Integración de elementos del paisaje e información espectral para evaluar el riesgo de infección por Phytophthora cinnamomi Rands a escala local
DOI:
https://doi.org/10.31167/csef.v0i51.20173Resumen
Phytophthora cinnamomi Rands (Pc) es actualmente uno de los agentes bióticos más destructivos, responsable del declive y mortalidad generalizados de las especies de frondosas en ecosistemas de la cuenca mediterránea. En España, estos procesos de mortalidad son la causa de relevantes pérdidas económicas y ecológicas. El control de esta enfermedad en sistemas agroforestales se basa en medidas preventivas y curativas que deben aplicarse tanto a escala regional como local. Por tanto, es necesario un sistema de seguimiento eficiente, capaz de proporcionar información sobre el número y tamaño de los focos infectados, así como modelos para predecir el riesgo de infección en áreas de manejo. En este contexto, el presente estudio se desarrolló con un doble objetivo a escala local, identificar los principales factores que determinan el nivel de riesgo de infección por Pc y desarrollar un modelo de predicción de riesgo de infección. Se desarrolló un modelo de clasificación ensamblado, generado a partir de seis algoritmos de machine learning. Los modelos se calibraron en focos de Pc previamente localizados (fincas demostrativas). La variable de respuesta seleccionada (riesgo de infección) se generó a partir de la mortalidad observada en estos focos entre los años 2016 y 2022. Los individuos muertos se identificaron a partir de un proceso de segmentación de imágenes aéreas procedentes del Plan Nacional de Ortofotografía Aérea (PNOA). Como variables predictoras se utilizaron diferentes índices topográficos, distancia a redes de carreteras y drenajes, e índices de vegetación obtenidos a partir de imágenes aéreas del PNOA. El modelo se utilizó para predecir el riesgo de dispersión desde los focos ya localizados, mostrando un alto nivel de acierto en las pruebas de evaluación seleccionadas. Los modelos de riesgo local proporcionan una herramienta práctica para mejorar la precisión de la vigilancia de esta enfermedad y la elaboración de mapas de riesgo.
Citas
Ariza-Salamanca, A.J., González-Moreno, P., López-Quintanilla, J.B., Navarro-Cerrillo, R.M., 2024. Large-Scale Mapping of Complex Forest Typologies Using Multispectral Imagery and Low-Density Airborne LiDAR: A Case Study in Pinsapo Fir Forests. Remote Sensing 16, 3182. https://doi.org/10.3390/rs16173182
Bannari, A., Morin, D., Bonn, F., Huete, A.R., 1995. A review of vegetation indices. Remote Sensing Reviews 13, 95-120. https://doi.org/10.1080/02757259509532298
Beven, K.J., Kirkby, M.J., 1979. A physically based, variable contributing area model of basin hydrology / Un modèle à base physique de zone d'appel variable de l'hydrologie du bassin versant. Hydrological Sciences Bulletin 24, 43-69. https://doi.org/10.1080/02626667909491834
Bezares, F., Oviedo, F.B., Morán, J.T., 2020. Herramienta de segmentación automática de masas forestales a partir de sensores remotos: LiDAR y Sentinel 2. Cuadernos de la Sociedad Española de Ciencias Forestales 211-230. https://doi.org/10.31167/csecfv5i46.19904
Bradley, A.P., 1997. The use of the area under the ROC curve in the evaluation of machine learning algorithms. Pattern recognition 30, 1145-1159. https://doi.org/10.1016/S0031-3203(96)00142-2
Brasier, C.M., 1996. Phytophthora cinnamomi and oak decline in southern Europe. Environmental constraints including climate change, in: Annales Des Sciences Forestières. EDP Sciences, pp. 347-358. https://doi.org/10.1051/forest:19960217
Brasier, C.M., Robredo, F., Ferraz, J.F.P., 1993. Evidence for Phytophthora cinnamomi involvement in Iberian oak decline. Plant Pathology 42, 140-145. https://doi.org/10.1111/j.1365-3059.1993.tb01482.x
Breiman, L., 2001. Random forests. Machine learning 45, 5-32. https://doi.org/10.1023/A:1010933404324
Campón, L.F., Rosado, E.M.Q., Gallego, J.A.G., 2019. Clasificación supervisada de imágenes PNOA-NIR y fusión con datos LiDAR-PNOA como apoyo en el inventario forestal: Caso de estudio: Dehesas. Cuadernos de la Sociedad Española de Ciencias Forestales 77-96. https://doi.org/10.31167/csecfv0i45.19882
Cardillo, E., Abad, E., Meyer, S., 2021. Iberian oak decline caused by Phytophthora cinnamomi: A spatiotemporal analysis incorporating the effect of host heterogeneities at landscape scale. Forest Pathology 51, e12667. https://doi.org/10.1111/efp.12667
Cardillo, E., Acedo, A., Abad, E., 2018. Topographic effects on dispersal patterns of Phytophthora cinnamomi at a stand scale in a Spanish heathland. PloS one 13, e0195060. https://doi.org/10.1371/journal.pone.0195060
Chuvieco, E., 1990. Fundamentos de teledetección espacial.
