El frijol Ayocote (Phaseolus coccineus) tiene un alto potencial productivo en diversas regiones de México debido a su tolerancia a fitopatógenos, adaptabilidad ambiental y beneficios nutrimentales (Ávila-Alistac et al., 2023). No obstante, investigación científica sobre aspectos epidemiológicos y productivos es insipiente, incluyendo metodologías para cuantificación de enfermedades que permitan generar estrategias de manejo para el cultivo (Armenta-Cárdenas et al., 2024). La parametrización del subsistema daño o patometría mediante escalas de evaluación de severidad para diversos patosistemas ha sido el recurso más utilizado, enfatizando el enfoque etiológico más que la visión epidemiológica integral para manejo del cultivo (Del Ponte et al., 2017; Mora-Aguilera et al., 2021). En las últimas dos décadas (2007-2019) las tendencias de publicaciones sobre el diseño e implementación de las escalas de severidad sugieren: 1) su implementación en campo se ha incrementado considerablemente, 2) los principios Horsfall & Barrat y la ley WeberFechner se están sustituyendo por modelos lineales o aritméticos, 3) cuestionan el uso de la ley del estímulo visual de Weber-Fechner, 4) se siguen empleando como herramientas enfocadas estrictamente para medición del subsistema daño, 5) no existe un consenso metodológico para la determinación de intervalos de severidad y número de clases óptima (Del Ponte et al., 2022; 2017; Franceschi et al., 2020; Godoy et al., 1996). En estos nuevos enfoques, los principios biológicos-epidemiológicos se comprometen o se omiten por cubrir parámetros estadísticos, p.e., el coeficiente de determinación (R2) que justifiquen su implementación. Una revisión de 105 artículos científicos publicados de 1991 - 2017 sobre diseño de Escalas Logarítmicas Diagramáticas (ELD) analizó diversos enfoques para generar escalas y ajustar parámetros de confiabilidad (Del Ponte et al., 2017). En este metaanálisis, solo cinco de 127 ELDs en tres publicaciones fueron diseñadas para Phaseolus sp., específicamente en Colletotrichum lindemuthianum, Uromyces appendiculatus, Phaeoisariopsis griseola, Pseudocercospora griseola y Xanthomonas campestris pv. phaseoli (Librelon et al., 2015; Godoy et al., 1997). Excepto en Phaeoisariopsis griseola, los intervalos de severidad entre 0.1 - 60 % se dividieron en 6 - 9 clases basados en la ley del estímulo visual de Weber-Fechner. Adicionalmente, el diseño diagramático (i.e., imagen del tejido de interés) se basó en foliolos dibujados en blanco-negro debido a las restricciones tecnológicas digitales (Del Ponte et al., 2017; Godoy et al., 1997). El trabajo más reciente empleando ELD se realizó para el tizón foliar causado por Alternaria alternata en genotipos de Phaseolus vulgaris (Gonzalez-Cruces et al., 2022). Sin embargo, ninguna para cenicilla polvosa reportada por primera vez en P. coccineus del Altiplano central en México (Armenta-Cárdenas et al., 2024). Por lo tanto, este estudio se diseñó con enfoque epidemiológico, para la implementación de ELD en modelos de manejo preventivo de enfermedades en P. coccineus, lo cual implicó priorizar las primeras clases de daño asociadas al proceso patogénicos de Erisyphe vignae con fines de intervención oportuna (Gonzalez-Cruces et al., 2022; Mora-Aguilera et al., 2021; Librelon et al., 2015). En el campo experimental de Colegio de Postgraduados, Campus Montecillo, Estado de México, se seleccionó como área de estudio un lote de P. coccineus de 3,100 m2 establecido para producción de semilla con fines de mejoramiento genético con alta incidencia de cenicilla polvosa. El objetivo fue desarrollar y validar metodologías digitales para la cuantificación de severidad mediante escala logarítmica-diagramática e imágenes de dron, para establecer mecanismos preventivos potencialmente articulados a programas oficiales producción y manejo.

