logo móvil
Contáctanos

Identificación de estrés hídrico en hojas de cítricos utilizando tecnologías de detección

Autores: Johnson, Kaitlin; Sankaran, Sindhuja; Ehsani, Reza

Idioma: Inglés

Editor: MDPI

Año: 2013

Descargar PDF

Acceso abierto

Artículo científico
2013

Identificación de estrés hídrico en hojas de cítricos utilizando tecnologías de detección


Categoría

Ciencias Agrícolas y Biológicas

Subcategoría

Agronomía y Ciencia de los Cultivos

Palabras clave

Estrés hídrico
Industria de cítricos
Espectroscopía de descomposición inducida por láser
Detección temprana
Perfil de elementos
Precisión de clasificación

Licencia

CC BY-SA – Atribución – Compartir Igual

Consultas: 21

Citaciones: Sin citaciones


Descripción
El estrés hídrico es una preocupación seria en la industria de cítricos debido a su efecto en la calidad y rendimiento de los cítricos. Un sistema de sensores para la detección temprana permitirá la implementación rápida de medidas de control y decisiones de manejo para reducir cualquier efecto adverso. La espectroscopia de descomposición inducida por láser (LIBS) presenta una técnica potencialmente adecuada para la detección temprana del estrés a través del análisis del perfil elemental de las hojas de cítricos. Se anticipa que el cambio fisiológico en las plantas debido al estrés inducirá cambios en el perfil de elementos. El objetivo principal de este estudio fue evaluar el rendimiento de la espectroscopia de descomposición inducida por láser como un método de detección de estrés hídrico para su uso potencial en la industria de cítricos. En este trabajo, se aplicaron dos niveles de estrés hídrico a plántulas de mandarina Cleopatra (Cleo), citrange Carrizo y Shekwasha en las condiciones controladas de un invernadero. Las hojas recolectadas de las plantas sanas y estresadas fueron analizadas utilizando LIBS, así como con un espectro-radiómetro (espectroscopia visible-infrarrojo cercano) y una cámara térmica (infrarrojo térmico). La clasificación estadística de muestras sanas y estresadas reveló que los datos de LIBS podrían clasificarse con una precisión general del 80% utilizando clasificadores basados en árboles de decisión Naïve-Bayes y bagged. Estas precisiones fueron menores que las precisiones de clasificación adquiridas a partir de espectros visibles-infrarrojo cercano. Se logró una precisión del 93% y superior utilizando un árbol de decisión bagged con datos de reflectancia espectral visible-infrarrojo cercano.

Otros recursos que podrían interesarte

Temas Virtualpro