{"id":167665,"date":"2025-10-24T12:27:28","date_gmt":"2025-10-24T12:27:28","guid":{"rendered":"https:\/\/enolife.com.ar\/es\/?p=167665"},"modified":"2025-10-26T15:45:05","modified_gmt":"2025-10-26T15:45:05","slug":"inventan-en-eeuu-un-metodo-para-detectar-dos-virus-de-la-vid-con-imagenes-hiperespectrales","status":"publish","type":"post","link":"https:\/\/enolife.com.ar\/es\/inventan-en-eeuu-un-metodo-para-detectar-dos-virus-de-la-vid-con-imagenes-hiperespectrales\/","title":{"rendered":"Inventan en EEUU un m\u00e9todo para detectar dos virus de la vid con im\u00e1genes hiperespectrales"},"content":{"rendered":"\n

La vid se enfrenta a numerosas amenazas, entre las que destacan las enfermedades v\u00edricas 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 m\u00e9todos tradicionales de contenci\u00f3n consisten en identificar y sustituir las vides infectadas, lo cual es un proceso laborioso y costoso<\/strong><\/em>.<\/em><\/strong><\/h4>\n\n\n\n
\n\n\n\n

Esto pone de relieve la necesidad de soluciones de detecci\u00f3n innovadoras gracias a avances tecnol\u00f3gicos que prometan m\u00e9todos m\u00e1s eficaces. Desde 2019, un proyecto de investigaci\u00f3n de la universidad CSU Fresno, en California (ver autores al pie de la nota), est\u00e1 estudiando el uso de im\u00e1genes hiperespectrales para mejorar la detecci\u00f3n del virus del l enrollamiento foliar y de la mancha roja<\/strong><\/em>.<\/em><\/strong><\/h4>\n\n\n\n
<\/div>\n\n\n\"\"<\/a>\n\n\n
<\/div>\n\n\n\n

Las pr\u00e1cticas de gesti\u00f3n del vi\u00f1edo se han visto favorecidas por el auge de las herramientas digitales <\/strong>capaces de ayudar a optimizar la producci\u00f3n. En el centro de esta tendencia se encuentra el desarrollo de sensores capaces de profundizar en la respuesta espectral de la vid al estr\u00e9s<\/strong>. Estas tecnolog\u00edas avanzadas permiten a los viticultores controlar la salud de las vides con una precisi\u00f3n sin precedentes, ofreciendo informaci\u00f3n que antes era inaccesible con los medios convencionales. <\/p>\n\n\n\n

En 2019, se puso en marcha un proyecto innovador en la Universidad Estatal de California, Fresno, <\/strong>financiado por el USDA, la CDFA, la CSU-ARI y la F3, la iniciativa innovadora Fresno-Merced Future of Food<\/strong>, y en colaboraci\u00f3n con expertos de la Universidad de Cornell (Dr. Marc Fuchs) y la UC-ANR (Dra. Monica Cooper).<\/strong> La iniciativa ten\u00eda como objetivo revolucionar la detecci\u00f3n de los virus del enrollamiento foliar y de la mancha roja mediante<\/strong> im\u00e1genes hiperespectrales. Entonces, \u00bfQu\u00e9 son exactamente las im\u00e1genes hiperespectrales?<\/strong><\/p>\n\n\n\n

<\/div>\n\n\n\n

Detecci\u00f3n mediante el cambio del espectro de luz<\/strong><\/p>\n\n\n\n

En esencia, las im\u00e1genes hiperespectrales<\/strong> son una tecnolog\u00eda de vanguardia que permite medir la respuesta de un objeto a la absorci\u00f3n de luz en una amplia gama de longitudes de onda (Figura 1). <\/p>\n\n\n\n

Mediante el an\u00e1lisis de la firma espectral de las vides, los investigadores pueden obtener informaci\u00f3n valiosa sobre su estado fisiol\u00f3gico y sanitario. Por ejemplo, las variaciones en las concentraciones de clorofila<\/strong> y antocianina<\/strong> se manifiestan con patrones distintos en el espectro visible (la parte de las longitudes de onda de la luz con la que interact\u00faan 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). <\/p>\n\n\n\n

