Implementación de un Sistema De Alertas Tempranas Para Prevenir La Propagación De La Enfermedad Sigatoka Negra En Cultivos De Plátano Y Banano En El Municipio De Apartadó (Urabá)
DOI:
https://doi.org/10.47185/27113760.v5n1.136Palavras-chave:
clima, especies invasivas, género musa, mycosphaerella fijiensis, propagación, variables meteorológicas, Impacto ambiental de fungicidasResumo
La Sigatoka Negra, provocada por el hongo Mycosphaerella fijiensis Morelet, constituye una seria problemática para la producción de banano y plátano en Colombia, impactando considerablemente desde su primera detección en 1983. Esta enfermedad foliar no solo compromete la fotosíntesis de las plantas, disminuyendo la calidad y cantidad del fruto, sino que también eleva los costos de producción agrícola debido a la necesidad imperativa de utilizar fungicidas para su control. La relevancia de este problema se intensifica al considerar la posición central de la región de Urabá en la economía agrícola del país, reconocida por su significativa contribución a la industria bananera nacional.
Ante este panorama, el presente estudio propone la implementación de un sistema de alerta temprana, fundamentado en la aplicación de técnicas avanzadas de Machine Learning y Redes Neuronales Artificiales. El objetivo principal de esta iniciativa es analizar minuciosamente los datos fisicoquímicos de las plantas junto con las condiciones climáticas de la región, identificando patrones y variables críticas como la temperatura, humedad, precipitaciones y velocidad del viento. Estos factores son determinantes en la propagación de la enfermedad y, por ende, en la adopción de estrategias de gestión más efectivas y menos dependientes de químicos.
La recopilación y análisis de datos climáticos abarcan el periodo comprendido entre 2010 y 2019, proporcionando una base sólida para el pronóstico y prevención de la Sigatoka Negra. A través de este enfoque, se pretende no solo mitigar el impacto negativo de la enfermedad en la productividad agrícola, sino también promover prácticas más sostenibles y respetuosas con el medio ambiente. Con ello, se busca una transformación en la gestión de los cultivos de banano y plátano, orientada hacia la
sostenibilidad, eficiencia y responsabilidad ambiental.
Downloads
Referências
Barrera, J., Barraza, F., & Campo, R. (2016). Efecto del sombrío sobre la sigatoka negra (Mycosphaerella fijiensis Morelet) en cultivo de plátano cv hartón (Musa AAB Simmonds). Revista UDCA Actualidad & Divulgación Científica, 19(2), 317-323.
Cedeño-Zambrano, J. R., Díaz-Barrios, E. J., de Jesús Conde-López, E., Cervantes-Álava, A. R., Avellán-Vásquez, L. E., Zambrano-Mendoza, M. E., ... & Sánchez-Urdaneta, A. B. (2021). Evaluación de la severidad de Sigatoka negra (Mycosphaerella fijiensis Morelet) en plátano" Barraganete" bajo fertilización con magnesio. Revista Tecnica, 44(1), 4-12.
Manabi-El Carmen, D. E. (2023). Análisis De La Comercialización De Banano Rojo (Musa Acuminata'red Dacca') En La Provincia (Doctoral Dissertation, Universidad Agraria Del Ecuador).
Rojas Contreras, L. R. (2021). Estrategia de mercadeo para el lanzamiento del fungicida Belanty® para el combate de pseudocercospora fijiensis en el cultivo de banano en Costa Rica.
Caicedo, E. F., & Lopez, J. (2017). UNA APROXIMACIÓN PRÁCTICA A LAS REDES NEURONALES ARTIFICIALES. Cali-: Programa Editorial Universidad del Valle.
CELIS, J. A. (2008). UNIVERSIDAD POLITÉCNICA DE MADRID. Obtenido de https://oa.upm.es/1851/1/INVE_MEM_2008_53259.pdf
Cuadrado, A. M. (Septiembre de 2019). UTILIZACIÓN DEL MACHINE LEARNING. Valladolid. Obtenido de https://core.ac.uk/download/pdf/228074134.pdf
Elizabeth Álvarez, Pantoja, A., Gañán, L., Ceballos, G. (julio de 2013). Organización de las Naciones Unidas para la Alimentación y la Agricultura (FAO). Obtenido de Organización de las Naciones Unidas para la Alimentación y la Agricultura
Forero, S. E., Piraneque Gambasica, N., & Menjivar Flores, J. C. (2012). Relación entre las propiedades edafoclimáticas y la incidencia de sigatoka negra (Mycosphaerella fijiensis Morelet) en la zona bananera del Magdalena-Colombia. Obtenido de file:///C:/Users/Usuario/Downloads/Dialnet-RelacionEntreLasPropiedadesEdafoclimaticasYLaIncid-5344950%20(3).pdf
Franco, A. C. (julio de 2019). Universidad de Sevilla . Obtenido de Universidad de Sevilla : https://idus.us.es/bitstream/handle/11441/90004/Centeno%20Franco%20Alba%20TFG.pdf
Instituto Colombiano Agropecuario-ICA . (16 de Abril de 2021). Instituto Colombiano Agropecuario. Obtenido de Instituto Colombiano Agropecuario: https://www.ica.gov.co/noticias/ica-declaro-uraba-libre-fusarium-raza-4-tropical
Instituto de ingeniería del conocimiento . (2023). Machine Learning & Deep Learning. Obtenido de Machine Learning & Deep Learning: https://www.iic.uam.es/inteligencia-artificial/machine-learning-deep-learning/
León, E. C. (2016). Universidad de Zaragoza. Obtenido de https://zaguan.unizar.es/record/59156/files/TAZ-TFG-2016-2057.pdf
Manosalva, G. R. (30 de junio de 2019). Modelo de análisis de datos utilizando técnicas de aprendizaje supervisado y no supervisado,. Trabajo de grado presentado como requisito para optar al título de Magíster en Ingeniería y Analítica de Datos. Bogotá. Obtenido de https://expeditiorepositorio.utadeo.edu.co/bitstream/handle/20.500.12010/8502/Trabajo%20de%20grado.pdf?sequence=1&isAllowed=y
Monroy Jordan, E. D., & Pérez Neira, J. E. (2005). Repositorio de la Universidad Tecnológica De Bolívar . Obtenido de Repositorio de Universidad Tecnológica De Bolívar : https://repositorio.utb.edu.co/bitstream/handle/20.500.12585/295/0030352_merged%20%281%29.pdf?sequence=7&isAllowed=y
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2024 Aldemar de Jesus Correa Hernandez
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