Core Team, R., 2017. R: A language and environment for statistical computing. R Foundation for Statistical Computing. Vienna, Austria: URL https://www. R-project. org/.[Google Scholar].
Cortes, C., Vapnik, V., 1995. Support vector machine. Machine learning 20, 273-297. https://doi.org/10.1007/BF00994018
Cuarto, C. de E. y B.A. del, 1971. Estudio agrobiológico de la provincia de Córdoba. Instituto Nacional de Edafología y Agrobiología del Consejo Superior de ….
de Andrade Lourenço, D., Branco, I., Choupina, A., 2022. A systematic review about biological control of phytopathogenic Phytophthora cinnamomi. Mol Biol Rep 49, 9947-9962. https://doi.org/10.1007/s11033-022-07547-2
de Sampaio e Paiva Camilo-Alves, C., da Clara, M.I.E., de Almeida Ribeiro, N.M.C., 2013. Decline of Mediterranean oak trees and its association with Phytophthora cinnamomi: a review. European Journal of Forest Research 132, 411-432. https://doi.org/10.1007/s10342-013-0688-z
Duque-Lazo, J., Navarro-Cerrillo, R.M., van Gils, H., Groen, T.A., 2018. Forecasting oak decline caused by Phytophthora cinnamomi in Andalusia: Identification of priority areas for intervention. Forest Ecology and Management 417, 122-136. https://doi.org/10.1016/j.foreco.2018.02.045
Elliott, N.C., Farrell, J.A., Gutierrez, A.P., van Lenteren, J.C., Walton, M.P., Wratten, S., 1995. Integrated pest management. Springer Science & Business Media.
Gallego Galán, C., Torralbo, P., José Pérez-Palazón, M., Galán, C., José Polo, M., 2019. Trend Analysis of climatic variables and impacts in dehesa systems: A study case in Sierra Morena, Southern Spain, in: EGU General Assembly Conference Abstracts. p. 15922.
Gómez?Aparicio, L., Ibáñez, B., Serrano, M.S., De Vita, P., Ávila, J.M., Pérez?Ramos, I.M., García, L.V., Esperanza Sánchez, M., Marañón, T., 2012. Spatial patterns of soil pathogens in declining Mediterranean forests: implications for tree species regeneration. New Phytologist 194, 1014-1024. https://doi.org/10.1111/j.1469-8137.2012.04108.x
Gómez-Zotano, J., Alcántara-Manzanares, J., Olmedo-Cobo, J.A., Martínez-Ibarra, E., 2015. La sistematización del clima mediterráneo: identificación, clasificación y caracterización climática de Andalucía (España). Revista de geografía Norte Grande 161-180. https://doi.org/10.4067/S0718-34022015000200009
Grizonnet, M., Michel, J., Poughon, V., Inglada, J., Savinaud, M., Cresson, R., 2017. Orfeo ToolBox: open source processing of remote sensing images. Open geospatial data, softw. stand. 2, 15. https://doi.org/10.1186/s40965-017-0031-6
Hernández-Lambraño, R.E., González-Moreno, P., Sánchez-Agudo, J.Á., 2018. Environmental factors associated with the spatial distribution of invasive plant pathogens in the Iberian Peninsula: The case of Phytophthora cinnamomi Rands. Forest Ecology and Management 419, 101-109. https://doi.org/10.1016/j.foreco.2018.03.026
Hijmans, R.J., Van Etten, J., Cheng, J., Mattiuzzi, M., Sumner, M., Greenberg, J.A., Lamigueiro, O.P., Bevan, A., Racine, E.B., Shortridge, A., 2015. Package 'raster.' R package 734, 473.