Adem\u00e1s, el contenido de agua y otros compuestos qu\u00edmicos (celulosa, az\u00facar, etc\u00e9tera) dejan su huella en el dominio del infrarrojo de onda corta. Es fundamental se\u00f1alar 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 detecci\u00f3n no invasivo.<\/p>\n\n\n\n

<\/div>\n\n\n
\n
\"\"<\/a>
Figura 1. Diferencia entre una imagen RGB com\u00fan y datos multiespectrales e hiperespectrales.<\/strong><\/em><\/figcaption><\/figure><\/div>\n\n\n
<\/div>\n\n\n\n

Resultados prometedores en el laboratorio y en el campo<\/strong><\/p>\n\n\n\n

La Figura 2 ilustra el flujo de trabajo general de este estudio para detectar ciertas enfermedades de la vid mediante im\u00e1genes hiperespectrales. La adquisici\u00f3n de datos implica el muestreo de hojas y la obtenci\u00f3n de im\u00e1genes hiperespectrales en el laboratorio o en el vi\u00f1edo. Estas im\u00e1genes se georreferencian a ubicaciones espec\u00edficas de las vides cuando es necesario. En el laboratorio, se utiliza el an\u00e1lisis PCR <\/strong>para confirmar el estado de infecci\u00f3n. Se realiza un preprocesamiento de las im\u00e1genes para la alineaci\u00f3n espacial y la segmentaci\u00f3n de las im\u00e1genes con el fin de extraer \u00fanicamente la se\u00f1al de la vid.<\/p>\n\n\n\n

Finalmente, el entrenamiento y la predicci\u00f3n del modelo integran tanto las im\u00e1genes satelitales como los datos moleculares. Se utilizan algoritmos de aprendizaje autom\u00e1tico para analizar las im\u00e1genes procesadas, lo que permite predecir la presencia de la enfermedad en el vi\u00f1edo utilizando \u00fanicamente im\u00e1genes satelitales.<\/p>\n\n\n\n

<\/div>\n\n\n
\n
\"\"<\/a>
Figura 2. Flujo de trabajo de la metodolog\u00eda utilizada en este proyecto.<\/strong><\/em><\/figcaption><\/figure><\/div>\n\n\n
<\/div>\n\n\n\n

La primera fase del proyecto consisti\u00f3 en tomar muestras de 500 hojas en un vi\u00f1edo de Cabernet Franc, <\/strong>tanto de plantas sanas como de plantas afectadas por virus (del enrollamiento foliar, de la mancha roja o por ambos virus). A continuaci\u00f3n, estas hojas se sometieron a im\u00e1genes hiperespectrales en entorno controlado mediante una cabina oscura en el laboratorio, capturando im\u00e1genes en el rango de 500 a 700 nm. Se emplearon t\u00e9cnicas de visi\u00f3n artificial, en particular redes neuronales convolucionales (CNN), para analizar las im\u00e1genes hiperespectrales y detectar signos de infecci\u00f3n en las vides. Las CNN son un tipo de algoritmo de aprendizaje profundo que destaca en tareas de reconocimiento de im\u00e1genes al aprender autom\u00e1ticamente caracter\u00edsticas a partir de datos de p\u00edxeles sin procesar. Durante esta fase, el modelo CNN logr\u00f3 resultados impresionantes.<\/p>\n\n\n\n

Para la clasificaci\u00f3n binaria -distinguir entre vid infectada (con manchas rojas o enrollamiento foliar) y vid sana-, el modelo alcanz\u00f3 una precisi\u00f3n del 87 % cuando los s\u00edntomas eran visibles despu\u00e9s del envero y del 85,6 % cuando los s\u00edntomas a\u00fan no eran visibles a simple vista antes del envero (Tabla 1). Esto demostr\u00f3 la eficacia del modelo para detectar infecciones incluso antes de que se manifestaran los s\u00edntomas visibles. Adem\u00e1s, en una tarea de clasificaci\u00f3n multiclase m\u00e1s compleja destinada a identificar el virus espec\u00edfico, distinguiendo as\u00ed entre enrollamiento foliar y mancha roja, el modelo CNN alcanz\u00f3 una precisi\u00f3n global del 76,9 %. Estos resultados ponen en evidencia la capacidad del modelo para diferenciar entre virus bas\u00e1ndose en sutiles variaciones espectrales.<\/p>\n\n\n\n

