Inteligencia artificial predice con alta precisión las plagas presentes en aguacate hass
Agrosavia y la Universidad Nacional de Colombia (Unal), sede Palmira, desarrollaron una herramienta con inteligencia artificial (IA) para predecir zonas de riesgo más pequeñas en los lotes en donde aparecen las plagas en aguacate hass, con el fin de establecer programas de manejo, para controlar y monitorear con precisión.
Los insectos-plaga conocidos como picudo y la polilla han sido un gran impedimento para los agricultores de este tipo de cultivos, ya que cumplen su ciclo de vida dentro del fruto y lo devoran desde adentro, dañando cosechas enteras.
Los productores necesitan y requieren soluciones inmediatas ante este problema sanitario que los retiene a nivel productivo y económico, evitando que exporten aguacate hass a ciertos destinos, el cual se ha posicionado en el mercado internacional.
Según la Agencia Unal, la presencia de estos insectos-plaga afectan a más de 60% de los cultivos de Antioquia, Caldas, Cauca, Quindío, Risaralda, Tolima y Valle del Cauca. No obstante, la producción registra un aumento en el crecimiento cercano a 80%.
El estudio se llevó a cabo en cuatro parcelas ubicadas en huertos de hass en Timbío y Sotará (Cauca, Colombia), se utilizaron técnicas de machine learning, que es un método que hace parte de la IA, que se basa en aprendizaje automático alimentado por datos, para desarrollar el modelo y las predicciones finales, según explicó la universidad en su artículo, también se realizaron análisis espaciales y de patrones, estadística espacial y geoestadística.
Hizo parte del proyecto de investigación del ingeniero agrónomo Juan Camilo Zapata Calero, magíster en Ciencias Agrarias, dirigido por el investigador (Ph. D.) Arturo Carabalí Muñoz, de Agrosavia, y el profesor John Josephraj Selvaraj de la facultad de ingeniería y administración de la Unal, sede Palmira.
“Para clasificar la presencia o ausencia del daño se utilizaron redes neuronales artificiales, las cuales procesan datos de una manera inspirada en la forma como lo hace el cerebro humano; son capaces de aprender patrones complejos y de realizar tareas de predicción y clasificación”, explicó Zapata.
Se tomaron variables fenológicas para realizar las predicciones, es decir, fecha de siembra, duración del día, temperatura, suministro de humedad, entre otros. Zapata identificó 15 variables climáticas para trabajar.
Para desarrollar el proyecto se escogieron cuatro lotes de aguacate hass, se marcaron y se geoposicionaron los árboles, según explicó la Agencia Unal. A partir del cambio climático que se realiza cada 15 días y se monitorea, se identificaron los árboles malos. Con esa información se analizan los datos y usa los algoritmos de aprendizaje automático para detectar los cambios.
Se logró 80% de probabilidad de previsibilidad para el rasgo que se estudia. Con los resultados se genera un modelo como base de una aplicación web que Agrosavia está desarrollando para realizar estudios ingresando las coordenadas geográficas de la propiedad de la planta.