Modelo de recomendación para alerta temprana del hongo Botritys Cinerea en el cultivo de Mora de Castilla sin espinas (Rubus Glaucus Benth) en el departamento de Risaralda
DOI:
https://doi.org/10.26507/paper.2627Palabras clave:
sistemas de recomendacion, agricultura de precisición, aprendizaje de máquina, botrytis cinerea, mora de castillaResumen
En la agricultura, el control de enfermedades se ha considerado como una tarea desafiante. Dentro de las especies que afectan el cultivo de Mora de Castilla se encuentra el hongo Botrytis cinerea, el cual puede generar pérdidas (entre el 50 y el 76 % del fruto cosechado). Generalmente, la opción empleada para combatirlo es a través de métodos químicos. Las tendencias actuales en la producción de alimentos están orientadas a obtener productos con menor carga de pesticidas, exigencias en conservación ambiental e inocuidad de los alimentos. Una ayuda para los agricultores es el desarrollo de herramientas que asistan en el proceso de toma de decisiones y en la predicción de enfermedades en el cultivo. Diversos modelos se han construido tendiendo como propósito describir el patosistema (patógeno/planta) que se estudia, donde cada uno presenta un enfoque distinto (empírico o analítico). No obstante, dichos modelos presentan sus pros y contras en términos de tiempo, esfuerzos e inversiones necesarias para su desarrollo, así como en términos de precisión y robustez. En tal panorama, los Sistemas de Recomendación (SR) son utilizados en la agricultura precisamente porque tienen como objetivo ayudar en la toma de decisiones donde al emplear algoritmos de aprendizaje de máquina permite hacer uso del historial de datos y realizar predicciones. Sin embargo, no se encontraron investigaciones publicadas que describan el patosistema Botrytis cinerea - Mora de Castilla en el campo de SR. Esto lleva a la pregunta de investigación: ¿Cómo predecir el surgimiento del hongo Botrytis cinerea en el cultivo de Mora de Castilla sin espinas (Rubus glaucus Benth) en Risaralda? En tal sentido, en la presente propuesta se propone un Modelo de Recomendación para Alerta Temprana del Hongo Botritys Cinerea en el Cultivo de Mora de Castilla sin Espinas (Rubus glaucus Benth) en el Departamento de Risaralda. La adquisición de datos se realizará en campo identificando las variables edáficas y climáticas relevantes en el cultivo de Mora de Castilla y que influyen en el brote de Botrytis cinerea. Posteriormente, se realiza la fase de procesamiento de datos, se utilizará un modelo de agrupamiento para encontrar similitudes (k-means) y se construye el modelo para el SR. Para la predicción del brote del hongo se utilizará la técnica de ensamble Bagging en los algoritmos Random Forest, KNN y Support Vector Machine. Las métricas de evaluación para el modelo serán Root Mean Square Error y Mean Absolute Error. Finalmente, se construye la alerta temprana, donde al existir un nivel igual o superior al 10 % se considera que existe afectación de B. Cinerea.
Descargas
Citas
Aggarwal, C. C. (2016), Recommender Systems: The Textbook, NY, USA.
Akulwar, P. (2020), A Recommended System for Crop Disease Detection and Yield Prediction Using Machine Learning Approach, ‘Recommender System with Machine Learning and Artificial Intelligence’, pp. 141 – 162.
Álvarez, G. E. G., Coronel, N. C. & Hurtado, N. C. (2021), ‘Physicochemical and antioxidant characterization of andean blackberry with and without prickles cultivated in Risaralda, Colombia’, Revista Brasileira de Fruticultura, Vol. 43.
Arango, G. A. A., Prada, A. M. C., Londoño, G. A. A., Acosta, C. R. B. & Narváez, Y. A. Z.
(2020), Tecnología para el cultivo de la mora (Rubus glaucus Benth)., No Marzo, Mosquera, Colombia.
Arias, S. M., Álvarez, G. E. G. & Patiño, P. A. G. (2020), ‘Diagrammatic scale for measuring severity of gray mould in thornless castilla blackberry (rubus glaucus benth)’, Ciencia Rural, Vol. 50.
Bhardwaj, A. (2020), ‘Silhouette Coefficient’. Consultado el 12 de enero de 2022 en https://towardsdatascience.com/silhouette-coefficient-validating-clustering-techniquese976bb81d10c
Broome, J. C., English, J. T., Marois, J. J., Latorre, B. A. & Aviles, J. C. (1995), ‘Development of an infection model for botrytis bunch rot of grapes based on wetness duration and temperature’. Pythopatology, Vol 85, No 8, pp. 97-102.
Calvo, C. (2014), Control de la podredumbre por Botrytis cinerea mediante la aplicación de Candida sake CPA-1 y otras estrategias alternativas a los fungicidas químicos en uva de vinificación, PhD thesis, Universitat de Lleida.
