‘La seca’ puede ser detectada con dos años de antelación gracias a fotografías de alta resolución espacial

El grupo de la Universidad de Córdoba adscrito al ceiA3 ‘Evaluación y restauración de sistemas agrícolas y forestales | RNM-360’ inspecciona 1.100 árboles sobre el terreno y a través de imágenes aéreas para prever los síntomas del decaimiento de la encina

05-jul-2021

Fuente: ceiA3

El declive de la encina es un fenómeno complejo influenciado principalmente por la presencia de un microbio, parecido a un hongo, denominado Phytophthora cinnamomi, y por el estrés hídrico. Los rasgos funcionales de la planta se alteran durante el proceso de declive, lo que afecta inicialmente a la fisiología de las plantas, con síntomas que no son visuales a priori.

El grupo de investigación adscrito al ceiA3 de la Universidad de Córdoba 'Evaluación y restauración de sistemas agrícolas y forestales | RNM-360' ha conseguido detectar, a través de imágenes de alta resolución espacial, este fenómeno conocido como 'la seca' con una antelación de dos años previos a la aparición de los síntomas. De esta forma se puede prever la enfermedad e intentar salvar a las encinas.

El decaimiento sucede al comenzar a morir las encinas de forma más significativa en las dehesas. "El problema radica en que cuando ya se observan los síntomas visuales, por ejemplo, cuando comienzan a secarse o a perder las hojas, es demasiado tarde para empezar a tratarlas y gestionar estos bosques huecos", añade el investigador adscrito al campus, José Luis Quero.

Durante el estudio, y gracias a las fotografías de alta resolución espacial, el grupo de investigación ha analizado 1.100 árboles con diferente incidencia y severidad. Por una parte, se ha llevado a cabo un análisis de variables fisiológicas de las encinas, como son los pigmentos de las hojas, la fluorescencia o la temperatura de la copa, y por otra, han conectado estas variables fisiológicas con rasgos espectrales de las imágenes. De esta forma, el equipo ha sido capaz de mapear y detectar encinas que no muestran síntomas visuales pero que sí padecerán en el futuro la enfermedad causada por Phytophthora cinnamomi.

Los indicadores, generados por la combinación de modelos 3D de transferencia radiativa y aprendizaje automático, mostraron hasta un 82% de precisión para la detección del decaimiento, e identificaron con éxito el 34% de los árboles en peligro que no fueron hallados por inspección visual, siendo confirmados en una reevaluación 2 años después. La detección temprana puede reorientar las actividades de gestión, como el aclarado o tratamiento de árboles, para prevenir la propagación de los procesos de decaimiento forestal en la dehesa.

La recopilación de datos fue financiada por los proyectos QUERCUSAT (CGL2013-40790-R) y ESPECTRAMED (CGL2018-86161-R),de la Agencia Española de Investigación, Ministerio de Ciencia e Innovación. El investigador Alberto Hornero contó con el apoyo de la beca de investigación DTC GEO 29″Detección de la fotosíntesis global y la salud de los bosques desde el espacio» del Centro de Formación de Doctorado en Ciencias (Swansea University, Reino Unido). P. North fue financiado por el Centro Nacional NERC para Earth Observation (Reino Unido). F.J. Ruiz-Gómez contó con el apoyo de una beca postdoctoral de la Junta de Andalucía (España) del Programa Fondo Social Europeo 2014-2020 (DOC_0055). QuantaLab-IAS-CSIC (España) asistió tanto en el laboratorio y como en las campañas aéreas y procesamiento de imágenes.

Referencia

Modelling hyperspectral- and thermal-based plant traits for the early detection of Phytophthora-induced symptoms in oak decline

Catalogación

Ver más sobre: Forestal - Adaptación al Cambio Climático