Diagnóstico e idoneidad ambiental de enfermedades tropicales del banano en Venezuela mediante Machine Learning

• Barlin Orlando Olivares ^[1] ; José A. Gómez Calero ^[1] ; Blanca B. Landa del Castillo ^[1]
  1. [1] Universidad de Córdoba

     Universidad de Córdoba

     Cordoba, España

     
• Localización: Nuevos desafíos, nuevas oportunidades: IX Congreso Científico de Investigadores en Formación de la Universidad de Córdoba. Córdoba, 3 al 6 de mayo, 2021, ISBN 978-84-9927-640-3, págs. 219-223
• Idioma: español
• Texto completo no disponible (Saber más ...)
• Resumen
  • español

    El objetivo de este estudio fue aplicar diferentes algoritmos de Machine Learning (ML) en dos aspectos diferentes, en primer lugar, en el diagnóstico de la marchitez del banano y, en segundo lugar, en la idoneidad ambiental de la marchitez causada por Fusarium oxysporum f. sp. cubense (Foc, Raza 4 Tropical) mediante el modelo de máxima entropía en Venezuela. Los resultados en el primer ámbito indican que Random Forest (RF) puede ser un algoritmo eficaz para tomar decisiones en áreas bananeras afectadas por enfermedades como la marchitez del banano. RF permitiría analizar, interpretar y predecir escenarios futuros queayudarían a prevenir y reducir el efecto de enfermedades bananeras y su impacto en la producción. También, la modelación mostró la distribución de probabilidad para las localidades bananeras de Venezuela, siendo la mayoría de las áreas productoras de banano en Zulia, Trujillo, Miranda y Sucre altamente adecuadas parael establecimiento de la especie Foc R4T. En conclusión, el ML en la agricultura podría ofrecer un avance que garantizaría la toma de decisiones con el objetivo de alcanzar la sostenibilidad.

  • English

    The objective of this study was to apply different Machine Learning (ML) algorithms in two different aspects, firstly, in the diagnosis of banana wilt and, secondly, in the climatic suitability of wilt caused by Fusarium oxysporum f. sp. cubense (Foc, Race 4 Tropical) using the maximum entropy model in Venezuela. The results in the first area indicate that Random Forest (RF) can be an effective algorithm to make decisions in banana areas affected by diseases such as banana wilt. RF would allow to analyze, interpret and predict future scenarios that would help prevent and reduce the effect of banana diseases and their impact on production. Also, the modeling showed the probability distribution for the banana localities of Venezuela, with most of the banana producing areas in Zulia, Trujillo, Miranda and Sucre highly suitable for the establishment of the Foc R4T species. In conclusion, ML in agriculture could offer a breakthrough that would ensure decision-making in order to achieve sustainability.