Ir a canal FaceBook de CONAMA
Ir a canal Twitter de CONAMA
Ir a canal LinkedIn de CONAMA
Ir a canal YouTube de CONAMA
Ir a suscripción de boletín de Conama

Soluciones novedosas para una enfermedad en bananos: diagnóstico de la marchitez del banano con diferentes algoritmos

Autor: Barlin Orlando Olivares Campos
Estudiante de Doctorado
Universidad de Córdoba
Otros autores: Andrés Vega (CONICET); M. Angélica Rueda Calderón (CONICET); Juan Carlos Reyc, Miguel Araya-Almán (Universidad Católica del Maule), José A. Gómez (Instituto de Agricultura Sostenible) ; Blanca Landa (Instituto de Agricultura Sostenible); Juan Antonio Navas (Instituto de Agricultura Sostenible); Deyanira Lobo (Universidad Central de Venezuela)
Formato: Comunicación técnica escrita
Tipo: Científico Técnica
Temática: Desarrollo rural
ODS relacionados: Vida de ecosistemas terrestres
Documentos asociados: Doc. Escrito
Resumen:
La incidencia de la marchitez del banano ‘Cavendish’ se caracteriza por el marchitamiento progresivo, de rápida propagación, y acción violenta, afectando la superficie sembrada e incidiendo directamente en la producción de banano en la región central de Venezuela. El objetivo de este estudio fue diagnosticar la incidencia de marchitez del banano en una finca de Venezuela utilizando información de suelos mediante del desempeño de los algoritmos Random Forest (RF), máquinas de soporte vectorial (Support Vector Machines, SVM) y análisis discriminante lineal (ADL). Se realizó un muestreo sistemático en 39 lotes de una finca bananera, donde se determinó la granulometría (contenidos de arena, limo y arcilla), el contenido de nutrimentos (fósforo, potasio, calcio, sodio, magnesio, cobre, zinc, manganeso y hierro), pH, materia orgánica y conductividad eléctrica. También, se determinó la incidencia de la marchitez del banano durante el periodo 2016-2017. Se particionó el conjunto de datos de la siguiente forma: El 60% del conjunto de datos se utilizó para entrenar los modelos RF, ADL y SVM con Kernel lineal y radial, el 15% para testear y el 25% para validar los modelos. El área bajo la curva ROC (Característica Operativa del Receptor) se utilizó para evaluar el desempeño de los modelos ajustados, indicando que el valor mayor obtenido presenta el mejor ajuste. El área bajo la curva de RF, ADL, SVM con Kernel lineal y con Kernel radial fue de 0,93, 0,79, 0,76 y 0,86, respectivamente. La sensibilidad, especificidad y precisión para RF fue de 77.8%, 63.0% y 70.3%, respectivamente, siendo RF el algoritmo que se desempeñó mejor que el resto, obteniendo una mejor estimación de la incidencia de la marchitez en lotes de banano. De esta forma, se evidenció que el RF permitiría predecir la incidencia de marchitez en suelos lacustrinos de Venezuela con buena precisión y, aplicado adecuadamente, puede ser una herramienta eficaz para la toma de decisiones en campo. Además, la utilización de información de suelo en zonas bananeras de Venezuela permitió identificar lotes con alta y baja incidencia de la marchitez del banano a través de un algoritmo de aprendizaje automático como RF. Este estudio, permitiría evidenciar que identificando las características de suelo de una finca, se podría anticipar la predisposición al desarrollo de la enfermedad. Finalmente, la cuarentena de los sitios y desinfección de los implementos de manejo, entre otros, son medidas para controlar la marchitez del banano y evitar su propagación a áreas sanas de cultivo.







Este proyecto cuenta con la financiación del Ministerio para la Transición Ecológica y el Reto Demográfico a través de la convocatoria pública de subvenciones a entidades del Tercer Sector para actividades de interés general consideradas de interés social en materia de investigación