Clasificación de zonas afectadas por la marchitez en banano: una aplicación con algoritmos de Machine Learning en Venezuela

Barlin Orlando Olivares; Angélica Rueda Calderón; Juan Carlos Rey

Enviado octubre 8, 2021

Publicado 2021-01-28

Artículos

Vol. 1 Núm. 1 (2021): REICIT

Clasificación de zonas afectadas por la marchitez en banano: una aplicación con algoritmos de Machine Learning en Venezuela

Barlin Orlando Olivares⁺⁻
Angélica Rueda Calderón⁺⁻
Juan Carlos Rey⁺⁻

PDF

Citación:

DOI: ND

Publicado: 2021-01-28

Cómo citar

Olivares, B. O., Rueda Calderón, A. y Rey, J. C. (2021) «Clasificación de zonas afectadas por la marchitez en banano: una aplicación con algoritmos de Machine Learning en Venezuela», REICIT, 1(1), pp. 1–17. Disponible en: https://revistas.up.ac.pa/index.php/REICIT/article/view/2440 (Accedido: 24 abril 2024).

Aviso de derechos de autor/a

Resumen

Los sistemas de producción agrícola cuentan con millones de datos que la Inteligencia Artificial (IA) puede transformar en información para favorecer la exactitud en la toma de decisiones del productor y, así, maximizar la producción de forma sostenible. El objetivo de este trabajo es clasificar zonas afectadas por la marchitez en banano de Venezuela mediante algoritmos de Machine Learning tales como: Random Forest (RF), máquinas de soporte vectorial (Support Vector Machines, SVM), árboles de clasificación (CART), el algoritmo de árboles de decisión (C5.0) y análisis discriminante lineal (ADL), así mismo se aplicaron diferentes técnicas de re-muestreo: submuestreo, sobremuestreo, sobremuestreo aleatorio (ROSE) y técnica de sobremuestreo de minorías sintéticas (SMOTE). Para ello, se realizó un muestreo de suelo sistemático en los 39 lotes de bananos y se evaluó la incidencia durante los años 2016 y 2017. Los resultados indican que RF mediante la técnica de submuestreo puede ser un algoritmo eficaz para tomar decisiones en áreas bananeras afectadas por enfermedades como la marchitez del banano. Los estadísticos de sensibilidad, especificidad, exactitud y coeficiente de Kappa fueron de 1.0, 0.94, 0.96 y 0.91 respectivamente, sin técnica de remuestreo. RF ayudaría a prevenir y reducir el efecto de enfermedades bananeras y su impacto en la producción. En conclusión, el Machine Learning en la agricultura podría ofrecer un avance que garantizaría la toma de decisiones con el objetivo de alcanzar la sostenibilidad.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Akter H., Hassan, Md Kamrul, Rabbani, Md, Al Mahmud, Abdullah. (2013). Effects of variety and postharvest treatments on shelf life and quality of banana. Journal of Environmental Science and Natural Resources, 6(2): 163 -175 doi:10.3329/jesnr. v6i2.22113.
Aruraj, A., Alex, A., Subathra, M. S. P., Sairamya, N. J., George, S. T., Ewards, S. V. (2019, March). Detection and Classification of Diseases of Banana Plant Using Local Binary Pattern and Support Vector Machine. In 2019 2nd International Conference on Signal Processing and Communication (ICSPC) (pp. 231-235). IEEE. doi: 10.1109 / ICSPC46172.2019.8976582
Bauckhage, C. (2019). Lecture Notes on Machine Learning: Binary Linear Classifiers. B-IT, Germany, University of Bonn.
Bosman, M. (2016). Role of the environment on the incidence of Panama disease in bananas. MSc thesis - Soil Geography and Landscape Master Earth and Environment (MEE). Wageningen University. Netherlands
Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5-32. doi:10.1023/a:1010933404324
Charrad, M., N. Ghazzali, V. Boiteau, and A. Niknafs. (2014). NbClust: An R package for determining the relevant number of clusters in a data set.” Journal of Statistical Software, 61 (6): 1–36. doi:10.18637/jss.v061.i06.
Cortes, C., & Vapnik, V. (1995). Support-vector networks. Machine Learning, 20(3), 273-297. doi:10.1007/BF00994018
Dalton, L., V. Ballarin, and M. Brun. (2009). Clustering algorithms: on learning, validation, performance, and applications to genomics. Current Genomics, 10 (6): 430–445. doi:10.2174/138920209789177601.
