AGRICULTURA DIGITAL 61 menos severa que el aislado sintomático). De los cuatromodelos propuestos de machine learning, el modelo de 'Logistic regression' permitió clasificar el tejido vegetal en sano (sin síntomas visuales) e infectado (síntomas visuales) con un acierto de 65%, el modelo SVM permitió clasificar las plantas en tres clases (planta sana, síntomas leves y severos) con un acierto del 71%. Los modelos de regresión (PLS y ANN) permitieron estimar la severidad del daño fisiológico ocasionado por la enfermedad a partir de ciertas bandas (PLS) o del espectro completo (ANN) de radiación reflejada por el tejido foliar de apariencia sana, con un acierto medio del 75 y 80%, respectivamente. Estos resultados confirman que los modelos de machine learning basados en datos de respuesta fisiológica y espectrales son robustos para determinar los daños causados por el hongo Fusarium oxysporum en plantas de fresa que no presentan sintomatología visual. En trabajos futuros, los modelos deben ser entrenados con imágenes captadas en condiciones de iluminación natural y evaluados en plantaciones comerciales.n Figura 2. Detalle de infección en imagen RGB (izquierda) y clasificación por modelo de machine learning en dos clases: 1 (tejido sano), 2 (tejido enfermo) (derecha). AGRADECIMIENTOS El uso de algunos equipos y parte de este trabajo ha sido realizado gracias al proyecto AGL2016-78964-R, financiado por el Ministerio de Economía y Competitividad, donde los autores han trabajado desde 2016 a 2021. REFERENCIAS • Appeltans, S.; Apolo-Apolo, O.E.; Rodríguez-Vázquez, J.N.; Pérez-Ruiz, M.; Pieters, J.; Mouazen, A.M. 2021. The Automation of Hyperspectral Training Library Construction: A Case Study for Wheat and Potato Crops. Remote Sens. 13, 4735. https://doi.org/10.3390/rs13234735 • Borrero, C.; Bascón, J.; Gallardo, M.A.; Orta, M.S.; Avilés, M. 2017. New foci of strawberry Fusarium wilt in Huelva (Spain) and susceptibility of the most commonly used cultivars? Scientia Horticulturae. Volume 226, 19, Pages 85-90. https://doi.org/10.1016/j.scienta.2017.08.034.
RkJQdWJsaXNoZXIy Njg1MjYx