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

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

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 zon...

Descripción completa

Detalles Bibliográficos
Autores principales: Olivares, Barlin Orlando, Rueda Calderón, Angélica, Rey, Juan Carlos
Formato: Online
Idioma:spa
Publicado: Universidad de Panamá 2021
Acceso en línea:https://revistas.up.ac.pa/index.php/REICIT/article/view/2440
id REICIT2440
record_format ojs
spelling REICIT24402023-03-14T18:25:50Z Classification of areas affected by banana wilt: an application with Machine Learning algorithms in Venezuela Clasificación de zonas afectadas por la marchitez en banano: una aplicación con algoritmos de Machine Learning en Venezuela Olivares, Barlin Orlando Rueda Calderón, Angélica Rey, Juan Carlos Algoritmos banana inteligencia artificial sostenibilidad Algorithms banana artificial intelligence soils sustainability Agricultural production systems have millions of data that Artificial Intelligence (AI) can transform into information to promote accuracy in the producer's decision-making and, thus, maximize production in a sustainable way. The objective of this work is to classify areas affected by wilt in banana in Venezuela using Machine Learning algorithms such as: Random Forest (RF), Support Vector Machines (SVM), classification trees (CART), the Decision trees algorithm (C5.0) and linear discriminant analysis (ADL), likewise different resampling techniques were applied: subsampling, oversampling, random oversampling (ROSE) and synthetic minority oversampling technique (SMOTE). To do this, a systematic soil sampling was carried out in the 39 banana lots and the incidence was evaluated during the years 2016 and 2017. The results indicate that RF through the subsampling technique can be an effective algorithm to make decisions in affected banana areas. from diseases such as banana wilt. The sensitivity, specificity, accuracy and Kappa coefficient statistics were 1.0, 0.94, 0.96 and 0.91 respectively, without the resampling technique. RF would help prevent and reduce the effect of banana diseases and their impact on production. In conclusion, Machine Learning in agriculture could offer an advance that would guarantee decision-making with the aim of achieving sustainability. 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. Universidad de Panamá 2021-01-28 info:eu-repo/semantics/article info:eu-repo/semantics/publishedVersion Artículo revisado por pares application/pdf https://revistas.up.ac.pa/index.php/REICIT/article/view/2440 REICIT; Vol. 1 Núm. 1 (2021): REICIT; 1-17 2805-1874 spa https://revistas.up.ac.pa/index.php/REICIT/article/view/2440/2230
institution Universidad de Panamá
collection REICIT
language spa
format Online
author Olivares, Barlin Orlando
Rueda Calderón, Angélica
Rey, Juan Carlos
spellingShingle Olivares, Barlin Orlando
Rueda Calderón, Angélica
Rey, Juan Carlos
Clasificación de zonas afectadas por la marchitez en banano: una aplicación con algoritmos de Machine Learning en Venezuela
author_facet Olivares, Barlin Orlando
Rueda Calderón, Angélica
Rey, Juan Carlos
author_sort Olivares, Barlin Orlando
description 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.
title Clasificación de zonas afectadas por la marchitez en banano: una aplicación con algoritmos de Machine Learning en Venezuela
title_short Clasificación de zonas afectadas por la marchitez en banano: una aplicación con algoritmos de Machine Learning en Venezuela
title_full Clasificación de zonas afectadas por la marchitez en banano: una aplicación con algoritmos de Machine Learning en Venezuela
title_fullStr Clasificación de zonas afectadas por la marchitez en banano: una aplicación con algoritmos de Machine Learning en Venezuela
title_full_unstemmed Clasificación de zonas afectadas por la marchitez en banano: una aplicación con algoritmos de Machine Learning en Venezuela
title_sort clasificación de zonas afectadas por la marchitez en banano: una aplicación con algoritmos de machine learning en venezuela
title_alt Classification of areas affected by banana wilt: an application with Machine Learning algorithms in Venezuela
publisher Universidad de Panamá
publishDate 2021
url https://revistas.up.ac.pa/index.php/REICIT/article/view/2440
work_keys_str_mv AT olivaresbarlinorlando classificationofareasaffectedbybananawiltanapplicationwithmachinelearningalgorithmsinvenezuela
AT ruedacalderonangelica classificationofareasaffectedbybananawiltanapplicationwithmachinelearningalgorithmsinvenezuela
AT reyjuancarlos classificationofareasaffectedbybananawiltanapplicationwithmachinelearningalgorithmsinvenezuela
AT olivaresbarlinorlando clasificaciondezonasafectadasporlamarchitezenbananounaaplicacionconalgoritmosdemachinelearningenvenezuela
AT ruedacalderonangelica clasificaciondezonasafectadasporlamarchitezenbananounaaplicacionconalgoritmosdemachinelearningenvenezuela
AT reyjuancarlos clasificaciondezonasafectadasporlamarchitezenbananounaaplicacionconalgoritmosdemachinelearningenvenezuela
_version_ 1817436990919933952

Ejemplares similares