Ricercatori francesi rilasciano un set di dati spettrali di 14.636 foglie per migliorare il rilevamento precoce delle malattie mortali della vite

I ricercatori francesi hanno pubblicato un set di dati spettrali completo e pluriennale volto a migliorare l'individuazione delle malattie del giallume della vite nei vigneti di Chardonnay. Il set di dati, che copre gli anni dal 2020 al 2024, è stato raccolto presso il sito sperimentale del Comité Champagne a Plumecoq e in un appezzamento vicino. Include 14.636 spettri di foglie di vite, che rappresentano cinque classi: sano, giallo (che raggruppa Flavescence dorée e Bois noir), leafroll, esca e decolorazione.

I giallumi della vite sono un gruppo di malattie indotte da fitoplasmi che rappresentano una grave minaccia per i vigneti di tutto il mondo. In Europa, la Flavescenza dorata (FD) e il Bois noir (BN) sono le più significative. Queste malattie possono causare sintomi gravi come l'ingiallimento e l'arrotolamento delle foglie, la scarsa lignificazione dei germogli, la maturazione incompleta dell'uva e infine la morte della vite. L'impatto economico è elevato a causa delle misure di quarantena obbligatorie e della necessità di reimpiantare le viti colpite. La diagnosi precoce è fondamentale perché le viti infette possono diffondere la malattia per almeno un anno prima di mostrare sintomi visibili.

Lo Chardonnay è particolarmente vulnerabile a queste malattie. I suoi sintomi spesso assomigliano a quelli causati da altre condizioni come il Leafroll (una malattia virale), l'Esca (una malattia fungina del legno) e vari tipi di decolorazione legati a carenze nutritive o a stress ambientali. Questa sovrapposizione rende la diagnosi visiva difficile e laboriosa. Per distinguere tra FD e BN sono solitamente necessari test di laboratorio come la PCR, che però non sono pratici per il monitoraggio dei vigneti su larga scala.

Per affrontare queste sfide, il team di ricerca ha raccolto dati spettrali dalle foglie ogni settembre o ottobre durante il periodo della vendemmia. Le foglie sono state campionate da sei zone all'interno del sito sperimentale e da un vigneto vicino con diverse pratiche di gestione. Per ogni pianta, le foglie sono state prelevate sia dalla posizione apicale (in alto) che da quella mediana (in mezzo). I campioni sono stati trasportati rapidamente in laboratorio dove sono stati registrati gli spettri utilizzando uno spettrometro LabSpec® 4i ASD con una sonda a contatto. Questa configurazione ha permesso di effettuare misure ad alta risoluzione su lunghezze d'onda comprese tra 350 e 2500 nm.

Il set di dati cattura la variabilità tra gli anni con diverse condizioni climatiche e trattamenti fitosanitari. Ad esempio, nel 2020 il fogliame era molto sano; nel 2021 si sono verificate piogge abbondanti e residui visibili dei trattamenti; nel 2022 il clima era caldo e secco, con macchie marroni sulle foglie; nel 2023 c'era l'oidio; e nel 2024 la peronospora ha causato la bruciatura delle foglie.

L'analisi iniziale dei dati ha incluso la normalizzazione L2 degli spettri per correggere le differenze di grandezza e preservare la loro forma. La media degli spettri ha mostrato che alcune lunghezze d'onda, soprattutto intorno a 550 nm, 730 nm, 1400 nm, 1900 nm e 2200 nm, possono aiutare a distinguere le classi. Tuttavia, rimane una significativa somiglianza spettrale tra le classi di gialli, esca e leafroll.

L'analisi delle componenti principali (PCA) è stata utilizzata per ridurre la dimensionalità dei dati ai fini della visualizzazione e di ulteriori analisi. Le prime tre componenti principali hanno rappresentato circa l'88% della varianza totale del set di dati. La PC1 è stata maggiormente influenzata dalle lunghezze d'onda associate al contenuto d'acqua e alla struttura cellulare; la PC2 ha catturato i cambiamenti relativi ai pigmenti come la clorofilla; la PC3 ha evidenziato variazioni più sottili che potrebbero essere importanti per rilevare sintomi in fase iniziale o decolorazioni localizzate.

Nonostante questi risultati, le proiezioni PCA hanno mostrato una notevole sovrapposizione tra le classi, confermando che la distinzione tra di esse basata esclusivamente su caratteristiche spettrali lineari è difficile. Ciò evidenzia la necessità di algoritmi più avanzati o di metodi di selezione delle caratteristiche per migliorare l'accuratezza della classificazione.

Il set di dati completo è disponibile pubblicamente attraverso il repository Recherche Data Gouv (DOI: 10.57745/KPNOJL). Include non solo le misure spettrali, ma anche i metadati relativi all'anno, alla zona, alla posizione delle foglie e alle etichette delle classi. Per supportare la riproducibilità e ulteriori ricerche, il codice Python in un Jupyter Notebook è disponibile su GitHub (https://github.com/zsr1997/Scientific-Data). Questo codice consente agli utenti di accedere, visualizzare e analizzare i dati.

Il rilascio di questo set di dati dovrebbe accelerare la ricerca sui metodi di rilevamento automatico delle malattie della vite utilizzando l'analisi spettrale. Fornendo dati raccolti in condizioni ambientali diverse per diversi anni, offre una solida base per lo sviluppo di modelli meno sensibili alla variabilità annuale o alle pratiche locali dei vigneti.

In prospettiva, i ricercatori intendono ampliare questa risorsa aggiungendo immagini multispettrali acquisite in condizioni controllate dagli stessi siti. L'integrazione delle informazioni spaziali con i dati spettrali potrebbe migliorare ulteriormente i modelli di rilevamento delle malattie, cogliendo sia i cambiamenti biochimici nelle foglie sia la loro distribuzione spaziale sulle piante.

Questa iniziativa riflette il crescente interesse per gli strumenti dell'agricoltura di precisione che possono aiutare i gestori dei vigneti a individuare le malattie in modo più precoce e accurato rispetto alle tradizionali ispezioni visive. Grazie al libero accesso ai dati e agli strumenti di analisi, i ricercatori di tutto il mondo possono contribuire allo sviluppo di soluzioni scalabili per proteggere i vigneti da malattie devastanti come la Flavescenza dorata e il Bois noir.