Cañadas, J., Sánchez-Molina, J. A., Rodríguez, F. & del Águila, I. M. (2017), ‘Improving automatic climate control with decision support techniques to minimize disease effects in greenhouse tomatoes’, Information Processing in Agriculture, Vol. 4, No. 1, pp. 50–63.
Cardona, W. A. (2019), Manual de nutrición del cultivo de mora de Castilla (Rubus glaucus Benth) bajo un esquema de buenas prácticas en fertilización integrada, Corporación Colombiana de Investigación Agropecuaria, Mosquera, Colombia.
Cardona, W. A. & Bolaños-Benavides, M. M. (2018), Estimation of reference values of foliar concentration of N, P, K y Ca, adjusted to andean blackberry crops (Rubus glaucus Benth) in Colombia, ‘Memories del 21st world congress of soil science’, Brazilian Soil Science Society (sbcs), Rio de Janeiro, Brasil.
Carisse, O. (2016), Epidemiology and Aerobiology of Botrytis spp, in ‘Botrytis – the Fungus, the Pathogen and its Management in Agricultural Systems’, pp. 127 – 148.
Echeverri, O. D. H., Cardona, A. S. & Diez, C. D. (2017), ‘Biological, botanical and chemical alternatives for the control of blackberry (Rubus glaucus benth.) diseases’, Revista Facultad Nacional de Agronomía Medellín, Vol. 70, No. 2, pp. 8169–8176.
Falk, K. (2019), Practical Recommender Systems, New York, USA.
Fereres, A. & Aranda, M. A. (2019), ‘Impacto del cambio climático sobre los virus de plantas y sus insectos vectores’, Fitopatología, Vol. 4, pp. 10 – 16.
Fillinger, S. & Elad, Y. (2015), Botrytis - The fungus, the pathogen and its management in agricultural systems, Springer, Thiverval-Grignon, France.
González Andújar, J. & Mondino, P. (2006), ‘SSD Manzano: un sistema de soporte a la decisión para la Protección Integrada del manzano en Uruguay’, Phytoma España: La revista profesional de sanidad vegetal, No. 181, pp. 54–59.
Gorakala, S. K. (2016), Building Recommendation Engines, Birmingham.
Jacqueline Konaté, Amadou G. Diarra, S. O. D. & Diallo, A. (2020), ‘Syragri: A recommender system for agriculture in mali’, MDPI.
Jannach, D., Zanker, M., Felfernig, A. & Friedrich, G. (2010), Recommender systems: an introduction, Cambridge University Press, NY, USA.
Kamatchi, S. B. & Parvathi, R. (2019), ‘Improvement of Crop Production Using Recommender System by Weather Forecasts’, Procedia Computer Science, Vol. 165, pp. 724–732.
Kumar, A., Sarkar, S. & Pradhan, C. (2019), ‘Recommendation system for crop identification and pest control technique in agriculture’, Proceedings of the 2019 IEEE International Conference on Communication and Signal Processing, ICCSP 2019, pp. 185–189.
Kyaw, M. M., Nwe, S. S. & Yee, M. M. (2019), ‘Pest Classification and Pesticide Recommendation System’, International Journal of Trend in Scientific Research and Development (IJTSRD) International Journal of Trend in Scientific Research and Development, Vol. 3, No. 5, pp. 2187– 2191.
Lakshmi, N., Priya, M., Shetty, M. S. & C.R, M. M. (2018), ‘Crop Recommendation System for Precision Agriculture’, International Journal for Research in Applied Science & Engineering Technology, Vol. 6, No. V, pp. 1132 – 1136.
learn developers, S. (2010), ‘Nested versus non-nested cross-validation’. Consultado el 12 de enero de 2022 en: https://scikitlearn.org/stable/auto_examples/model_selection/plot_nested_cross_validation_iris.html
Leiva, L. (2011), ‘Manejo fitosanitario del cultivo de la mora’, Instituto Colombiano Agropecuario, Vol. 1, pp. 5–30.
Lu, J., Wu, D., Mao, M., Wang, W. & Zhang, G. (2015), ‘Recommender system application developments: A survey’, Decision Support Systems, Vol. 74, pp. 12–32. Neela, R. &
Nithya, P. (2019), ‘Fertilizers recommendation system for disease prediction in tree leave’, International Journal of Scientific and Technology Research, Vol. 8, No. 11, pp. 3343– 3346.
Negre, E. (2015), Information and Recommender Systems, Vol. 4, NJ, USA.
Pavan, W., Fraisse, C. W. & Peres, N. A. (2011), ‘Development of a web-based disease forecasting system for strawberries’, Computers and Electronics in Agriculture, Vol. 75, No. 1, pp. 169–175.
Pawar, M. & Chillarge, G. (2018), ‘Soil Toxicity Prediction and Recommendation System Using Data Mining in Precision Agriculture’, 2018 3rd International Conference for Convergence in Technology, pp. 1–5.
