Resumen de Modelo de estimación para relacionar factores de suelo asociados con la presencia y ausencia de Fusarium oxysporum Schltdl en el cultivo de uchuva Physalis peruviana L

Ginna Natalia Cruz Castiblanco, Wilmer Pérez, Erika Martínez Lemus, Yuly Paola Sandoval Cáceres, Wilmar Alexander Wilches Ortiz, Alba Villa Triana

• español

  El patógeno Fusarium oxysporum es la mayor limitante en la producción del cultivo de uchuva Physalis peruviana, a causa de la inexperiencia de los productores para identificarlo y manejarlo. En ese sentido el objetivo de esta investigación fue identificar la relación entre las características químicas del suelo, con la presencia y ausencia de Fusarium oxysporum. La recolección de muestras de suelo fue de 100 unidades productoras uchuva. Este proceso fue realizado en parcelas con plantas sanas y plantas afectadas por el patógeno Fusarium oxysporum Schltdl. Se empleó los análisis descriptivos, correlaciones de Pearson, componentes principales (APC) y modelos Machine Learning para analizar la información asociada a los elementos químicos del suelo, de fincas productoras de uchuva. El modelo Decision Tree Classifier mostró el mejor rendimiento predictivo con métricas de Accuracy de 0.58, Recall de 0.57, y el F1 Score de 0.51, permitiendo establecer que la presencia de F. oxysporum está asociada a elementos como: Ca, K, Capacidad de intercambio catiónico efectiva (CICE), pH y % Arena. Los hallazgos en esta investigación son de utilidad para perfilar modelos predictivos y que se podrían incluir en los planes de manejo de esta enfermedad.

• English

  The pathogen Fusarium oxysporum is the major limiting factor in the production of the cape gooseberry crop Physalis peruviana, due to the inexperience of growers to identify and manage it. The objective of this research was to identify the relationship between the chemical characteristics of the soil and the presence and absence of Fusarium oxysporum. Soil samples were collected from 100 cape gooseberry production units. This process was carried out in plots with healthy plants and plants affected by the pathogen Fusarium oxysporum Schltdl. Descriptive analysis, Pearson correlations, principal components (PCA) and Machine Learning models were used to analyze the information associated with the chemical elements of the soil of cape gooseberry farms. The Decision Tree Classifier model showed the best predictive performance with Accuracy metrics of 0.58, Recall of 0.57, and F1 Score of 0.51, allowing to establish that the presence of F. oxysporum is associated with elements such as: Ca, K, Effective Cation Exchange Capacity (ETC), pH and % Sand. Finally, the development of this work is intended to outline predictive models as a tool that can be included in management plans for this disease.