Deltour, P., Franca, S. C., Pereira, O. L., Cardoso, I., De Neve, S., Debode, J., and Hofte, M. (2017). Disease suppressiveness to Fusarium wilt of banana in an agroforestry system: Influence of soil characteristics and plant community. Agriculture Ecosystems & Environment, 239, 173-181. doi:10.1016/j.agee.2017.01.018
Dita, M., Barquero, M., Heck, D., Mizubuti, ESG. and Staver, CP. (2018). Fusarium wilt of banana: current knowledge on epidemiology and research needs toward sustainable disease management. Front. Plant Sci. 9 (1468), 1-21. doi: 10.3389/fpls.2018.01468
Domínguez, J., Negrin, M. A., and Rodríguez, C. M. (2001). Aggregate water-stability, particle-size and soil solution properties in conducive and suppressive soils to Fusarium wilt of banana from Canary Islands (Spain). Soil Biology & Biochemistry, 33(4-5), 449-455. doi:10.1016/s0038-0717(00)00184-x
FAO (2019) Banana Market Review and Banana Statistics 2018. Rome. http://www.fao.org/economic/est/est-commodities/bananas/en/Accessed jan122020
Feuerman, M., & Miller, A. R. (2008). Relationships between statistical measures of agreement: sensitivity, specificity and kappa. J Eval Clin Pract, 14(5), 930-933. doi:10.1111/j.1365-2753.2008.00984.x
Gee, G.W and D. Or. (2002). Particle-size analysis. En: J.H. Dane ans G.C. Topp (Ed.) Methods of Soil Analysis. Part 4. SSSA Book series Nº 5, SSSA, Madison, WI. p 255-293.
Gómez Selvaraj, M., Vergara, A., Montenegro, F., Alonso Ruiz, H., Safari, N., Raymaekers, D., Ocimati, W., Ntamwira, J., Tits, L., Omondi, A. B., & Blomme, G. (2020). Detection of banana plants and their major diseases through aerial images and machine learning methods: A case study in DR Congo and Republic of Benin. ISPRS Journal of Photogrammetry and Remote Sensing, 169, 110-124. doi:10.1016/j.isprsjprs.2020.08.025
González, S. (2003). Etiología y Epidemiología del “Falso Mal de Panamá” de La Platanera en Canarias. Tesis Doctoral. Instituto Canario de Investigaciones Agrarias. Tenerife, España. 286p.
Guo H., Li Y., Shang J., Mingyun G., Yuanyue H., Bing G. (2017). Learning from class-imbalanced data: Review of methods and applications. Expert Systems with Applications, 73: 220-239. doi:10.1016/j.eswa.2016.12.035.
Heanes D.L. (1984) Determination of total organic-C in soils by an improved chromic acid digestion and spectrophotometric procedure. Communications in Soil Science and Plant Analysis, 15, 1191-1213.
Kassambara, A. (2017). Practical Guide to Cluster Analysis in R: Unsupervised Machine Learning. STHDA. www.sthda.com
Kuhn M, Weston S, Culp M, Coulter N, Quinlan R. (2018). Paquete «C50». https://cran.r-project.org/web/packages/C50/C50.pdf
Lahav, E. & Israeli, Y. (2000). Mineral deficiencies of Banana. In Diseases of banana, Abacá and enset. (Ed. D. Jones). CABI Publishing: Wallingford, Oxon, UK. pp. 339-350.
Lei, Y. (2017). 3 - Individual intelligent method-based fault diagnosis. In Y. Lei (Ed.), Intelligent Fault Diagnosis and Remaining Useful Life Prediction of Rotating Machinery (pp. 67-174). Butterworth-Heinemann. doi:10.1016/B978-0-12-811534-3.00003-2
Li, Z., Deng, Z., Chen, S., Yang, H., Zheng, Y., Dai, L., Zhang, F., Wang, S., Hu, S. (2018). Contrasting physical and biochemical properties of orchard soils suppressive and conducive to Fusarium wilt of banana. Soil Use and Management, 34(1), 154-162. doi:10.1111/sum.12390
Lozano P., Z., Bravo C., Ovalles F., Hernández R.M., Moreno B., Piñango, L., Villanueva, J.G. (2004). Selección de un diseño de muestreo en parcelas experimentales a partir del estudio de la variabilidad espacial de los suelos. Bioagro, 16(1),61-72. https://n9.cl/nhvf
Lunardon, N.; Menardi, G.; Torelli, N. (2014). ROSE: A package for binary imbalanced learning. The R Journal, 6(1), 82-92.
