Uma abordagem combinada para a detecção precoce em campo da doença da folha de faia usando espectroscopia de infravermelho próximo e aprendizado de máquina

Resumo:

A capacidade de detectar árvores doentes antes que os sintomas surjam é fundamental no manejo da saúde florestal, pois permite uma intervenção mais oportuna e direcionada. O objetivo deste estudo foi desenvolver uma abordagem em campo para a detecção precoce e rápida da doença foliar da faia (BLD), uma doença emergente das faias americanas, com base em modelos de classificação supervisionada dos perfis espectrais foliares do infravermelho próximo (NIR). Para validar a eficácia do método, também utilizamos um protocolo baseado em qPCR para a quantificação do nematóide foliar recém-identificado como o agente causal putativo do BLD, Litylenchus crenatae ssp. mccannii (LCM). Os espectros NIR foram coletados em maio, julho e setembro de 2021 e analisados usando máquina de vetores de suporte e algoritmos florestais aleatórios. Para os conjuntos de dados de maio e julho, os modelos previram com precisão as folhas pré-sintomáticas (maior precisão do teste = 100%), mas também discriminaram com precisão os espectros com base na localização geográfica (maior precisão do teste = 90%). Portanto, não pudemos concluir que as diferenças espectrais eram devidas apenas à presença do patógeno. No entanto, o conjunto de dados de setembro removeu a localização como um fator e os modelos discriminou com precisão amostras pré-sintomáticas de amostras nativas (maior precisão de teste = 95,9%). Cinco bandas espectrais (2.220, 2.400, 2.346, 1.750 e 1.424 nm), selecionadas usando modelos de seleção variável, foram compartilhadas em todos os modelos, indicando consistência com relação à indução fitoquímica por infecção por LCM de folhas pré-sintomáticas. Nossos resultados demonstram que essa técnica é altamente promissora como uma ferramenta de diagnóstico em campo para BLD.