+33 680 38 14 46
Científicos colombianos desarrollan herramienta con IA para predecir aparición de plagas en aguacates
VU
La Universidad Nacional de Colombia (Unal) y Agrosavia desarrollaron una herramienta con inteligencia artificial para predecir zonas de riesgo más pequeñas en los lotes donde aparecen las plagas en los aguacates Hass, para llevar un control y monitoreo precisos y establecer programas de manejo.
El picudo y la polilla son las plagas que dañan cosechas enteras, cumpliendo su ciclo de vida dentro del fruto y devorándolo desde adentro.
Los productores requieren soluciones inmediatas ante dichas plagas que los retienen a nivel económico y productivo, limitando sus envíos a algunos destinos.
Según datos de la Agencia Unal, estos insectos afectan a más de 60% de los cultivos de Caldas, Antioquia, Cauca, Risaralda, Tolima, Quindío y Valle del Cauca.
Los investigadores aplicaron las técnicas de machine learning en parcelas de huertos de hass en Timbío y Sotará (región Cauca). Además, se llevaron a cabo estadística y análisis espaciales y de patrones y geoestadística.
Según explica la universidad en su artículo, machine learning es un método que hace parte de la inteligencia artificial, basado en aprendizaje automático alimentado por datos, para desarrollar el modelo y las predicciones finales.
La investigación fue realizada bajo la dirección del investigador (Ph. D.) Arturo Carabalí Muñoz, de Agrosavia, y el profesor John Josephraj Selvaraj de la facultad de ingeniería y administración (Unal, sede Palmira), con apoyo del ingeniero agrónomo Juan Camilo Zapata Calero, magíster en Ciencias Agrarias.
Zapata explicó que para clasificar la presencia o ausencia de daños se utilizaron redes neuronales artificiales que procesan datos “de una manera inspirada, como lo hace el cerebro humano” y son capaces de aprender patrones y de cumplir con tareas de predicción y clasificación.
Para realizar las predicciones, se tomaron diferentes fenológicas como fecha de siembra, temperatura, duración del día y suministro de humedad, entre otros. El investigador identificó quince variables climáticas para trabajar.
Para el proyecto se tomaron cuatro lotes de aguacate, se marcaron y se geoposicionaron los árboles. A partir del cambio climático que se realiza cada quince días, se detectaron árboles malos. Con esta información se analizan los datos y se usan los algoritmos de aprendizaje automático para identificar alteraciones.
El estudio mostró 80% de probabilidad de previsibilidad para el rasgo que se examina. A base de los datos obtenidos, se genera un modelo de aplicación, en el cual se almacenan los datos geográficos de la propiedad de la planta.
fuente:agronegocios.co
