Un nuevo índice de mildiú polvoriento del trigo (WPMI) ofrece una forma práctica de detectar, cuantificar y rastrear una importante enfermedad fúngica del trigo de invierno en múltiples escalas espaciales. Al integrar espectroscopia a nivel de hoja, mediciones de dosel en tierra, imágenes hiperespectrales de vehículos aéreos no tripulados (UAV) y análisis de puntos calientes, el estudio proporciona una herramienta específica para la enfermedad que identifica áreas infectadas y monitorea cómo el mildiú polvoriento del trigo se propaga o se recupera dentro de los campos.
El mildiú polvoriento del trigo (WPM) es una enfermedad fúngica destructiva que daña los tejidos de las hojas, debilita el crecimiento de la planta y puede causar pérdidas severas de rendimiento o incluso la pérdida total del cultivo. El diagnóstico de campo actual todavía depende en gran medida de la inspección visual experta, que requiere mucho trabajo, es subjetiva y difícil de escalar. Aunque la teledetección hiperespectral ha mostrado promesa para la detección de enfermedades en cultivos, muchos índices de vegetación (IV) existentes se desarrollaron para monitoreo general de pigmentos, biomasa o estrés, en lugar de respuestas específicas de patógeno-hospedero. Los métodos de aprendizaje automático también pueden requerir grandes conjuntos de datos de entrenamiento de alta calidad. Debido a estos desafíos, se necesita investigación en profundidad para desarrollar un método específico, estable y escalable para la detección de WPM desde escalas de suelo hasta UAV.
Un equipo de investigación del Laboratorio Clave de Sistema de Agricultura Inteligente, Ministerio de Educación, Universidad Agrícola de China; el Centro de Investigación en Tecnología de la Información, Academia de Ciencias Agrícolas y Forestales de Beijing; el Instituto de Protección Vegetal, Academia China de Ciencias Agrícolas; y la Facultad de Ciencias de la Tierra y Tecnología, Universidad Agrícola de China, informó el estudio en Journal of Remote Sensing el 10 de abril de 2026. El estudio aborda la necesidad de un monitoreo rápido a escala de campo de WPM en granjas de pequeños agricultores, donde la propagación de la enfermedad puede ser espacialmente desigual y difícil de capturar solo mediante el muestreo manual.
El estudio desarrolló dos formas de WPMI: WPMIG = (R760 − R554)/(R661 + R554) y WPMIR = (R760 − R661)/(R661 + R554). Estos índices se diseñaron a partir de bandas sensibles a la enfermedad en las regiones verde, roja e infrarrojo cercano (NIR). En comparación con los IV tradicionales, WPMI distinguió de manera más consistente el trigo sano e infectado y cuantificó mejor el índice de enfermedad (DI) en escalas de hoja, dosel en tierra y dosel de UAV. WPMIG mostró un rendimiento particularmente fuerte y se seleccionó para el análisis de puntos calientes basado en UAV para revelar áreas potenciales de infección y recuperación.
Los investigadores recopilaron tres años de datos de experimentos de invernadero y campo realizados de 2022 a 2024. El conjunto de datos incluyó 1,260 espectros de hoja y 804 espectros de dosel bajo diferentes condiciones de infección, variedades de trigo y escalas espaciales. A escala de hoja, WPMI logró la precisión de clasificación general (OCA) más alta, alcanzando el 85% y 86% para WPMIG y WPMIR, respectivamente, en el experimento de invernadero de 2022. En condiciones de campo, los dos índices lograron una precisión del 81% y 80% en 2023, y del 80% y 81% en 2024. Para la estimación de la severidad de la enfermedad, WPMIG alcanzó valores de R² de 0.55 a 0.93 a escala de suelo y de 0.48 a 0.90 a escala de UAV. Los mapas de WPMIG derivados de UAV, combinados con el análisis de puntos calientes Getis–Ord Gᵢ*, identificaron grupos de probable infección y rastrearon cambios espacio-temporales en parcelas de pequeños agricultores durante tres temporadas de crecimiento.
Los investigadores señalaron que un índice espectral específico para enfermedades puede llevar el monitoreo de enfermedades en cultivos más allá de la simple comparación de imágenes. Al vincular las imágenes hiperespectrales de UAV con el análisis espacial de puntos calientes, el método puede ayudar a revelar dónde está emergiendo, expandiéndose o disminuyendo el WPM, ofreciendo una base potencial para una alerta más temprana y un manejo de enfermedades más dirigido.
Los espectros de hoja se recolectaron usando una cámara hiperespectral de mano, mientras que los espectros de dosel se adquirieron usando un espectrómetro de suelo y un UAV DJI M600 equipado con una cámara hiperespectral Pika L. Se utilizó análisis discriminante lineal (LDA) para seleccionar bandas sensibles y evaluar el rendimiento de clasificación. El DI se midió mediante encuestas de campo siguiendo estándares nacionales. La regresión lineal evaluó la relación entre WPMI y DI, mientras que el análisis de puntos calientes mapeó grupos de infección espacial a partir de imágenes de UAV.
Con una mayor validación en regiones, variedades de trigo, sensores y condiciones de enfermedad, el monitoreo con UAV basado en WPMI podría apoyar la protección fitosanitaria de precisión y los sistemas de alerta temprana para la producción de trigo. El enfoque puede ayudar a los agricultores a identificar puntos calientes de enfermedad antes de que ocurran brotes severos, reducir el uso innecesario de pesticidas y mejorar la toma de decisiones a nivel de campo. De manera más amplia, esta estrategia proporciona un marco para desarrollar índices de teledetección específicos para enfermedades en otros sistemas cultivo-patógeno, contribuyendo a un monitoreo agrícola más inteligente y resiliente.