Unidad experimental. En julio 2022, ciclo verano-otoño, se identificó una parcela experimental (50 x 62 m) de frijol Ayocote en etapa de floración con 65.3 % de incidencia y 22.7 % de severidad promedio foliar de cenicilla polvosa (Armenta-Cárdenas et al., 2022). Debido a la densidad irregular y heterogeneidad en cobertura, al centroide se tomó una imagen de 13mpx mediante un vuelo vertical de 50 m con dron Phantom 3 DJI® para planificar la metodología de cuantificación de vigor y severidad. Se usó de referencia la cuadrantización empleada por Armenta-Cárdenas et al. (2022) con 80-cuadrantes y 720-subcuadrantes; y datos de severidad y vigor de planta se usaron para validar las estimaciones de este trabajo.

Diseño de escala logarítmica-diagramática de severidad para cenicilla. Se colectó, fotografió y digitalizó un total de 250 foliolos apicales del estrato medio de plantas de Phaseolus coccineus garantizando representatividad en la totalidad de la parcela. Las fotografías fueron tomadas con dispositivos digitales móviles. Un total de 50 imágenes fueron desechadas por baja resolución o mala discriminación de daño. El criterio de colecta fue dirigido al rango de severidad representativo del progreso de enfermedad desde Yo (sano) hasta Ymax (daño máximo). Las imágenes digitalizadas se procesaron en GIMP v2.10.32 para eliminación de fondo y cuantificación del área total (AT), dañada (AD) o signos del hongo asociado a cenicilla. El porcentaje de severidad (sev %) por foliolo se obtuvo aplicando la fórmula: sev% = 100 * [AD / AT]. Para diseño de una escala logarítmica-diagramática (ELD) basadas en severidad, el punto medio de clase (PMC), límite inferior (Li) y superior (Ls) se obtuvieron ingresando el número de clases y daño máximo deseado en 2Log-Epidem v.2.0 por el método Hosfall y Barrat modificado (1945) (MoraAguilera y Acevedo-Sánchez, 2022. CP-LANREF. No publicado). Se diseñaron dos escalas de 7 (ELD-7) y 8 (ELD-8) clases con fines de validación. El número de clases seleccionado consideró su potencial uso en estudios de evaluación de daño, mejoramiento genético o pruebas de efectividad biológica.

Validación de escalas de severidad en entorno controlado. Se realizaron dos validaciones en un entorno controlado (VEC) de ELD-7 y ELD-8. En la primera, se validó la versión 1 de cada escala, y en la segunda una versión con correcciones y actualizaciones, p.e., cambio de imagen fotográfica. En total se validaron cuatro escalas para ELD-7 y cuatro para ELD-8. Del acervo total con 200 imágenes de foliolos digitalizados, se seleccionaron al azar 30 con diferentes grados de severidad. Se colocaron en tamaño uniforme al centro de una diapositiva de PowerPoint® 2016. Con Microsoft® Visual Basic® 2016 se programó el archivo con un macro de aleatorización con 30 s de exposición visual por foliolo. Transcurrido los 30 s se mostró automáticamente el valor real de severidad (R-sev) bajo la imagen respectiva. El registro de mediciones estimadas por imagen, con apoyo de la escala impresa a color por evaluador, se realizó en Validar-PER v1.5 (CP-LANREF, 2022. No publicado). En este programa fue diseñado en MS Excel® para determinar la exactitud (β, pendiente) y precisión (R2, coeficiente de determinación) asociados a un modelo de regresión lineal (y = βo + βx + e) entre R-sev y severidad estimada (Nutter y Schultz 1995). En Validar-PER cada evaluador registró número de Clase (#Clase) y PMC de la escala correspondiente. En aula se proyectó el archivo a nueve evaluadores para la asignación de clase severidad (C-sev) por foliolo. ELD-7 y ELD-8 se emplearon en eventos independientes. Cada evaluador registró en Validar-PER v1.5 valores de C-sev y R-sev de 30 foliolos. Al finalizar cada evaluación, se generaron automáticamente coeficientes de β y R2 asociados a una escala propuesta de exactitud para medir sesgo del valor real respecto al observado (β < 0.96, subestimado; β = 0.96 a 1.05, perfecta; y β > 1.06, sobreestimado), y precisión para el sesgo en el conjunto de valores reales respecto a observados en la evaluación total (R2< 0.69, no aceptable; R2 = 0.7 a 0.8, baja; R2 = 0.81 a 0.9, media; R2 = 0.91 a 0.95, alta; R2 > 0.96, muy alta). La reproducibilidad fue el indicador de la consistencia de cada ELD entre evaluadores (Nutter y Schultz 1995), y se estimó en RStudio® 2023.06.2 mediante: 1) coeficiente de correlación de Pearson (r) de una matriz con valores de C-sev; 2) índice de Kappa ponderado (κw); y 3) Coeficiente de Concordancia de Lin (LCC), para determinar el grado de acuerdo: no concordancia (< 0), insignificante (0.0 - 0.2), bajo (0.2 - 0.4), moderado (0.4 - 0.6), bueno (0.6 - 0.8) y muy bueno (0.8 - 1.0).