Hill, R.J., Wilson, B.A., Rookes, J.E., Cahill, D.M., 2009. Use of high resolution digital multi-spectral imagery to assess the distribution of disease caused by Phytophthora cinnamomi on heathland at Anglesea, Victoria. Australasian Plant Pathology 38, 110-119. https://doi.org/10.1071/AP08092
Hill, T.C.J., Tippett, J.T., Shearer, B.L., 1994. Invasion of Bassendean dune Banksia woodland by Phytophthora cinnamomi. Australian Journal of Botany 42, 725-738. https://doi.org/10.1071/BT9940725
Jackson, R.D., 1986. Remote Sensing of Biotic and Abiotic Plant Stress. Annu. Rev. Phytopathol. 24, 265-287. https://doi.org/10.1146/annurev.py.24.090186.001405
Jung, T., Orlikowski, L., Henricot, B., Abad-Campos, P., Aday, A.G., Aguín Casal, O., Bakonyi, J., Cacciola, S.O., Cech, T., Chavarriaga, D., 2016. Widespread Phytophthora infestations in European nurseries put forest, semi-natural and horticultural ecosystems at high risk of Phytophthora diseases. Forest Pathology 46, 134-163. https://doi.org/10.1111/efp.12239
Jung, T., Vettraino, A.M., Cech, T.L., Vannini, A., 2013. The impact of invasive Phytophthora species on European forests. Phytophthora: A global perspective 2, 146-158. https://doi.org/10.1079/9781780640938.0146
Kamavisdar, P., Saluja, S., Agrawal, S., 2013. A survey on image classification approaches and techniques. International Journal of Advanced Research in Computer and Communication Engineering 2, 1005-1009.
Kongnso, W.E., Kometa, S.S., Ngala, N.H., 2024. Multicriterial techniques for wetland identification using geospatial analyses: the case of the Mefou Basin, Centre Region, Cameroon. International Journal of Energy and Water Resources 1-13. https://doi.org/10.1007/s42108-024-00294-z
Kraemer, H.C., 2015. Kappa Coefficient, in: Kenett, R.S., Longford, N.T., Piegorsch, W.W., Ruggeri, F. (Eds.), Wiley StatsRef: Statistics Reference Online. Wiley, pp. 1-4. https://doi.org/10.1002/9781118445112.stat00365.pub2
Lary, D.J., Alavi, A.H., Gandomi, A.H., Walker, A.L., 2016. Machine learning in geosciences and remote sensing. Geoscience Frontiers 7, 3-10. https://doi.org/10.1016/j.gsf.2015.07.003
Lek, S., Guégan, J.-F., 1999. Artificial neural networks as a tool in ecological modelling, an introduction. Ecological modelling 120, 65-73. https://doi.org/10.1016/S0304-3800(99)00092-7
Li, A.Y., Williams, N., Fenwick, S.G., Hardy, G.E.St.J., Adams, P.J., 2014. Potential for dissemination of Phytophthora cinnamomi by feral pigs via ingestion of infected plant material. Biol Invasions 16, 765-774. https://doi.org/10.1007/s10530-013-0535-7
Martínez-Ruedas, C., 2022. Análisis de fotogramas e imágenes satelitales para la identificación y cuantificación automática de árboles y unidades con significación ecológica en olivares y ecosistemas de dehesa.
