Ir al menú de navegación principal Ir al contenido principal Ir al pie de página del sitio
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


Imagen de portada

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: 7 noviembre 2024).

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.