Validación de escalas de severidad en campo. La ELD-7 y ELD-8 con mejor calificación en r, β y R2, se seleccionaron para validación en campo (VCa). Se seleccionaron cuatro de los nueve evaluadores iniciales considerando contrastes de perfil fitopatológico y parámetros finales β y R2 de VEC. En campo, se seleccionaron aleatoriamente 240 foliolos (30 por escala y evaluador), para determinar C-sev mediante la escala impresa a color. Adicionalmente, se tomó foto de la hoja evaluada para digitalización y determinar R-sev con el método previamente descrito. Análogamente al proceso VEC, se usó Validar-PER v1.5 para la estimación de exactitud y precisión. Cada evaluador registró valores de C-sev y R-sev de 30 foliolos por escala. Se generaron los parámetros de β, R2, r, k y LCC por evaluador y escala con base al método descrito.

Análisis jerárquico de conglomerados para VEC y VCa. Se integró una matriz independiente para el proceso VEC y VCa para nueve y cuatro evaluadores respectivamente, incluyendo C-sev y R-sev de 30 foliolos. En Rstudio® 2023.06.2, por evento validatorio y escala de severidad se generaron mapas de calor mediante la función Heatmap para representar C-sev y reproducibilidad entre evaluadores mediante el coeficiente de correlación de Pearson (r). Los valores de r positivos iguales o próximos a 1 representaron alta reproducibilidad. Por cada heatmap y variable (evaluador y hoja) se generó un Hierarchical cluster analysis (HCA) agrupado por el método ‘complete’ y distancia ‘Euclidiana’ (d). Se asoció una colorimetría en gradiente de verde - amarillo - rojo para representar transición de sano a dañado mediante C-sev y r. Los valores C-sev y R-sev por proceso, escala y evaluador se graficaron usando la función ggplot ajustando una regresión lineal para determinar parámetros β, R2 y p-value mediante la función stat_poly_eq.

Estimación de vigor de cobertura y severidad mediante imágenes de dron. Se seleccionó un bloque de nueve cuadrantes (Columna 8:10, Fila 1:3) por criterio de máxima inductividad de cenicilla mediante exploración visual. En el centroide del bloque, se capturaron 10 imágenes RGB (13 mpx) con el dron Phantom 3 DJI® a una altura de 27 m. Una imagen testigo por cuadrante a 5 m se capturó para mayor resolución de síntomas. En ArcMap® v10.3, se realizó un análisis de ‘segmentación de imagen’ en dos etapas mediante clasificación supervisada y máxima probabilidad: 1) Entrenamiento en una imagen-muestra con resolución a 5 m, para diseño de una ‘firma RGB’ con capacidad de discriminación entre categorías de clasificación i.e., severidad cenicilla (sev), suelo (s), tejido foliar (t) y floración (f); y 2) Segmentación de imagen extrapolando la ‘firma RGB’ del entrenamiento a la imagen de resolución 27 m correspondiente al bloque completo. Se obtuvo la superficie por categoría de clasificación y la superficie total del bloque (ST = sev + s + t + f). La estimación de severidad cenicilla del bloque se calculó como: sevb = 100 * (sev / ST); y el vigor de cobertura como vcb = 100 * ([ sev + t + f ] / ST). Severidad y cobertura de vigor se compararon contra datos de campo por cuadrantes evaluados por Armenta-Cárdenas et al. (2024).

Diseño de escalas logarítmica-diagramáticas de severidad (ELD). Se generaron ocho escalas, dos de 7-clases y dos 8-clases con dos repeticiones por escala. El rango de clases usado fue similar a otros estudios con objetivos análogos (5 - 12, Mo = 6; Del Ponte et al., 2017). La imagen representativa por clase se seleccionó con base en Li y Ls obtenido en 2Log-Epidem v.2.0. Las ELDs de 7 y 8 clases se integraron con la imagen-clase asociada al Li, PMC y Ls (Figura 1). Se obtuvieron 0, 0.5, 2.1, 6.2, 16.6, 41.7 y 100 % como valores de PMC para ELD-7c (Figura 1A); y 0, 0.2, 0.9, 2.7, 7.1, 17.8, 42.9 y 100 % para ELD-8c (Figura 1B).

