Desarrollo de una herramienta para optimizar las prácticas de deshoje y despunte en el manejo de Sigatoka Negra (mycosphaerella fijiensis) en cultivos híbridos de musáceas mediante el análisis digital de imágenes
Cargando...
Fecha
Título de la revista
Publicado en
Publicado por
URL de la fuente
Enlace a contenidos multimedia
ISSN de la revista
Título del volumen
Resumen
La Sigatoka Negra (Mycosphaerella fijiensis) constituye una de las enfermedades foliares más destructivas en cultivos de banano y plátano en Colombia, causando pérdidas de rendimiento hasta el 50% y demandando estrategias de control. Este proyecto desarrolló MusaVisionApp (Beta), una herramienta computacional basada en el análisis digital de imágenes para optimizar las prácticas culturales (deshoje, despunte y cirugía foliar) en el manejo de la Sigatoka Negra en cultivos híbridos de musáceas (Musa AAB y Musa AAA). La metodología incluyó: (1) consolidación de una base de datos de 1000 imágenes de hojas clasificadas en seis niveles de severidad según la escala de Stover-Gauhl; (2) diseño de un algoritmo de clasificación automatizado mediante segmentación de imágenes y aprendizaje automático; (3) validación de la eficacia del algoritmo a través de estudios de campo con consulta experta, alcanzando una exactitud del 72,7% y concordancia sustancial (Kappa = 0,68); e (4) implementación de una interfaz gráfica (CustomTkinter) que permite estimación en tiempo real de severidad y recomendación agronómicas de control cultural. El algoritmo demostró desempeño superior en clases de severidad extrema (0 y 6) con AUC = 0,95. Manteniendo sensibilidad aceptable (>70%) para categorías intermedias. Los resultados validan la viabilidad de la herramienta como herramienta de apoyo a la hora de la toma de decisiones fitosanitarias para el control de la enfermedad, con potencial para reducir la variabilidad de la evaluación visual subjetiva y mejorar la sostenibilidad de la producción de banano-plátano en regiones de Colombia.
Descripción
Abstract
Black Sigatoka (Mycosphaerella fijiensis) is one of the most destructive leaf diseases affecting banana and plantain crops in Colombia, causing yield losses of up to 50% and requiring control strategies. This project developed MusaVisionApp (Beta), a computational tool based on digital image analysis to optimize cultural practices (leaf removal, topping, and leaf surgery) in the management of Black Sigatoka in hybrid Musaceae crops (Musa Aab and Musa AAA). The methodology included: (1) consolidation of database of 1000 leaf images classified into six levels of severity according to the Stover-Gauhl scale; (2) design of an automated classification algorithm using image segmentation and machine learning; (3) validation of the algorithm’s effectiveness through field studies with expert consultation, achieving 72,7% accuracy and substantial agreement (Kappa = 0,68); and (4) implementation of a graphical interface (CustomTkinter) that allows real-time estimation of severity and agronomic recommendations for cultural control. The algorithm demonstrated superior performance in extreme severity classes (0 and 6) with AUC = 0,95. It maintained acceptable sensitivity (>70%) for intermediate categories. The results validate the viability of the tool for phytosanitary decision-making for disease control, with the potential to reduce the variability of subjective visual assessment and improve the sustainability of banana-plantain production in regions of Colombia.
Palabras clave
Sigatoka negra, Clasificación de severidad, Aprendizaje automático, Segmentación de imágenes, Random Forest, Sistema de apoyo agrícola