Desarrollo de un modelo predictivo utilizando técnicas de aprendizaje supervisado para detectar la moniliasis en plantas de cacao de la Provincia de Orellana

Danny Jesiel Castillo Lapo
Mariuxi Noemí Ramírez Cambo
Wilson Gustavo Chango Sailema
Pedro Stalyn Aguilar Encarnación
Resumen

La respuesta al enigma de la moniliasis se encuentra en la ciencia y la tecnología con el proyecto desarrollado en la Provincia de Orellana, en donde la moniliasis es una enfermedad fúngica que causa efectos devastadores incluyen do la pudrición de las flores, vainas y frutos de cacao, lo que conlleva pérdidas significativas a los agricultores. La moniliasis afecta gravemente a los cultivos de cacao y resulta difícil detectar su presencia tempranamente. Para lograr la detección de esta enfermedad, se recopilaron datos obtenidos de sensores y registros manuales para entrenar y validar un modelo predictivo mediante aprendizaje supervisado, en donde se analizó las condiciones ambientales y los síntomas de la enfermedad. Se aplicó la metodología de la ciencia del diseño basada en tres ciclos: el ciclo de relevancia, rigor y diseño. En el ciclo de relevancia se definió el problema y la necesidad del modelo, en el ciclo de rigor se realizó una investigación preliminar para determinar la viabilidad del objetivo y, por último, en el ciclo de diseño se modelaron los datos con algoritmos de aprendizaje automático y se implementó el modelo de predicción, probándolo para verificar su correcto funcionamiento.


El modelo se compartió con las familias cacaoteras de Orellana, demostrando su eficacia. Esto permitirá a los agricultores tomar medidas de control adecuadas y oportunas para prevenir la propagación de la enfermedad y, por lo tanto, aumentar la producción y la calidad del cacao.

Descargas

Los datos de descargas todavía no están disponibles.

Métricas

Cargando métricas ...

Detalles del artículo

Cómo citar
Castillo Lapo, D. J., Ramírez Cambo, M. N., Chango Sailema, W. G., & Aguilar Encarnación, P. S. (2023). Desarrollo de un modelo predictivo utilizando técnicas de aprendizaje supervisado para detectar la moniliasis en plantas de cacao de la Provincia de Orellana. Revista Tecnológica - ESPOL, 35(3), 46–67. https://doi.org/10.37815/rte.v35n3.1069
Sección
Artículos

Citas

Bernardi, L., Branco da Motta, & Bernardi Lucioana, C. (2018). Development of an app as a tool to support research and the prevention of osteoporosis. Original Articles. https://doi.org/10.1590/1981-22562018021.170189

Boersma, S., & lungu, mircea. (2021). React-bratus: visualización de jerarquías de componentes de React. IEEE.

Caicedo, C. (2019). Primer Simposio Internacional Innovaciones Tecnológicas para Fortalecer la Cadena de Cacao en la.

Carrera, K., Mosquera, L., & Leiva, M. (2014). Protocolo para el aislamiento de Moniliophthora roreri (Cif y Par)Evans et al. en frutos de cacao cv. ‘Nacional’ de la Amazoníaecuatoriana. Biotecnología Vegetal , 14.

Correa, J., Castro, S., & Coy, J. (2014). Estado de la moniliasis del cacao causada por Moniliophthora roreri en Colombia . Sistema de Información Científica Redalyc.

Fernández, T., Fernández Leonardo, Ricciardi, T., Ugarte, L., & Almeida, M. (2018). Lenguaje de programación Python para el análisis de sistemas de potencia Educación e investigación. IEEE.

Fortunato, D., & Bernardino, jorge. (2018). Aplicaciones web progresivas: una alternativa a las aplicaciones móviles nativas. IEEE.

Gramajo, M. G., Ballejos, L., & Ale, M. (2020). Seizing Requirements Engineering Issues through Supervised Learning Techniques. IEEE Latin America Transactions, 18(7), 1164–1184. https://doi.org/10.1109/TLA.2020.9099757

Jha, K., Doshi, A., Patel, P., & Shah, M. (2019). A comprehensive review on automation in agriculture using artificial intelligence. In Artificial Intelligence in Agriculture (Vol. 2, pp. 1–12). KeAi Communications Co. https://doi.org/10.1016/j.aiia.2019.05.004

Leandro-Muñoz, M. E., Tixier, P., Germon, A., Rakotobe, V., Phillips-Mora, W., Maximova, S., & Avelino, J. (2017). Effects of microclimatic variables on the symptoms and signs onset of Moniliophthora roreri, causal agent of Moniliophthora pod rot in cacao. PLoS ONE, 12(10). https://doi.org/10.1371/JOURNAL.PONE.0184638

Oliveira, D., Barbosa, U., CRO Bergland, A., & Resende, O. (2022). G-SOJA - SITIO WEB CON PREDICCIÓN DE LA CLASIFICACIÓN DE LA SOJA UTILIZANDO MACHINE LEARNING. IEEE.

Ovalle, C. (2022). Modelo predictivo basado en Machine Learning para la Cadena de Suministro y su influencia en la gestión logística de una empresa de venta de autos. Journal of the ACM ER .

Ricardez, D. la C., Espinoza, L., García, O., & Pérez, P. (2016). ACTIVIDAD ANTIFÚNGICA in vitro DEL EXTRACTO ACUOSO Y ALCALOIDEO DE Lupinus spp. SOBRE Moniliophthora rorer. Agroproductividad.

Robles, S., Vásquez, H., & Naranjo, L. (2019). Vista de Adaptación de la metodología de ciencia de diseño en el desarrollo de luminarias | Tecnología Vital. https://revistas.ulatina.ac.cr/index.php/tecnologiavital/article/view/252/265

Susanto, Stiawan, D., Arifin, M. A. S., Idris, M. Y., & Budiarto, R. (2020). Iot botnet malware classification using weka tool and scikit-learn machine learning. International Conference on Electrical Engineering, Computer Science and Informatics (EECSI), 2020-October, 15–20. https://doi.org/10.23919/EECSI50503.2020.9251304

Susilo, A., Karna, N., & Mayasari, R. (2021). Decision Tree-Based Bok Choy Growth Prediction Model for Smart Farm. 2021 4th International Conference on Information and Communications Technology (ICOIACT), 169–174. https://doi.org/10.1109/ICOIACT53268.2021.9563914