Primera validación de ocho escalas en entorno controlado (VEC-1). La evaluación en ELD-7c tuvo coeficientes β, R2 y r en rango de 0.99 - 1.02, 0.80 - 0.94 y 0.81 - 0.87, respectivamente, reportados como aceptables-óptimos en estudios de diseño y validación de escalas (Ortega-Acosta et al., 2016; Librelon et al., 2015; Godoy et al., 1996; Nutter Jr. y Schultz, 1995). La escala v1r2 fue la mejor evaluada con β = 1.07 (sobreestimado en 7 %), R2 = 0.93 (alta) y r = 0.87 (moderada). Aunque v2r1 tuvo coeficientes similares, obtuvo la reproducibilidad más baja con 0.81 (Cuadro 1). Para la ELD-8c, los coeficientes fueron notablemente menores β =0.81 - 0.97, R2 = 0.80 - 0.85 y r = 0.79 - 0.94 (Cuadro 1). La escala mejor evaluada fue v1r1 con β = 0.97 (perfecta), R2 = 0.85 (media) y r = 0.87 (moderada) (Cuadro

Figura 1

Cuadro 1

Clavez	Exactitud (β)	Categoría cualitativa de β	Precisión (R2)	Categoría cualitativa de R2	Reproducibilidad (r, Rango)
ELD 7 clases
v1r1	0.99	Perfecta	0.81	media	0.83 (0.60 – 0.98)
v1r2	1.07	Sobreestimado	0.93	alta	0.87 (0.67 – 0.99)
v2r1	1.08	Sobreestimado	0.94	alta	0.81 (0.61 – 0.98)
v2r2	1.02	Perfecta	0.80	baja	0.86 (0.72 – 0.94)
ELD 8 clases
v1r1	0.97	Perfecta	0.85	media	0.87 (0.77 – 0.97)
v1r2	0.81	Subestimado	0.84	media	0.94 (0.81 – 1.00)
v2r1	0.96	Perfecta	0.81	media	0.79 (0.62 – 0.99)
v2r2	0.87	Subestimado	0.80	baja	0.79 (0.62 – 0.99)

zLa clave se conformó a partir del número de la versión (v) y la repetición (r) de la escala. *En negritas se muestran las escalas seleccionadas por mejor calificación en los parámetros evaluados.

1). En general, se observó que mayor número de clases fue proporcional al error de evaluación, principalmente con tendencia a subestimar posiblemente debido a la dificultad para discriminar daños entre clases (Del Ponte et al., 2022: Perina et al., 2020). Sin embargo, otros factores que pueden influir en un entorno controlado son calidad de imagen, tiempo exposición o experiencia del evaluador (Librelon et al., 2015; Godoy et al., 1997). Las escalas v1r2 y v1r1 de siete y ocho clases, respectivamente, mejor evaluadas en esta fase se seleccionaron para una segunda validación, análisis y parametrización específica.

Segunda validación y análisis paramétrico de escalas (VEC-2). En ELD7c, el Hierarchical Cluster Analysis (HCA) conformó un clúster por evaluador 4 - 9 (p = 0.94) caracterizado por parámetros de exactitud perfecta (β > 0.96), precisión muy alta (R2 > 0.94), reproducibilidad muy alta (r = 0.97 - 0.99) y concordancia muy buena (κw > 0.96; LCC > 0.97) (Figura 2A1, A2, Figura 3A y Cuadro 2). Los evaluadores 1 - 3 conformaron clústeres independientes (p > 0.75), los cuales subestimaron 10 - 18 % severidad en clases 2 - 5 (β = 0.82 - 0.97), su precisión fue moderada (R2 = 0.82 - 0.89), y aunque la reproducibilidad fue alta (r = 0.92 - 0.94) la concordancia fue moderada - buena (κw = 0.9 - 0.95; LCC = 0.89 - 0.93) (Figura 2A1-A3, Figura 3A y Cuadro 2). En ELD-8c, se conformaron dos clústeres estadísticamente diferentes (p < 0.001) y los evaluadores 4 y 8 como casos independientes (p > 0.56). El clúster principal se conformó por 2, 3, 6 y 9 (p = 0.96), con exactitud perfecta (β > 0.96), precisión muy alta (R2 > 0.95), reproducibilidad alta muy alta

