precisión del modelo en condiciones distintas y evaluar la integración operativa de este proceso a gran escala. A medida que los costos de los sensores hiperespectrales siguen disminuyendo, la adopción de estas herramientas para la supervisión proactiva de enfermedades se hace cada vez más factible, lo que ofrece a los viticultores una capacidad de toma de decisiones más oportuna y fundamentada. El siguiente paso del estudio consiste en escanear áreas de viñedos más grandes utilizando plataformas aéreas, lo que también podría ayudar a reducir el costo de un futuro servicio comercial.
Autores: Eve Laroche-Pinel; Luca Brillante (Department of Viticulture & Enology, Viticulture and Enology Research Center, California State University, EEUU); Marc Fuchs (Plant Pathology and Plant-Microbe Biology, Cornell University, EEUU); y Mónica L. Cooper (University of California, Agriculture & Natural Resources, EEUU).
Fuente: Ives Technical Review
