Investigadores de Texas A&M en Estados Unidos logran predecir poblaciones de trips con hasta 88% de precisión usando aprendizaje automático en sistemas agrícolas reales
Redactor: Raúl Méndez C.
Editor: Karem Díaz S.
En Texas, Estados Unidos, un equipo de Texas A&M AgriLife Research desarrolló un sistema basado en inteligencia artificial capaz de anticipar brotes del trips occidental de las flores, una de las plagas más dañinas en cultivos hortícolas por su capacidad de alimentarse de las plantas y transmitir virus. El trabajo se centró en transformar la detección de plagas desde un enfoque reactivo hacia uno predictivo, permitiendo a los agricultores intervenir antes de que el daño sea visible.
La investigación fue liderada por Kiran Gadhave, entomólogo de Texas A&M AgriLife Research y profesor asistente en el Departamento de Entomología del Texas A&M College of Agriculture and Life Sciences. Participaron también Arinder Arora, investigador posdoctoral, y Nolan Anderson, fitopatólogo, ambos vinculados al centro Texas A&M AgriLife High Plains Research and Extension Center en Canyon, Texas.
Un insecto pequeño con capacidad de causar pérdidas severas
El trips occidental de las flores representa un problema crítico no solo por el daño directo que causa al alimentarse, sino por su papel como vector de virus en cultivos como tomate y pimiento. Incluso poblaciones pequeñas pueden generar impactos significativos si las condiciones favorecen su reproducción y dispersión.
Los investigadores identificaron que el comportamiento de esta plaga no puede evaluarse únicamente a partir del daño visible. Para cuando los síntomas aparecen en las plantas, la población puede estar ya en fase de expansión, lo que dificulta el control efectivo.
Uso de datos reales en campo y variables ambientales
El estudio se basó en información recopilada a partir de aproximadamente 1.700 trampas adhesivas amarillas instaladas semanalmente en sistemas agrícolas de tomate y pimiento. Estas trampas se distribuyeron tanto en campo abierto como en sistemas protegidos de túneles altos en la estación experimental Texas A&M AgriLife Research Station en Bushland.
Además del conteo de insectos, el equipo incorporó hasta 16 variables ambientales, incluyendo temperatura, humedad, velocidad y dirección del viento, así como precipitaciones. A esto se sumó un factor clave: el tamaño de la población de trips registrada dos semanas antes.
Precisión superior a los métodos tradicionales
Los modelos de aprendizaje automático desarrollados lograron predecir la evolución de las poblaciones con una precisión cercana al 88% en campo abierto y alrededor del 85% en túneles altos. Este nivel de exactitud supera los métodos tradicionales, que suelen basarse en parámetros más limitados y menos dinámicos.
El hallazgo principal establece una relación directa entre la presencia previa de la plaga y el riesgo de brote. Si los trips estaban presentes 14 días antes, la probabilidad de una infestación severa aumentaba de forma significativa, especialmente bajo condiciones ambientales favorables.
El microclima define el comportamiento de la plaga
Uno de los resultados más relevantes del estudio fue que los modelos perdían precisión cuando se aplicaban sin distinguir entre ambientes. A pesar de estar en la misma ubicación, los sistemas de campo abierto y los túneles altos presentaron dinámicas distintas.
Esto demuestra que el microclima influye directamente en el desarrollo de la plaga. Factores como la temperatura interna, la humedad y la circulación del aire modifican el comportamiento de los insectos, lo que obliga a desarrollar modelos específicos para cada entorno productivo.
La población previa como indicador clave
Entre todas las variables analizadas, el tamaño de la población inicial resultó ser el factor más determinante para anticipar brotes. A este se sumaron la temperatura como variable secundaria y otros elementos como viento y humedad.
La conclusión es clara: la detección temprana no debe centrarse únicamente en daños visibles, sino en identificar señales previas que permitan anticipar el crecimiento poblacional de la plaga.
Hacia un manejo predictivo de plagas agrícolas
El avance logrado por Texas A&M AgriLife Research representa un cambio significativo en la forma de gestionar riesgos fitosanitarios. La inteligencia artificial permite integrar múltiples variables y detectar patrones complejos que no pueden identificarse con métodos convencionales.
Para los productores, esto se traduce en la posibilidad de tomar decisiones más precisas sobre el momento de intervención, optimizar el uso de insumos y reducir pérdidas productivas. La anticipación se convierte en una herramienta estratégica frente a plagas con alta capacidad de daño.
El estudio, publicado en la revista Ecological Informatics, confirma que el uso de modelos predictivos puede mejorar significativamente la gestión agrícola cuando se basa en datos reales de campo y condiciones específicas del entorno productivo.
Referencias
Phys.org. AI-powered forecasts sharpen early warning for destructive crop pest. https://phys.org/news/2026-05-ai-powered-sharpen-early-destructive.html
