Desarrollo y validación de modelos innovadores de aprendizaje automático para predecir la infestación de ácaros en dátiles
Autores: Mohammed, Maged; El-Shafie, Hamadttu; Munir, Muhammad
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Desarrollo y validación de modelos innovadores de aprendizaje automático para predecir la infestación de ácaros en dátiles
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Agronomía y Ciencia de los Cultivos
Palabras clave
ácaro de la palma datilera
Infestación
Modelos de predicción
Variables meteorológicas
Propiedades fisicoquímicas
Aprendizaje automático
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 23
Citaciones: Sin citaciones
El ácaro de la palma datilera (DPM), (McGregor), es una plaga clave de los dátiles sin madurar. La detección de este ácaro depende en gran medida de las observaciones visuales de las telarañas que produce en los frutos verdes. Uno de los problemas más importantes en el control del DPM es la falta de un enfoque preciso para la toma de decisiones en la monitorización y predicción de la infestación en los dátiles. Por lo tanto, este estudio tuvo como objetivo desarrollar, evaluar y validar modelos de predicción para la infestación de DPM en los frutos basados en variables meteorológicas (temperatura, humedad relativa, velocidad del viento y radiación solar) y las propiedades fisicoquímicas de los dátiles (peso, firmeza, contenido de humedad, sólidos solubles totales, azúcar total y contenido de taninos) utilizando dos algoritmos de aprendizaje automático (ML), es decir, regresión lineal (LR) y regresión forestal de decisión (DFR). Los datos de variables meteorológicas en la zona de estudio se adquirieron utilizando una estación meteorológica basada en IoT. Las propiedades fisicoquímicas de dos cultivares populares de palma datilera, es decir, y , fueron analizadas en diferentes etapas de desarrollo de los frutos. El desarrollo y rendimiento de los modelos de predicción LR y DFR se implementaron utilizando Microsoft Azure ML. La evaluación de los modelos desarrollados indicó que el DFR fue más preciso que el modelo LR en la predicción del DPM en función de las variables de entrada, es decir, variables meteorológicas (R = 0.842), variables de propiedades fisicoquímicas (R = 0.895), y la combinación de ambas variables meteorológicas y propiedades fisicoquímicas (R = 0.921). En consecuencia, el modelo DFR desarrollado se desplegó como un servicio web de predicción completamente funcional en la plataforma en la nube de Azure y los complementos de Excel. La validación del modelo DFR desplegado mostró que fue capaz de predecir el recuento de DPM en los frutos de palma datilera en función de la combinación de variables meteorológicas y propiedades fisicoquímicas (R = 0.918). El modelo DFR desplegado a través del servicio web de Azure ML Studio mejoró la predicción del recuento de DPM en los dátiles como un enfoque rápido y fácil de usar. Estos hallazgos demostraron que el modelo DFR utilizando Azure ML Studio integrado en la plataforma Azure puede ser una herramienta poderosa en la gestión integrada del DPM.
Descripción
El ácaro de la palma datilera (DPM), (McGregor), es una plaga clave de los dátiles sin madurar. La detección de este ácaro depende en gran medida de las observaciones visuales de las telarañas que produce en los frutos verdes. Uno de los problemas más importantes en el control del DPM es la falta de un enfoque preciso para la toma de decisiones en la monitorización y predicción de la infestación en los dátiles. Por lo tanto, este estudio tuvo como objetivo desarrollar, evaluar y validar modelos de predicción para la infestación de DPM en los frutos basados en variables meteorológicas (temperatura, humedad relativa, velocidad del viento y radiación solar) y las propiedades fisicoquímicas de los dátiles (peso, firmeza, contenido de humedad, sólidos solubles totales, azúcar total y contenido de taninos) utilizando dos algoritmos de aprendizaje automático (ML), es decir, regresión lineal (LR) y regresión forestal de decisión (DFR). Los datos de variables meteorológicas en la zona de estudio se adquirieron utilizando una estación meteorológica basada en IoT. Las propiedades fisicoquímicas de dos cultivares populares de palma datilera, es decir, y , fueron analizadas en diferentes etapas de desarrollo de los frutos. El desarrollo y rendimiento de los modelos de predicción LR y DFR se implementaron utilizando Microsoft Azure ML. La evaluación de los modelos desarrollados indicó que el DFR fue más preciso que el modelo LR en la predicción del DPM en función de las variables de entrada, es decir, variables meteorológicas (R = 0.842), variables de propiedades fisicoquímicas (R = 0.895), y la combinación de ambas variables meteorológicas y propiedades fisicoquímicas (R = 0.921). En consecuencia, el modelo DFR desarrollado se desplegó como un servicio web de predicción completamente funcional en la plataforma en la nube de Azure y los complementos de Excel. La validación del modelo DFR desplegado mostró que fue capaz de predecir el recuento de DPM en los frutos de palma datilera en función de la combinación de variables meteorológicas y propiedades fisicoquímicas (R = 0.918). El modelo DFR desplegado a través del servicio web de Azure ML Studio mejoró la predicción del recuento de DPM en los dátiles como un enfoque rápido y fácil de usar. Estos hallazgos demostraron que el modelo DFR utilizando Azure ML Studio integrado en la plataforma Azure puede ser una herramienta poderosa en la gestión integrada del DPM.