Pertot, I., Caffi, T., Rossi, V., Mugnai, L., Hoffmann, C., Grando, M. S., Gary, C., Lafond, D., Duso, C., Thiery, D., Mazzoni, V. & Anfora, G. (2017), ‘A critical review of plant protection tools for reducing pesticide use on grapevine and new perspectives for the implementation of IPM in viticulture’, Crop Protection, Vol. 97, pp. 70–84.
Quiñones Guarnizo, A. P., Quintero Cerón, J. P., Méndez Reyes, D. A. & Bohórquez Pérez, Y. (2014), ‘Evaluación del Índice de Daño de Botrytis Cinérea con Aplicación de Ácido Salicílico en Frutos de Mora de Castilla (Rubus Glaucus Benth)’, Revista Facultad Nacional De Agronomía Medellín, Vol. 2, No. Supl II, pp. 158 – 160.
Rhys, H. (2020), Machine Learning with R, the tidyverse, and mlr, Shelter Island, NY, USA.
Robinson, R. A. (1980), ‘New Concepts in Breeding for Disease Resistance’, Annual Review of Phytopathology, Vol. 18, No. 1, pp. 189–210.
Roetzel, P. G. (2019), ‘Information overload in the information age: a review of the literature from business administration, business psychology, and related disciplines with a bibliometric approach and framework development’, Business Research, Vol. 12, No. 2, pp. 479–522.
Rossi, V., Caffi, T., Giosuè, S. & Bugiani, R. (2008), ‘A mechanistic model simulating primary.
infections of downy mildew in grapevine’, Ecological Modelling, Vol. 212, No. 3-4, pp. 480–491.
Rossi, V., Giosuè, S. & Caffi, T. (2020), Modelling Plant Diseases for Decision Making in Crop Protection, in ‘Precision Crop Protection - the Challenge and Use of Heterogeneity’, Springer, chapter 15, pp. 241 – 256.
Rossi, V., Salinari, F., Poni, S., Caffi, T. & Bettati, T. (2014), ‘Addressing the implementation problem in agricultural decision support systems: The example of vite.net®’, Computers and Electronics in Agriculture, Vol. 100, pp. 88–99.
Shah, A. & Syeda, S. (2020), ‘Machine Learning based Prediction and Recommendation System for Detection of Pests and Cultivation of Crops’, International Journal of Research in Engineering, Science and Management, Vol. 3, No. 12, pp. 84 – 91.
Sharma, S. C. M., Mitra, A. & Chakraborty, D. (2020), Concepts of Recommendation System from the Perspective of Machine Learning, in ‘Recommender System with Machine Learning and Artificial Intelligence: Practical Tools and Applications in Medical, Agricultural and Other Industries’, pp. 73 – 87.
Suma, V., Shetty, R. A., Tated, R. F., Rohan, S. & Pujar, T. S. (2019), ‘CNN based Leaf Disease Identification and Remedy Recommendation System’, Proceedings of the 3rd International Conference on Electronics and Communication and Aerospace Technology, ICECA 2019, pp. 395–399.
Suriya, M. K. S. & Muthuramalingam, S. (2018), ‘Pesticide recommendation system for cotton crop diseases due to the climatic changes’, International Journal of Modern Research in Engineering & Management (IJMREM), pp. 25–32.
Taechatanasat, P. & Armstrong, L. (2014), Decision support system data for farmer decision making, in ‘Proceedings of Asian Federation for Information Technology in Agriculture’, pp. 472–486.
Tchamitchian, M., Montbroussous, B., Jeannequin, B. & Martin-Clouaire, R. (1997), ‘SERRISTE: Daily Greenhouse Climate Set-Point Determination for Tomatoes’, IFAC Proceedings Volumes Vol. 30, No. 26, pp. 25–30.
Van Den Ende, J. E., Pennock-Vos, M. G., Bastiaansen, C., Koster, A. T. & Van Der Meer, L. J. (2000), ‘BoWaS: A weather-based warning system for the control of Botrytis blight in lily’, Acta Horticulturae, Vol. 519, pp. 215–220.
Zapata Narváez, Y. A. & Beltrán-Acosta, C. R. (2019), ‘Evaluation of proposed integrated diseases management strategies in blackberry cultivation according to its sustainability’, Revista Brasileira de Fruticultura, Vol. 41, No. 5, pp. 1–12.
Descargas
Publicado
Cómo citar
Evento
Sección
Licencia
Derechos de autor 2022 Asociación Colombiana de Facultades de Ingeniería - ACOFI
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
| Estadísticas de artículo | |
|---|---|
| Vistas de resúmenes | |
| Vistas de PDF | |
| Descargas de PDF | |
| Vistas de HTML | |
| Otras vistas | |