Figura 2

Figura 3

Cuadro

Etapax	Evaluador vs real	Aciertos vs real y	βo	βx	r	R2 z	LCC	κw
					ELD 7 Clases
	Eval1	0.63	-0.2	0.82	0.91	0.82	0.89	0.95
	Eval2	0.57	3.1	0.90	0.92	0.84	0.92	0.90
	Eval3	0.67	5.0	0.97	0.94	0.89	0.93	0.95
	Eval4	0.87	0.1	0.99	0.99	0.99	0.99	0.98
	Eval5	0.87	0.8	0.99	0.98	0.97	0.98	0.98
	Eval6	0.73	0.7	0.96	0.97	0.94	0.97	0.96
	Eval7	0.87	-0.1	0.99	0.99	0.99	0.99	0.98
	Eval8	0.90	1.0	0.99	0.98	0.97	0.98	0.99
	Eval9	0.83	0.8	0.96	0.99	0.99	0.99	0.96
	x	0.77	.	0.95	0.96	0.93	0.96	0.96
VEC	CI	0.69-0.85	.	0.91-0.99	0.94-0.98	0.89-0.98	0.94-0.98	0.94-0.98
					ELD 8 Clases
	Eval1	0.50	2.1	0.51	0.80	0.64	0.65	0.80
	Eval2	0.83	3.9	0.96	0.97	0.95	0.97	0.97
	Eval3	0.80	0.2	0.98	0.97	0.95	0.97	0.94
	Eval4	0.47	-1.9	0.92	0.93	0.87	0.93	0.93
	Eval5	0.63	5.2	0.68	0.84	0.70	0.81	0.92
	Eval6	0.80	-0.3	0.98	0.97	0.95	0.97	0.97
	Eval7	0.67	0.9	0.80	0.91	0.82	0.89	0.93
	Eval8	0.73	3.1	0.99	0.93	0.87	0.93	0.92
	Eval9	0.67	1.8	0.98	0.98	0.97	0.98	0.91
	x	0.68	.	0.87	0.92	0.86	0.90	0.92
	CI	0.59-0.76	.	0.76-0.98	0.88-0.96	0.78-0.94	0.83-0.97	0.89-0.95
					ELD 7 Clases
	Eval1	0.87	1.7	0.86	0.86	0.88	0.93	0.96
	Eval2	0.77	2.6	0.98	0.94	0.97	0.98	0.96
	Eval3	0.77	3.3	0.97	0.93	0.95	0.97	0.96
	Eval4	0.80	-1.2	0.99	0.95	0.98	0.99	0.97
VCa	x	0.80	.	0.95	0.92	0.95	0.97	0.96
	CI	0.77-0.83	.	0.91-0.99	0.96-0.98	0.91-0.97	0.95-0.98	0.96-0.97
					ELD 8 Clases
	Eval1	0.87	-1.2	0.99	0.99	0.98	0.98	0.98
	Eval2	0.87	1.3	0.98	0.99	0.98	0.98	0.98
	Eval3	0.90	0.5	0.99	0.99	0.99	1.0	0.99
	Eval4	0.87	-0.3	1.01	0.99	0.99	0.99	0.98
	x	0.88	.	0.99	0.99	0.99	0.99	0.98
	CI	0.86-0.88	.	0.98-1.0	0.99	0.98-0.99	0.98-0.99	0.98-0.99

X VEC = Validación en entorno controlado. VCa = Validación de campo. Y Proporción del número de aciertos entre total hojas evaluadas. Z Los ajustes del Coeficiente de determinación (R2) y correlaciones (r) tuvieron significancias p<0.001.

(r > 0.93) y concordancia alta - muy alta (κw = 0.80 - 0.97; LCC = 0.97 - 0.98) (Figura 2B1-B3, Figura 3B y Cuadro 2). Los evaluadores 1, 5 y 7 conformaron el segundo clúster (p = 0.56) subestimando 10 - 15 % la clase 4 (β = 0.68 - 0.80).

