La dificultad para distinguir visualmente las enfermedades

Un equipo de investigadores de la Universidad de Reims Champagne-Ardenne y el Comité Champagne ha publicado un conjunto de datos espectrales que abarca cinco años de observaciones sobre hojas de vid Chardonnay, con el objetivo de mejorar la detección de enfermedades conocidas como “grapevine yellows”. Estas enfermedades, entre las que se encuentran Flavescencia dorada (FD) y Bois noir (BN), suponen una amenaza para los viñedos europeos y afectan especialmente a la variedad Chardonnay, muy utilizada en la producción de vino espumoso.

El principal problema que aborda este trabajo es la dificultad para identificar estas enfermedades en campo. Los síntomas visuales, como el amarilleo y el enrollamiento de las hojas, pueden confundirse fácilmente con otras afecciones como Leafroll (de origen viral), Esca (causada por hongos) o simples alteraciones del color debidas a carencias nutricionales. Además, las vides infectadas pueden no mostrar síntomas durante al menos un año, lo que favorece la propagación silenciosa del patógeno. La inspección visual tradicional requiere mucho tiempo y personal especializado, y no siempre permite diferenciar entre las distintas causas del deterioro foliar.

Para abordar esta situación, los investigadores han recopilado 14.636 espectros de hojas recogidas entre 2020 y 2024 en seis zonas diferentes del viñedo experimental de Plumecoq, en Francia, así como en una parcela vecina gestionada por un productor local. El muestreo se realizó cada año en septiembre u octubre, coincidiendo con la vendimia. Se seleccionaron hojas tanto sanas como afectadas por las distintas enfermedades o alteraciones visuales. Las muestras se clasificaron en cinco grupos: sanas, yellows (que agrupa FD y BN), Leafroll, Esca y Discoloration (esta última incorporada a partir de 2022).

La adquisición de los datos espectrales se llevó a cabo en laboratorio bajo condiciones controladas, utilizando un espectrómetro LabSpec® 4i ASD con sonda de contacto. El rango cubierto va desde los 350 hasta los 2.500 nanómetros, con una resolución de 1 nm. Para garantizar la calidad y comparabilidad de los datos, las hojas se analizaron en menos de 20 minutos tras su recolección y se aplicaron técnicas de normalización a los espectros obtenidos.

El análisis preliminar del conjunto de datos muestra que existen diferencias apreciables entre las clases principalmente en torno a ciertas longitudes de onda: 550 nm, 730 nm y 2.200 nm. Sin embargo, los espectros medios correspondientes a las clases yellows, Esca y Leafroll son muy similares entre sí, lo que confirma la dificultad para distinguirlas únicamente mediante métodos lineales como el Análisis de Componentes Principales (PCA). Este análisis revela que los tres primeros componentes principales explican cerca del 88% de la variabilidad total del conjunto de datos. El primer componente está relacionado sobre todo con el contenido hídrico y la estructura tisular (picos en torno a 1.400 nm, 1.900 nm y 2.200 nm), mientras que el segundo refleja cambios en pigmentos como la clorofila y posibles situaciones de estrés estructural.

El estudio también pone de relieve que la posición de la hoja (apical o media) no influye significativamente en el espectro durante el periodo analizado. Por otro lado, sí se observan ligeras variaciones anuales asociadas a las condiciones climáticas y a los tratamientos fitosanitarios aplicados cada campaña: desde años con follaje muy verde y sano (2020), pasando por daños debidos a lluvias intensas (2021), sequía extrema (2022), presencia de mildiu polvoriento (2023) o ataques severos de mildiu (2024).

El conjunto completo de datos está disponible públicamente en el repositorio Recherche Data Gouv (DOI: 10.57745/KPNOJL). Además, se ha puesto a disposición un cuaderno Jupyter con código Python para facilitar el acceso, visualización y análisis reproducible del material recopilado. Este recurso pretende servir como base para el desarrollo y validación de modelos avanzados capaces de detectar enfermedades foliares mediante análisis espectral, superando así las limitaciones inherentes a la inspección visual.

Los autores prevén ampliar este trabajo incorporando imágenes multiespectrales tomadas bajo condiciones controladas sobre las mismas plantas. La integración futura de información espacial y espectral podría mejorar aún más la capacidad para discriminar entre síntomas similares y contribuir al desarrollo de herramientas prácticas para la gestión sanitaria del viñedo.

Este avance representa un paso importante hacia sistemas automáticos e independientes del año o zona concreta para la detección temprana y precisa de enfermedades foliares en viñedos comerciales. La disponibilidad abierta del conjunto de datos busca impulsar nuevas investigaciones tanto en viticultura como en agricultura digital aplicada al diagnóstico fitosanitario.