Detección presintomática del tizón de la vaina del arroz basada en el aprendizaje automático mediante perfiles espectrales

Resumen:

La detección temprana de las enfermedades de las plantas, antes del desarrollo de los síntomas, puede permitir una gestión más proactiva y específica de las enfermedades. El objetivo de este estudio fue evaluar el uso de la espectroscopia del infrarrojo cercano (NIR) combinada con el aprendizaje automático para la detección temprana del tizón de la vaina del arroz (ShB), causado por el hongo Rhizoctonia solani. Recolectamos los espectros NIR de las hojas de la variedad Lemont, de arroz susceptible a ShB (Oryza sativa L.), que crecía en una cámara de crecimiento un día después de la inoculación con R. solani y antes del desarrollo de cualquier síntoma de la enfermedad. Se utilizaron la máquina vectorial de apoyo (SVM) y el bosque aleatorio, dos algoritmos de aprendizaje automático, para crear y evaluar la precisión de los modelos predictivos de enfermedades basados en la clasificación supervisada. Se utilizó un análisis discriminante de mínimos cuadrados parciales dispersos para confirmar los resultados. El modelo más preciso para comparar plantas inoculadas simuladamente con plantas inoculadas se basó en la SVM y tuvo una precisión global del 86,1% (N = 72), mientras que cuando se compararon las plantas control, las inoculadas simuladamente y las inoculadas, el modelo SVM más preciso tuvo una precisión general de las pruebas del 73,3% (N = 105). Estos resultados sugieren que los modelos de aprendizaje automático podrían convertirse en herramientas para diagnosticar plantas infectadas pero asintomáticas basándose en perfiles espectrales en las primeras etapas del desarrollo de la enfermedad. Durante las pruebas y la validación en el campo aún se necesitan ensayos, pero esta técnica es prometedora para su aplicación sobre el terreno para el diagnóstico y el tratamiento de enfermedades.