Particularmente el evaluador 1 fue el más inexacto (β = 0.51) con mediciones erráticas de subestimación y sobreestimación en clases 3 - 6. En reproducibilidad, este clúster fue media (r = 0.80 - 0.91) con concordancia moderada (κw = 0.80 -0.92; LCC = 0.65 - 0.86; Figura 2A2, Figura 3B y Cuadro 2). Los evaluadores 4 y 6 aunque tuvieron distancias cercanas al clúster principal, fueron estadísticamente diferentes (p = 0.78 y 0.56, respectivamente) asociado a una fuerte subestimación o sobreestimación de clase 4 - 5 (β = 0.92, 0.99) lo cual repercutió en una precisión media (R2 = 0.87) y concordancia moderada (κw = 0.93; LCC = 0.93; Figura 2B1, B2, Figura 3B y Cuadro 2). Comparativamente, ELD-7c fue 15 % más exacta, con subestimación en clases 4 - 6 y sobreestimación en clases 1 - 3 (β = 0.91 - 0.99; Cuadro 2). Por el contrario, en ELD-8c la subestimación en clases 1 - 7 fue más evidente (β = 0.76 - 0.98). La ELD-7c fue 9 % más precisa con métricas de alta a muy alta (R2 = 0.89 - 0.99 vs. R2 = 0.78 - 0.94; Cuadro 2). En general la precisión, exactitud y reproducibilidad fueron similares a trabajos análogos con uso de escalas (Ortega-Acosta et al., 2016; Martelli et al., 2017; Perina et al., 2019; da Silva et al., 2019; Franceschi et al., 2019; Arias et al., 2020). La segunda evaluación mejoró el sesgo de sobreestimación en escala de 7-clases y precisión en 8-clases (Cuadro 1 y 4). Adicionalmente, los clústeres mejor evaluados por escala tuvieron coeficientes similares (Cuadro 2), sugiriendo que el entrenamiento incrementa eficiencia independientemente del número de clases (Librelon et al. 2015; Telíz-Ortíz et al., 2003; Martelli et al., 2017).

El Coeficiente de Concordancia de Lin (LCC), con un incremento en su implementación durante la última década ya que integra precisión y exactitud en la conformación del estadístico (Del Ponte et al., 2017; 2022), mostró mejores parámetros para ELD-7c (LCC = 0.96, IC = 0.94 - 0.98; Cuadro 2) que en ELD-7c (LCC = 0.9, IC = 0.83 - 0.97; Cuadro 2). Como se ha reportado en estudios previos, el LCC no mostró diferencias explicativas con respecto a r y R2 los cuales tuvieron tendencias similares (Cuadro 2) (Perina et al., 2019). Una correlación de Pearson entre los tres parámetros mostró similitud de R2 > 0.98 entre β, R2 y LCC. La propuesta de incluir en este trabajo el índice Kappa de Cohen ponderado (κw), en complemento al LCC, para determinar grado de acuerdo con respecto al real, validó los resultados de coeficientes lineales y LCC, mostrando mejor concordancia para ELD-7c (κw =0.94 - 0.98) en donde 60 % de evaluadores tuvieron acuerdo muy bueno, en contraste a ELD-8c (κw = 0.89 - 0.95) con 50 % de evaluadores en moderado y 22 % en muy bajo (Cuadro 2). El índice κw en general tuvo correspondencia con β, R2 y LCC de r = 0.70, interesantemente fue mayor en ELD-8c (r = 0.86) asociada a una amplia distribución de los errores de evaluación en todas las clases de severidad (Figura 2-5 y Cuadro 2). Al comparar cada indicador con respecto a la proporción de aciertos reales, el κw fue mayor que LCC con r = 0.91 para ELD-7c y r = 0.68 en ELD-8c y similar con respecto a β y R2, por lo que puede considerarse como un indicador complementario a estadísticos lineales en ausencia de otros estadísticos como LCC (Arias et al., 2020; Del Ponte et al., 2017; Martelli et al., 2017; OrtegaAcosta et al., 2016; Librelon et al., 2015).