Animados por estos prometedores resultados, el proyecto avanz\u00f3 a su segunda fase, pasando del entorno controlado del laboratorio a las condiciones din\u00e1micas del campo. Utilizando la misma c\u00e1mara hiperespectral, se capturaron im\u00e1genes del lateral de 700 vides en el mismo vi\u00f1edo dentro del rango de 500-850 nm de longitud de onda, centr\u00e1ndose espec\u00edficamente en la detecci\u00f3n del virus de la mancha roja. Cuando los s\u00edntomas no eran visibles, el modelo alcanz\u00f3 una precisi\u00f3n global del 68,6 % (Tabla 1). A medida que avanzaba la temporada y los s\u00edntomas se hac\u00edan m\u00e1s pronunciados, la precisi\u00f3n mejor\u00f3 significativamente, alcanzando el 76,6 % con un modelo de m\u00e1quina 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 s\u00edntomas visibles.<\/p>\n\n\n\n

En la tercera fase del proyecto, se mejor\u00f3 el enfoque mediante el despliegue de una c\u00e1mara hiperespectral montada en un dron, que permite capturar im\u00e1genes de unas 300 vides durante la fase posterior al envero, desde 500 nm hasta 850 nm de longitud de onda, siempre en el mismo vi\u00f1edo de Cabernet Franc. Esta perspectiva a\u00e9rea proporcion\u00f3 una visi\u00f3n completa del vi\u00f1edo, lo que permiti\u00f3 evaluar la salud de las vides e identificar infecciones a una escala potencialmente mayor. Utilizando la informaci\u00f3n espectral, se aplicaron t\u00e9cnicas de aprendizaje autom\u00e1tico para clasificar las vides en 2 tipos: infectadas o no infectadas por la mancha roja. Un modelo de m\u00e1quina de vectores de soporte (SVM) alcanz\u00f3 una tasa de precisi\u00f3n del 86,7 % (Tabla 1). <\/p>\n\n\n\n

M\u00e1s all\u00e1 de la evaluaci\u00f3n general del modelo, se analiz\u00f3 de forma independiente la precisi\u00f3n de la clasificaci\u00f3n para los casos sintom\u00e1ticos y asintom\u00e1ticos. Las vides sintom\u00e1ticas se identificaron como PCR positivas con signos visibles de infecci\u00f3n confirmados por la evaluaci\u00f3n de expertos. Por el contrario, las vides asintom\u00e1ticas tambi\u00e9n dieron positivo en la PCR, pero carec\u00edan de s\u00edntomas visibles y no se se\u00f1alaron como infectadas mediante inspecci\u00f3n visual. Esta evaluaci\u00f3n espec\u00edfica revel\u00f3 que el modelo alcanz\u00f3 una precisi\u00f3n de hasta el 86,3 % en la identificaci\u00f3n de infecciones asintom\u00e1ticas. Estos resultados subrayan a\u00fan m\u00e1s la eficacia de las im\u00e1genes hiperespectrales, junto con el an\u00e1lisis avanzado de datos, en la detecci\u00f3n y gesti\u00f3n de enfermedades.<\/p>\n\n\n\n

<\/div>\n\n\n
\n
\"\"<\/a>
Tabla 1. Resumen de los resultados obtenidos durante el proyecto<\/strong><\/em>.<\/strong><\/figcaption><\/figure><\/div>\n\n\n
<\/div>\n\n\n\n

Validaci\u00f3n del modelo de dron<\/strong><\/p>\n\n\n\n

Para evaluar la capacidad de generalizaci\u00f3n del modelo en diferentes ubicaciones y momentos, se lo prob\u00f3 utilizando datos recopilados en setiembre de 2024 en tres vi\u00f1edos comerciales de Cabernet Sauvignon en Napa. Se utiliz\u00f3 la misma configuraci\u00f3n de dron y c\u00e1mara hiperespectral. Los datos de campo usados para validar el modelo fueron mediante an\u00e1lisis PCR de muestras de pec\u00edolos recogidas durante los vuelos (alrededor de 50 muestras por vi\u00f1edo). A continuaci\u00f3n, se compararon las predicciones del modelo con los resultados del PCR para evaluar su precisi\u00f3n. La precisi\u00f3n en esos nuevos vi\u00f1edos oscila entre el 75,2 % y el 83,4 %. Se elaboraron mapas de predicci\u00f3n para cada vi\u00f1edo (Figura 3).<\/p>\n\n\n\n

