Un reciente avance científico podría cambiar para siempre la forma en que detectamos el daño por Tetranychus urticae en frutilla. Investigadores de la Universidad Agrícola de Nanjing (China) han desarrollado un sistema basado en imágenes hiperespectrales combinadas con algoritmos de machine learning que permite identificar el daño causado por el ácaro mucho antes de que sea visible a simple vista.
En Grupo Fragaria hemos accedido en exclusiva a esta investigación publicada en la revista Heliyon (Elsevier, julio 2025), que posiciona esta innovación como una de las herramientas más prometedoras en el monitoreo fitosanitario de cultivos de alto valor, como la frutilla.
¿Por qué importa detectar a tiempo a Tetranychus urticae?
El Tetranychus urticae, también conocido como arañita roja de los frutales, es una de las plagas más agresivas y extendidas del cultivo de frutilla en Latinoamérica y el mundo. Su capacidad reproductiva, su rápida dispersión y, especialmente, su alta resistencia a productos químicos, lo convierten en un enemigo difícil de manejar.
El mayor desafío para los productores y asesores es que el daño inicial en las hojas es imperceptible al ojo humano. Cuando los síntomas visuales aparecen —manchas cloróticas, bronceado del follaje, deshidratación— el impacto ya es considerable, y el umbral económico puede haberse superado.
Por eso, una tecnología capaz de detectar el estrés causado por el ácaro antes de que se note visualmente, representa un salto cualitativo en sanidad vegetal y manejo integrado de plagas.
¿En qué consistió el estudio?
El equipo encabezado por los investigadores Guangtao Zhu, Zhuangzhuang Yu y Zhe Zhang del Departamento de Protección de Cultivos y Centro de Tecnología Agrícola de Precisión de la Universidad Agrícola de Nanjing, evaluó plantas de frutilla variedad ‘Akihime’ infectadas con Tetranychus urticae bajo condiciones controladas.
Las plantas fueron monitoreadas diariamente mediante una cámara hiperespectral de rango visible e infrarrojo cercano (400–1.000 nm), obteniendo un total de 360 imágenes de hojas, clasificadas en cinco niveles de severidad del daño: de 0 (sin daño visible) a 4 (daño severo con bronceado).
Los datos espectrales fueron luego procesados utilizando algoritmos de machine learning como Random Forest, Support Vector Machine (SVM) y redes neuronales (MLP), con el objetivo de predecir la presencia y el nivel de daño incluso en los estadios iniciales.
Resultados clave
- Las plantas en estadio 0 (sin síntomas visibles) ya presentaban alteraciones espectrales detectables.
- El modelo Random Forest fue el más preciso, logrando una exactitud del 96,49% en la clasificación del nivel de daño.
- Los algoritmos basados en aprendizaje automático mostraron un rendimiento significativamente superior al de métodos estadísticos convencionales como PLS-DA (Partial Least Squares Discriminant Analysis).
💡 Te podría interesar
🍓 Expo Fragaria Chile 2025: El Gran Encuentro del Mundo de la Frutilla ya tiene Fecha y Sede Confirmada
Los investigadores destacaron que esta metodología permite diferenciar no solo entre plantas sanas e infestadas, sino también entre distintos niveles de severidad del daño, todo esto antes de que existan signos visibles en la hoja.
¿Qué es la tecnología hiperespectral?
A diferencia de una cámara convencional (que capta solo tres bandas: rojo, verde y azul), una cámara hiperespectral capta cientos de bandas a lo largo del espectro electromagnético, permitiendo detectar cambios bioquímicos sutiles en los tejidos vegetales.
Cuando una planta es atacada por una plaga como Tetranychus urticae, se alteran procesos fisiológicos como la fotosíntesis, la transpiración y el contenido de clorofila. Estas alteraciones pueden registrarse en forma de “firmas espectrales”, incluso antes de que la hoja muestre daño visible.
En este caso, los investigadores lograron identificar bandas espectrales sensibles al estrés inducido por el ácaro, las cuales se convirtieron en las variables de entrada para los modelos de predicción.
Inteligencia artificial al servicio de la sanidad vegetal
La segunda gran innovación de este trabajo radica en el uso de algoritmos de machine learning para procesar grandes volúmenes de datos espectrales. A diferencia de los métodos tradicionales, que requieren variables predefinidas y relaciones lineales, los algoritmos como Random Forest o SVM pueden detectar patrones no lineales complejos que escapan al análisis humano.
📘¿Problemas de Plagas o Enfermedades en tus Frutillas?
¿Quieres un plan completo para prevenirlas y controlarlas?
Descarga nuestra Guía Práctica de Control Fitosanitario en Frutilla, diseñada para técnicos y productores de Latinoamérica.
- ✅ Manejo de Botrytis, Fusarium, Oídio, Neopestalotiopsis y mucho más
- ✅ Imágenes de identificación por patógeno y plaga
- ✅ Estrategias integradas comprobadas por expertos (biológicos + químicos)
- ✅ Incluye Programa Fitosanitario para cada una de las etapas de tus Frutillas
Esto permite generar modelos predictivos robustos, capaces de clasificar con alta precisión el nivel de daño en nuevas imágenes, incluso cuando el estrés aún es invisible.
El equipo también evaluó la eficiencia de distintos algoritmos, encontrando que Random Forest ofrecía la mejor combinación de precisión, sensibilidad y estabilidad, superando al clásico PLS-DA tanto en plantas sanas como con daño leve.
¿Qué implicancias tiene esto para los productores?
Si bien esta tecnología aún está en fase experimental y no disponible comercialmente, su validación marca un precedente importante. En el mediano plazo, se espera que cámaras hiperespectrales más accesibles —acopladas a drones, robots o dispositivos móviles— puedan ser utilizadas en predios para monitorear sanidad vegetal de forma automatizada.
El uso conjunto de tecnología hiperespectral + inteligencia artificial permitiría anticiparse al daño, tomar decisiones de control más tempranas, reducir aplicaciones químicas y proteger la productividad de los cultivos.
Esto es especialmente relevante para el manejo de plagas como Tetranychus urticae, cuya resistencia a acaricidas obliga a mejorar la precisión en el monitoreo y tomar decisiones basadas en evidencia.
China lidera, pero el potencial es global
Aunque este estudio fue realizado en Asia, su aplicabilidad es universal. La variedad ‘Akihime’ utilizada tiene fisiología comparable a otras variedades cultivadas en Latinoamérica, y el modelo de respuesta espectral podría adaptarse con calibraciones locales.
Desde Grupo Fragaria seguiremos monitoreando de cerca este tipo de avances que combinan agronomía, tecnología y ciencia de datos, con potencial de transformar profundamente el manejo fitosanitario de la frutilla.