Validación en campo (VCa) de escalas ELD-7c y ELD-8c. A nivel de validación bajo condiciones de campo, la ELD-7c mantuvo su exactitud (β = 0.95, CI = 0.91 - 0.99), precisión (R2 = 0.95, CI = 0.92 - 0.97) y reproducibilidad (r = 0.92, 0.89 - 0.95) con respecto a la validación en entorno controlado (Figura 4-5 y Cuadro 2). El análisis paramétrico de esta escala mostró un clúster principal integrado por el real y evaluadores 2 - 4 (p = 0.93) con exactitud casi perfecta (β > 0.97) y precisión muy alta (R2 > 0.95) (Figura 4A2, Figura 5A y Cuadro 2). Respecto a la reproducibilidad en este clúster, tuvo valores muy altos (r = 0.95 - 0.97) sugiriendo un margen de error óptimo para condiciones de campo en Phaseolus coccineus (Gonzalez-Cruces et al., 2022; Librelon et al., 2015). El evaluador 1 formó un clado significativamente diferente (p > 0.93) con las evaluaciones más bajas de exactitud, precisión y reproducibilidad (β = 0.86, R2 = 0.88, r = 0.86) con tendencia a subestimar o sobreestimar las clases 5 - 6 (Figura 4A1-A2, Figura 5A y Cuadro 2). En términos de concordancia, el LCC (0.97, CI = 0.95 - 0.98) y κw (0.96, CI = 0.96 - 0.97) no mostraron diferencias con respecto a la evaluación en entorno controlado. Aunque aparentemente exactitud, precisión y concordancia mostraron tendencias análogas bajo condiciones de campo, en clases menores al 16.6 % de severidad, particularmente la clase 4 que en VEC fue subestimada, mejoró notoriamente su discriminación en campo (Figura 2A2 y 4A2). Este efecto, documentado por Del Ponte et al. (2022), donde el beneficio de uso de escalas es marginal y mayor en niveles de daño bajo, para un estudio con fines epidemiológicos es ideal para mejorar la precisión en la detección de fases tempranas de la enfermedad donde es posible intervenir un proceso epidémico con mayor efectividad (Gonzalez-Cruces et al., 2022; MoraAguilera et al., 2021).

Por el contrario, la escala ELD-8c tuvo mejores métricas con respecto al proceso VEC, e incluso que ELD-7c en campo. El análisis conformó un clúster principal con el real y evaluadores 3 - 4 (p = 0.99). Los evaluadores 1 - 2 conformaron clados independientes sin diferencias estadísticas (p > 0.85, Figura 4B2 y 5B). La exactitud mejoró considerablemente y fue casi perfecta (β = 0.98 - 1.01), con principales errores de subestimación en clases 4 - 6 (Figura 4B1, B2, 5B y Cuadro 2). La precisión incrementó notablemente a niveles 0.98 - 0.99 en los cuatro evaluadores, evidenciando una mejora significativa con 8-clases a nivel campo (Figura 4B2, 5B y Cuadro 2). La reproducibilidad de ELD-8c entre evaluadores tuvo la mejor

Figura 4

Figura 5

evaluación con respecto al real (r = 0.99), aún a pesar de la ligera sobreestimación en clases 2 - 4 (Figura 4B3, 8B, Cuadro 2). En estadísticos de concordancia, tanto LCC (0.99, CI = 0.98 - 0.999) como κw (0.98, CI = 0.99 - 0.999) tuvieron los niveles óptimos de acuerdo y mejoraron significativamente con respecto al proceso VEC (Cuadro 2). LCC mantuvo correspondencia con estadísticos lineales (Perina, et al., 2019). En general, la escala de ocho clases aplicada en campo mejoró en términos estadísticos hasta niveles óptimos deseados para una escala logarítmica-diagramática (ELD). Cualitativamente, permitió diferenciar daños iniciales atribuible a clases 1 - 4 con mayor precisión y criterio biológico que ELD-7c, lo cual posibilita el diseño de estrategias orientadas interrumpir cadenas de contagio previo al 7.1 % de severidad (Li = 5.3, Ls = 12.4; Figura 1), integrarla a Sistemas de Vigilancia para monitoreo de enfermedades, en programas de mejoramiento o control (Gonzalez-Cruces et al., 2022; Mora-Aguilera et al., 2021; Franceschi et al., 2019; Ortega-Acosta et al., 2016).

