La inteligencia artificial predice con alta precisión plagas en aguacate Hass


Los insectos picudo (Heilipus lauri) y polilla (Stenoma catenifer) restringen las exportaciones de este alimento



UNAL/DICYT Para enfrentar la restricción en la exportación de aguacate Hass a Estados Unidos a causa de plagas como del picudo y la polilla –que se alimentan de la pulpa y la semilla del fruto–, investigadores desarrollaron una herramienta con inteligencia artificial (IA) para predecir zonas de riesgo y establecer programas de manejo integral de plagas.

Aunque la tendencia de su consumo ha posicionado al aguacate Hass como una de las frutas tropicales de mayor valor comercial en el mundo, su exportación desde Colombia a países como Estados Unidos no es tan sencilla.

Hasta 2017, el Servicio de Inspección de Sanidad Animal y Vegetal del Departamento de Agricultura impuso restricciones fitosanitarias para su ingreso en fresco, debido a que los insectos-plaga picudo (Heilipus lauri) y polilla (Stenoma catenifer) no existen en ese país.

Precisamente estos dos bichos son el dolor de cabeza de los productores de aguacate Hass, pues los animales eligen el fruto como su morada, y además mientras cumplen su ciclo de vida también lo devoran por dentro, al punto de afectar cultivos enteros.

Pese a que la presencia de las plagas afecta a más del 60 % de los cultivos de Antioquia, Caldas, Cauca, Quindío, Risaralda, Tolima y Valle del Cauca, la producción del Hass registra un crecimiento cercano al 80%.

Tecnología para combatir plagas

Ante el promisorio panorama del Hass, la Corporación Colombiana de Investigación Agropecuaria (Agrosavia) y la Universidad Nacional de Colombia (UNAL) Sede Palmira, mediante un proyecto de regalías, desarrollaron con IA un modelo de predicción que identifica las áreas más pequeñas en los lotes en donde aparecen las plagas cuarentenarias. Así se puede no solo controlar y monitorear con más precisión, sino que además será posible utilizar menos insecticidas.

El estudio –adelantado en cuatro parcelas experimentales ubicadas en huertos comerciales de Hass en Timbío y Sotará (Cauca, Colombia)– formó parte del trabajo 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 por profesor John Josephraj Selvaraj de la Facultad de Ingeniería y Administración de la UNAL Sede Palmira.

Para desarrollar el modelo y las predicciones finales, el investigador utilizó técnicas de machine learning (o aprendizaje de máquina) además de análisis espaciales y de patrones, estadística espacial y geoestadística. Es importante recordar que el machine learning es una herramienta de la IA que consiste en el aprendizaje automático de la máquina que es alimentada con datos, para luego inferir a partir de la información ingresada.

En este caso, 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”.

Acá se trató de una predicción a partir de variables fenológicas como fecha de siembra, duración del día, temperatura, suministro de humedad, componente genético, manejo de la planta y tamaño del fruto, este último un aspecto muy importante pues define si al aguacate le llegarán o no las plagas, ya que cuando está muy pequeño no hay presencia de daños.

Así mismo, con un medidor portátil el investigador tomó 15 variables climáticas, entre ellas temperatura, humedad relativa, velocidad del viento, altura, dirección del viento y sensación térmica, que son las que más influyen en el modelo de predicción.

¿Cómo se hizo la investigación?

Primero se tomaron cuatro lotes de aguacate Hass, se marcó cada árbol y se geoposicionaron; luego se tomaron las variables climáticas cada 15 días y se monitoreó identificando los árboles con daño.

Con esa información, el magíster procesó los datos y utilizó algoritmos de machine learning para identificar las variables que más influyen en la predicción del daño. A partir de estas se alcanzó una predicción del 80 % de afectación en los predios estudiados.

Con los resultados de este estudio se generó un modelo que será la base para una aplicación web que Agrosavia está desarrollando para que cualquier productor y asesor técnico pueda hacer análisis con solo ingresar las coordenadas geográficas del predio del cultivo.