<\/div>\n\n\n
\n
\"\"<\/a>
Figura 3. Mapa de predicciones GRBV en tres nuevos vi\u00f1edos en 2024.<\/strong><\/em><\/figcaption><\/figure><\/div>\n\n\n
<\/div>\n\n\n\n

Trabajo en curso<\/strong><\/p>\n\n\n\n

A partir de estos prometedores resultados, el proyecto contin\u00faa ampliando su conjunto de datos. Desde 2023, se han incluido variedades de uva adicionales, incorporando tambi\u00e9n variedades blancas. La recopilaci\u00f3n de datos mediante una c\u00e1mara de rango NIR\/SWIR comenz\u00f3 en 2023 y continuar\u00e1 hasta 2025, utilizando plataformas a\u00e9reas y terrestres. Se ha planific\u00f3 y se est\u00e1 realizando una importante campa\u00f1a de campo este 2025, en la que se combinan im\u00e1genes VIS\/NIR y NIR\/SWIR tomadas desde un avi\u00f3n para cubrir el valle de Napa, junto con pruebas PCR de 5000 vides para su validaci\u00f3n.<\/p>\n\n\n\n

<\/div>\n\n\n\n

Conclusi\u00f3n<\/strong><\/p>\n\n\n\n

Este proyecto representa un paso significativo hacia la mejora de la monitorizaci\u00f3n de los vi\u00f1edos, al combinar im\u00e1genes hiperespectrales con diagn\u00f3sticos moleculares. El uso de datos espectrales muestra su potencial no solo para detectar infecciones, sino tambi\u00e9n para capturar indicadores fisiol\u00f3gicos relevantes para la gesti\u00f3n de los vi\u00f1edos.<\/p>\n\n\n\n

Aunque los resultados iniciales son prometedores, se necesita m\u00e1s investigaci\u00f3n para confirmar la precisi\u00f3n del modelo en condiciones distintas y evaluar la integraci\u00f3n operativa de este proceso a gran escala. A medida que los costos de los sensores hiperespectrales siguen disminuyendo, la adopci\u00f3n de estas herramientas para la supervisi\u00f3n proactiva de enfermedades se hace cada vez m\u00e1s factible, lo que ofrece a los viticultores una capacidad de toma de decisiones m\u00e1s oportuna y fundamentada. El siguiente paso del estudio consiste en escanear \u00e1reas de vi\u00f1edos m\u00e1s grandes utilizando plataformas a\u00e9reas, lo que tambi\u00e9n podr\u00eda ayudar a reducir el costo de un futuro servicio comercial.<\/p>\n\n\n\n

<\/div>\n\n\n\n

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 M\u00f3nica L. Cooper (University of California, Agriculture & Natural Resources, EEUU).<\/strong> <\/em>

Fuente: Ives Technical Review<\/strong><\/em><\/p>\n\n\n\n

<\/div>\n","protected":false},"excerpt":{"rendered":"

La vid se enfrenta a numerosas amenazas, entre las que destacan las enfermedades v\u00edricas como…<\/p>\n","protected":false},"author":2,"featured_media":167687,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[5],"tags":[],"class_list":["post-167665","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-fincas"],"_links":{"self":[{"href":"https:\/\/enolife.com.ar\/es\/wp-json\/wp\/v2\/posts\/167665","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/enolife.com.ar\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/enolife.com.ar\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/enolife.com.ar\/es\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/enolife.com.ar\/es\/wp-json\/wp\/v2\/comments?post=167665"}],"version-history":[{"count":0,"href":"https:\/\/enolife.com.ar\/es\/wp-json\/wp\/v2\/posts\/167665\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/enolife.com.ar\/es\/wp-json\/wp\/v2\/media\/167687"}],"wp:attachment":[{"href":"https:\/\/enolife.com.ar\/es\/wp-json\/wp\/v2\/media?parent=167665"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/enolife.com.ar\/es\/wp-json\/wp\/v2\/categories?post=167665"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/enolife.com.ar\/es\/wp-json\/wp\/v2\/tags?post=167665"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}