Análisis de imagen RGB (13mpx) tomada con Dron Phantom 3 DJI®. El análisis a 27 m en los 15 cuadrantes seleccionados de la parcela de estudio (Figura 6A1) permitió estimar 8.4 % (CI = 5.3 - 12.6 %) promedio de severidad de la cenicilla y 0.88 (CI = 0.76 - 0.99) de índice de cobertura de vigor (ICV), la cual fue contrastante con la evaluación de campo que obtuvo 47 % (CI = 38.8 - 55.3 %) de severidad y 0.46 (CI = 0.76 - 0.99) de ICV (Figura 6A2 y Cuadro 3). El análisis de imagen mostró relación inversa entre severidad y ICV (R2 = 0.68) sugiriendo que a mayor densidad de follaje menor intensidad de daño (Cuadro 3). Sin embargo, en comparación con severidad e índice de vigor de planta (ICP) evaluadas con AppMonitor v1.0, mostró una tendencia directamente proporcional, aunque no significativa (R2 = 0.2), debido a la variabilidad de severidad en la unidad experimental (Figura 6). El algoritmo de clasificación subestimó 46.4 - 63.7 % en cuadrantes con ICV > 0.94, asociado a ocurrencia de Erysiphe vignae principalmente en estrato bajo-medio del dosel, poco expuesto para la imagen aérea (Cuadro 3, Figura 6A1-A2).

Estos resultados sugieren que el algoritmo de clasificación de imágenes fue más ineficiente estimando severidad foliar, asociada a organismos fungosos con infección no-sistémicas (i.e., Erysiphe vignae) cuando el ICV fue bajo, evidenciando potencial sobreestimación del daño en cuadrantes con poca disponibilidad de tejido (Cuadro 3, Figura 6A2). No obstante, las evaluaciones de campo también mostraron sesgo importante de severidad con respecto al ICP (R2 = 0.19, Cuadro 3), asociado a la discusión previa sobre procesos de patogénesis exitosos en organismos con condiciones favorables de desarrollo en microclimas de follaje en asociación a menor exposición de luz solar para plantas de P. coccineus (Craig y Weyne, 2012; Hückelhoven y Panstruga, 2011), lo cual sugiere que el error de estimación se

Figura 6

Cuadro 3 x ID de Cuadrante (C) y Bloque (B). y Estimaciones de campo con App-Monitor v1.0 usando 5 clases (0-100 %) (ArmentaCárdenas et al., 2024). Sd = Desviación estándar, CI = Intervalo de Confianza (α = 0.05).

asocia a factores biológicos del patosistema más que a proceso de análisis digital. Se ha documentado que este tipo de análisis puede tener implicaciones favorables en otros organismos-enfermedades como virosis, marchiteces, tizones, etc.; o cálculo de índice e indicadores epidemiológicos en cultivos (Gonzalez-Cruces et al., 2022). En general, los resultados exploratorios de análisis de imágenes sugieren que estas metodologías tienen potencial epidemiológico importante; sin embargo, deben complementarse con evaluaciones de campo vinculadas con sistemas de muestreo (i.e., patrón de muestreo) diseñados ad hoc a criterios biológicos-epidemiológicos del patosistema y los cuales permitan tomar decisiones.

El proceso de validación en entorno controlado y en campo permitió generar escalas con estadísticos parámetros cuantitativos óptimos. En campo, las escalas logarítmicas-diagramáticas de siete y ocho clases seleccionadas y validadas tuvieron valores de exactitud, precisión y concordancia ideales para ser empleadas en la medición de severidad de cenicilla causada Erysiphe vignae en frijol Ayocote. No obstante, para fines epidemiológicos con fines de manejo en cultivo de mayor extensidad, es recomendable el uso de ocho clases ya que permitió mayor precisión sobre las fases iniciales del proceso de patogénesis de E. vignae. Respecto al uso de imágenes para estimación de daño, la subestimación de severidad calculada con imagen RGB-dron versus la evaluada en campo con App-Monitor sugiere la necesidad de establecer métodos complementarios digitales y terrestres debido a la ocurrencia de E. vignae en el dosel medio de la planta y sus hábitos de crecimiento que implican cobertura foliar heterogénea. Así mismo, se deben probar otras metodologías digitales en adición a imágenes vía dron. Se propone una metodología para desarrollo de ELD integrado por: toma, procesamiento y cuantificación de imágenes; validación en entorno controlado y campo. Para la validación de ELD se proponen métricas de precisión (R2); exactitud (β); reproducibilidad (coeficiente de Pearson y Hierarchical Cluster Analysis); y concordancia (Coeficiente de Lin e Índice de Kappa), por primera vez de manera integral. Se proponen imágenes RGB-dron para estimar un índice de cobertura de vigor y severidad integral.