Ma L., Fu T., Blaschke T., Li M., Tiede D., Zhou Z., et al. (2017). Evaluation of feature selection methods for object-based land cover mapping of unmanned aerial vehicle imagery using random forest and support vector machine classifiers. ISPRS Int. J. Geo-Inf, 6(2), 51. doi: 10.3390/ijgi6020051
Martínez, G. E., Rey-Brina, J.C., D. Rodríguez, Jiménez, C., Rodríguez, Y., Rumbos, R., R. Pargas-Pichardo, Martínez, E. (2020) Análisis de la situación fitopatológica actual de las musáceos comestibles en Venezuela. Agro. Trop. 70 1-20.
Martínez, G.; J. C. Rey; L. Castro; E. Micale; O. López; R. Pargas; y E. Manzanilla. (2016). Marchitez en banano Cavendish en la Región Central de Venezuela, asociado a un complejo hongo – bacteria. Reunión ACORBAT, 2016. Miami USA. Memorias.
Mehlich A. (1984). Mehlich 3 soil test extractant: a modification of Mehlich 2 extractant. Comm Soil Sci Plant Anal, 15:1409-1416
Olivares B.O. (2018). Tropical rainfall conditions in rainfed agriculture in Carabobo, Venezuela. Lgr Lif Sci J. 27:86-102. doi:10.17163/lgr.n27.2018.07
Olivares, B., Araya-Alman, M., Acevedo-Opazo, C. et al. (2020). Relationship Between Soil Properties and Banana Productivity in the Two Main Cultivation Areas in Venezuela. J Soil Sci Plant Nutr. 20 (3): 2512-2524. doi:10.1007/s42729-020-00317-8
Ostengo S, Rueda Calderón M. A, Bruno C, Cuenya M.I, Balzarini M. (2020) Selecting sugarcane genotypes (Saccharum spp.) according to sucrose accumulation, Journal of Crop Improvement, 34:2, 190-205. doi:10.1080/15427528.2019.1683783
Pérez-Vicente, L. and Porras, Á. (2015). Impacto potencial del cambio climático sobre las plagas de bananos y plátanos en Cuba. Fitosanidad, 19 (3), 201-211.
Quinlan, J. R. (2014). C4. 5: programs for machine learning. Amsterdam, Netherlands: Elsevier.
Quinlan, J.R. (2007). Decision Trees as Probabilistic Classifiers. In: Proceedings of the Fourth International Workshop on Machine Learning. Massachusetts, United States: Morgan Kaufmann Publishers, Inc.
Rey J.C., Chacín M., Sapuky M., Núñez M., Martínez G., Rodríguez G., Espinoza J., Arturo M., Pocasangre L., Delgado E., Rosales F. (2006). Aptitud de las tierras para banano en suelos de Venezuela y su relación con la productividad. XVII Reunión Internacional ACORBAT: Banano un negocio sustentable. Joinville. Santa Catarina, Brasil. Nov 15-20. p. 362.
Rey J.C., Martínez G., Lobo D., Trejos J., Pocasangre L., Rosales F. (2009). Aspectos sobre calidad y salud de suelos bananeros en Venezuela. Producción Agropecuaria, 2: 52-55
Rey, J. C.; G. Martínez; N. Pizzo; E. Micale; N. Fernández. (2016). Áreas susceptibles a la enfermedad falso mal de Panamá en banano Cavendish, en la Región Central de Venezuela. Reunión ACORBAT, 2016. Miami USA. Memorias.
Segura, R. A., Serrano, E., Pocasangre, L., Acuna, O., Bertsch, F., Stoorvogel, J. J., Sandoval, J. A. (2015a). Chemical and microbiological interactions between soils and roots in commercial banana plantations (Musa AAA, cv. Cavendish). Scientia Horticulturae, 197, 66-71. doi: 10.1016/j.scienta.2015.10.028
Sekula, M., S. Datta, S. Datta. (2017). OptCluster: An R package for determining the optimal clustering algorithm. Bioinformation, 13 (3): 101–103. doi:10.6026/bioinformation.
Soil Survey Staff. (2014). Kellogg Soil Survey Laboratory Methods Manual. Soil Survey Investigations Report No. 42, Version 5.0. R. Burt and Soil Survey Staff (ed.). U.S. Department of Agriculture, Natural Resources Conservation Service.
Vapnik. V. N. (1995). The nature of statistical learning theory. Berlin, Heidelberg: Springer-Verlag.
Xanthopoulos, P., Pardalos, P. M., Trafalis, T. B. (2013). Linear discriminant analysis. In: Robust data mining (pp. 27-33). Springer, New York, NY. doi:10.1007/978-1-4419-9878-1_4
Ye H. C., Huang W. J., Huang S. Y., Cui B., Dong Y. Y., Guo A. T., Ren Y., Jin Y. (2020). Identification of banana fusarium wilt using supervised classification algorithms with UAV-based multi-spectral imagery. Int J Agric & Biol Eng, 13(3): 136–142. DOI: 10.25165/j.ijabe.20201303.5524