El cambio climático ha provocado amenazas a la producción agrícola; los extremos de temperatura y humedad, y otras tensiones abióticas son factores que contribuyen a la etiología de enfermedades y plagas en los cultivos. Sobre el tema, los esfuerzos de investigación recientes se han centrado en predecir cultivos de enfermedades y plagas utilizando técnicas como algoritmos de aprendizaje supervisado. Por ello, en este trabajo presentamos una visión general de los algoritmos de aprendizaje supervisado comúnmente utilizados en agricultura para la detección de plagas y enfermedades en cultivos como maíz, arroz, café, mango, maní y tomate, entre otros, con el objetivo de seleccionar los algoritmos que den el mejor desempeño para el sector agrícola.
1. INTRODUCCIÓN
En la actualidad el rendimiento agrícola se ve afectado por factores de cambio global como: nuevas variedades en los cultivos, cambios en el gusto de los consumidores, causas naturales, y/o eventos antropogénicos [1], [2]. En este sentido, la agricultura está expuesta a los efectos del cambio global, donde su vulnerabilidad depende de factores como los abióticos, los biológicos, los socioeconómicos y los regionales [3]-[5], por lo que las diferentes zonas de la tierra son potencialmente vulnerables al cambio climático y a las pérdidas directas e indirectas de productividad, contribuyendo también a la aparición de enfermedades y plagas [6].
Por otro lado, existe un área de aprendizaje automático, que construye modelos de regresión y clasificación denominados aprendizaje supervisado. Estos algoritmos aprenden a través de ejemplos (entrenamiento de datos), con el objetivo de predecir o detectar un nuevo dato de entrada [7]. El resultado del proceso de aprendizaje (entrenamiento) del algoritmo (redes bayesianas, árbol de decisión, máquina de vectores de apoyo, redes neuronales artificiales, vecinos más cercanos de K, etc) es crear un clasificador (hipótesis o modelo) para el entrenamiento del conjunto de datos.
La idea de utilizar la información como ejemplos ha inspirado a los investigadores a aplicar algoritmos de aprendizaje supervisado para predecir futuras enfermedades y plagas en los cultivos agrícolas [8]. Por ejemplo, los datos recogidos sobre las condiciones meteorológicas, las propiedades de fertilidad del suelo y las propiedades físicas y de gestión de un cultivo de café, pueden utilizarse para predecir la tasa de infección de la roya aún en los primeros días de la cosecha [9].
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Diseño de una antena UWB con alimentación CPW y con muescas en la banda utilizando un resonador de línea de ranura incrustado en el alimentador
Artículo:
Unidad para supervisión y control de medición de efecto Hall con Labview®
Artículo:
Análisis de eficiencia energética de la selección de antenas por subportadora con reducción de potencia máxima en sistemas inalámbricos MIMO-OFDM
Artículo:
Determinación de la constante dieléctrica del bolo para el acoplamiento óptimo de microondas a través de la piel para la obtención de imágenes del cáncer de mama
Artículo:
Implementación de un controlador de mínima varianza en un péndulo simple
Artículo:
Creación de empresas y estrategia : reflexiones desde el enfoque de recursos
Artículo:
Importancia, manejo y control de extraíbles e incrustaciones (pitch) en la fabricación de papel
Artículo:
Estudio sobre la evaluación de la sostenibilidad de los productos innovadores
Libro:
Planta de tratamiento de aguas residuales