Mather, P., Tso, B., 2016. Classification methods for remotely sensed data. CRC press. https://doi.org/10.1201/9781420090741
Michel, J., Youssefi, D., Grizonnet, M., 2015. Stable Mean-Shift Algorithm and Its Application to the Segmentation of Arbitrarily Large Remote Sensing Images. IEEE Transactions on Geoscience and Remote Sensing 53, 952-964. https://doi.org/10.1109/TGRS.2014.2330857
Pearson, R.G., Thuiller, W., Araújo, M.B., Martinez-Meyer, E., Brotons, L., McClean, C., Miles, L., Segurado, P., Dawson, T.P., Lees, D.C., 2006. Model-based uncertainty in species range prediction. Journal of biogeography 33, 1704-1711. https://doi.org/10.1111/j.1365-2699.2006.01460.x
Petroselli, A., Vessella, F., Cavagnuolo, L., Piovesan, G., Schirone, B., 2013. Ecological behavior of Quercus suber and Quercus ilex inferred by topographic wetness index (TWI). Trees 27, 1201-1215. https://doi.org/10.1007/s00468-013-0869-x
Ristaino, J., Gumpertz, M., 2000. New Frontiers in the Study of Dispersal and Spatial Analysis of Epidemics Caused by Species in the Genus Phytophthora. Annual review of phytopathology 38, 541-576. https://doi.org/10.1146/annurev.phyto.38.1.541
Ruiz-Gómez, F.J., Pérez-de-Luque, A., Navarro-Cerrillo, R.M., 2019. The involvement of Phytophthora root rot and drought stress in holm oak decline: from ecophysiology to microbiome influence. Current Forestry Reports 5, 251-266. https://doi.org/10.1007/s40725-019-00105-3
Sánchez, C.F., 1993. Plagas endémicas de la encina. Agricultura: Revista agropecuaria y ganadera 336-339.
Sánchez-Cuesta, R., Ruiz-Gómez, F.J., Duque-Lazo, J., González-Moreno, P., Navarro-Cerrillo, R.M., 2021. The environmental drivers influencing spatio-temporal dynamics of oak defoliation and mortality in dehesas of Southern Spain. Forest Ecology and Management 485, 118946. https://doi.org/10.1016/j.foreco.2021.118946
Shearer, B.L., Crane, C.E., Barrett, S., Cochrane, A., 2007. Phytophthora cinnamomi invasion, a major threatening process to conservation of flora diversity in the South-west Botanical Province of Western Australia. Aust. J. Bot. 55, 225-238. https://doi.org/10.1071/BT06019
Team, O.D., 2014. The ORFEO toolbox software guide.
Tuset, J.J., Hinarejos, C., Mira, J.L., Cobos, J.M., 1996. Implicación de Phytophthora cinnamomi Rands en la enfermedad de la «seca» de encinas y alcornoques. Boletín de sanidad vegetal. Plagas. 22, 491-499.
Vannini, A., Morales-Rodriguez, C., 2019. Integrated disease management in tree nut cultivation.
Vannini, A., Natili, G., Thomidis, T., Belli, C., Morales-Rodriguez, C., 2021. Anthropogenic and landscape features are associated with ink disease impact in Central Italy. Forest Pathology 51, e12722. https://doi.org/10.1111/efp.12722
Wilson, B.A., Zdunic, K., Kinloch, J., Behn, G., 2012a. Use of remote sensing to map occurrence and spread of Phytophthora cinnamomi in Banksia woodlands on the Gnangara Groundwater System, Western Australia. Australian Journal of Botany 60, 495-505. https://doi.org/10.1071/BT11305
Wilson, B.A., Zdunic, K., Kinloch, J., Behn, G., 2012b. Use of remote sensing to map occurrence and spread of Phytophthora cinnamomi in Banksia woodlands on the Gnangara Groundwater System, Western Australia. Australian Journal of Botany 60, 495-505. https://doi.org/10.1071/BT11305
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2025 Cuadernos de la Sociedad Española de Ciencias Forestales
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Las obras que se publican en esta revista están sujetas a los siguientes términos:
- Las obras se publican en edición electrónica, en acceso abierto y bajo una licencia Creative Commons Attribution-Non Comercial License 3.0. Se permite a otros distribuir, copiar o adaptar las obras así como crear obras derivadas siempre que se cite la autoría del trabajo y su publicación inicial en esta revista. No se permite el uso de estas obras ni de sus derivadas con fines comerciales.
- Los autores conservan los derechos de autor, garantizan a la revista el derecho de ser la primera publicación del trabajo y están de acuerdo con la licencia de uso utilizada por la revista, con las condiciones de autoarchivo y con la política de acceso abierto.
- Se permite y anima a los autores a difundir sus trabajos electrónicamente (por ejemplo, en repositorios institucionales o en su propio sitio web) ya que puede dar lugar a intercambios productivos, así como a una mayor citación de los trabajos publicados.
