Comparando modelos de regresión y clasificación para estimar la enfermedad de mancha foliar en el maní (L.) para su implementación en la selección de cría
Autores: Chapu, Ivan; Chandel, Abhilash; Sie, Emmanuel Kofi; Okello, David Kalule; Oteng-Frimpong, Richard; Okello, Robert Cyrus Ongom; Hoisington, David; Balota, Maria
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Comparando modelos de regresión y clasificación para estimar la enfermedad de mancha foliar en el maní (L.) para su implementación en la selección de cría
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Agronomía y Ciencia de los Cultivos
Palabras clave
Enfermedad
Cacahuate
Resistencia
Teledetección
Clasificación
Regresión
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 23
Citaciones: Sin citaciones
La mancha foliar tardía (LLS) es una enfermedad importante del maní, que causa pérdidas globales de rendimiento. El desarrollo de variedades resistentes a través de la cría es crucial para la estabilidad del rendimiento, especialmente para los agricultores de pequeña escala. Sin embargo, los métodos tradicionales de fenotipado utilizados para la selección de resistencia son laboriosos y subjetivos. El uso de sensores remotos ofrece una alternativa precisa, objetiva y eficiente para el fenotipado de resistencia. Los objetivos de este estudio fueron comparar entre regresión y clasificación para la cría, e identificar los mejores modelos e índices a utilizar para la selección. Evaluamos 223 genotipos en tres ambientes: Serere en 2020, y Nakabango y Nyankpala en 2021. Se recopilaron datos fenotípicos utilizando puntuaciones visuales y dos sensores portátiles: una cámara rojo-verde-azul (RGB) y GreenSeeker. Los índices RGB derivados de las imágenes, junto con el índice de vegetación de diferencia normalizada (NDVI), se utilizaron para modelar la resistencia a LLS utilizando métodos estadísticos y de aprendizaje automático. También se evaluaron métodos de regresión y clasificación para la selección. Random Forest (RF), la red neuronal artificial (ANN) y los vecinos más cercanos (KNNs) fueron los algoritmos de mejor rendimiento tanto para regresión como para clasificación. El ANN (R: 0.81, RMSE: 22%) fue el mejor algoritmo de regresión, mientras que el RF fue el mejor algoritmo de clasificación tanto para la clasificación binaria (90%) como multiclase (78% y 73% de precisión). La precisión de clasificación de los modelos disminuyó con el aumento de las clases de clasificación. NDVI, índice de senescencia del cultivo (CSI), tono e índice de verdor estaban fuertemente asociados con LLS y eran útiles para la selección. Nuestro estudio demuestra que la integración de sensores remotos y aprendizaje automático puede mejorar la selección de genotipos resistentes a LLS, ayudando a los fitomejoradores a manejar poblaciones grandes de manera efectiva.
Descripción
La mancha foliar tardía (LLS) es una enfermedad importante del maní, que causa pérdidas globales de rendimiento. El desarrollo de variedades resistentes a través de la cría es crucial para la estabilidad del rendimiento, especialmente para los agricultores de pequeña escala. Sin embargo, los métodos tradicionales de fenotipado utilizados para la selección de resistencia son laboriosos y subjetivos. El uso de sensores remotos ofrece una alternativa precisa, objetiva y eficiente para el fenotipado de resistencia. Los objetivos de este estudio fueron comparar entre regresión y clasificación para la cría, e identificar los mejores modelos e índices a utilizar para la selección. Evaluamos 223 genotipos en tres ambientes: Serere en 2020, y Nakabango y Nyankpala en 2021. Se recopilaron datos fenotípicos utilizando puntuaciones visuales y dos sensores portátiles: una cámara rojo-verde-azul (RGB) y GreenSeeker. Los índices RGB derivados de las imágenes, junto con el índice de vegetación de diferencia normalizada (NDVI), se utilizaron para modelar la resistencia a LLS utilizando métodos estadísticos y de aprendizaje automático. También se evaluaron métodos de regresión y clasificación para la selección. Random Forest (RF), la red neuronal artificial (ANN) y los vecinos más cercanos (KNNs) fueron los algoritmos de mejor rendimiento tanto para regresión como para clasificación. El ANN (R: 0.81, RMSE: 22%) fue el mejor algoritmo de regresión, mientras que el RF fue el mejor algoritmo de clasificación tanto para la clasificación binaria (90%) como multiclase (78% y 73% de precisión). La precisión de clasificación de los modelos disminuyó con el aumento de las clases de clasificación. NDVI, índice de senescencia del cultivo (CSI), tono e índice de verdor estaban fuertemente asociados con LLS y eran útiles para la selección. Nuestro estudio demuestra que la integración de sensores remotos y aprendizaje automático puede mejorar la selección de genotipos resistentes a LLS, ayudando a los fitomejoradores a manejar poblaciones grandes de manera efectiva.