Modelo de estimación para relacionar factores de suelo asociados con la presencia y ausencia de Fusarium oxysporum Schltdl en el cultivo de uchuva Physalis peruviana L

Ginna  Cruz-Castiblanco; Wilmer  Pérez-Caro; Erika  Martínez-Lemus; Yuly  Sandoval-Cáceres; Wilmar  Wilches-Ortiz; Alba  Villa-Triana

doi:10.55996/dekamuagropec.v3i2.95

Autores/as

Ginna Cruz-Castiblanco Corporación Colombiana de Investigación Agropecuaria, Agrosavia, Colombia
Wilmer Pérez-Caro Corporación Colombiana de Investigación Agropecuaria, Agrosavia, Colombia
Erika Martínez-Lemus Corporación Colombiana de Investigación Agropecuaria, Agrosavia, Colombia
Yuly Sandoval-Cáceres Corporación Colombiana de Investigación Agropecuaria, Agrosavia, Colombia
Wilmar Wilches-Ortiz Corporación Colombiana de Investigación Agropecuaria, Agrosavia, Colombia
Alba Villa-Triana Corporación Colombiana de Investigación Agropecuaria, Agrosavia, Colombia

DOI:

https://doi.org/10.55996/dekamuagropec.v3i2.95

Palabras clave:

APC, árbol de decisiones, factores predisponentes, modelos supervisados

Resumen

El patógeno Fusarium oxysporum es la mayor limitante en la producción del cultivo de uchuva Physalis peruviana, a causa de la inexperiencia de los productores para identificarlo y manejarlo. En ese sentido el objetivo de esta investigación fue identificar la relación entre las características químicas del suelo, con la presencia y ausencia de Fusarium oxysporum. La recolección de muestras de suelo fue de 100 unidades productoras uchuva. Este proceso fue realizado en parcelas con plantas sanas y plantas afectadas por el patógeno Fusarium oxysporum Schltdl. Se empleó los análisis descriptivos, correlaciones de Pearson, componentes principales (APC) y modelos Machine Learning para analizar la información asociada a los elementos químicos del suelo, de fincas productoras de uchuva. El modelo Decision Tree Classifier mostró el mejor rendimiento predictivo con métricas de Accuracy de 0.58, Recall de 0.57, y el F1 Score de 0.51, permitiendo establecer que la presencia de F. oxysporum está asociada a elementos como: Ca, K, Capacidad de intercambio catiónico efectiva (CICE), pH y % Arena. Los hallazgos en esta investigación son de utilidad para perfilar modelos predictivos y que se podrían incluir en los planes de manejo de esta enfermedad.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Ali, M. (2020). PyCaret: An open source, low-code machine learning library in Python. PyCaret version, 2.

Abdulridha, J., Ampatzidis, Y., Ehsani, R. y de Castro, A. I. (2018). Evaluating the performance of spectral features and multivariate analysis tools to detect laurel wilt disease and nutritional deficiency in avocado. Computers and Electronics in Agriculture, 155, 203–211. https://doi.org/https://doi.org/10.1016/j.compag.2018.10.016

Aworka, R., Cedric, L. S., Adoni, W. Y. H., Zoueu, J. T., Mutombo, F. K., Kimpolo, C. L. M., Nahhal, T. y Krichen, M. (2022). Agricultural decision system based on advanced machine learning models for yield prediction: Case of East African countries. Smart Agricultural Technology, 2, 100048. https://doi.org/https://doi.org/10.1016/j.atech.2022.100048

Asociación Nacional de Comercio Exterior (ANALDEX). (2021). Exportaciones de uchuva 2016. En línea: http://www.analdex.org/wp-content/uploads/2017/02/Informe-Uchuva-2017-SE.pdf.

Asociación Nacional de Comercio Exterior (ANALDEX). (2021). Mercado de la uchuva. En línea: http://www.analdex.org/2018/02/26/mercado-de-la-uchuva/.

Bansal, M., Goyal, A. y Choudhary, A. (2022). A comparative analysis of K-Nearest Neighbor, Genetic, Support Vector Machine, Decision Tree, and Long Short Term Memory algorithms in machine learning. Decision Analytics Journal, 3, 100071. https://doi.org/https://doi.org/10.1016/j.dajour.2022.100071

Bansal, M., Prince, Yadav, R. y Ujjwal, P. K. (2020). Palmistry using Machine Learning and OpenCV. 2020 Fourth International Conference on Inventive Systems and Control (ICISC), 536–539. https://doi.org/10.1109/ICISC47916.2020.9171158

Bautista, E., Quirama, J. y Bautista, E. (2021). Modelo predictivo del progreso en el aprendizaje de los estudiantes de uniminuto aplicando técnicas de machine learning. Conrado, 17(83), 305-310. Epub 10 de diciembre de 2021. Recuperado en 15 de octubre de 2022, de http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S1990-86442021000600305&lng=es&tlng=es.

Beckman, C., and E. Roberts. (1995). On the nature and generic basis for resistance and tolerance to wilt diseases of plants. Advanced Botanical Research 24(3): 35-77.

Borges-Pérez, A., Trujillo, J. D. C., Gutiérrez Jerez, F. y Angulo Rodríguez, D. (1983). Estudio sobre el Mal de Panamá en las Islas Canarias. II. Influencia de los desequilibrios nutritivos P-Zn y K-Mg del suelo, en la alteración de los mecanismos de resistencia de la platanera (Cavendish enana) al Mal de Panamá.

Calvo Vélez, P., Reymundo Meneses, L. y Zúñiga Dávila, D. (2008). Estudio de las poblaciones microbianas de la rizósfera del cultivo de papa (Solanum tuberosum) en zonas altoandinas. Ecología Aplicada, 7(1-2), 141-148.

Castro León, J. A., Penagos Díaz, L. y Salgado Úsuga, S. T. (2020). Estudio de viabilidad para exportar uchuva hacia Estados Unidos.

Domínguez-Hernández, J. D., Negrín-Medina, M. A. y Rodríguez-Hernández, C. M. (2010). Potassium Selectivity in Transported Volcanic Soils (Sorribas) under Banana Cultivation in Relation to Banana-Wilt Expression Caused by Fusarium oxysporumf. sp. Cubense. Communications in Soil Science and Plant Analysis, 41(14), 1674–1692. https://doi.org/10.1080/00103624.2010.489133

EMBRAPA (Centro Nacional de Pesquisa de Mandioca e Fruticultura Tropical). (1987). Relatório técnico do Centro Nacional de Pesquisa de Mandioca e Fruticultura –1986. Cruz das Almas, Brasil. en: https://www.agronet.gov.co/Documents/39-UCHUVA_2017.pdf. (con acceso 07/09/2022).

Estupiñán Rodríguez, H. y Ossa Canencio, J. A. (2007). Efecto del agente causal de la marchitezvascular de la uchuva (Physalis peruvianaL.) el hongo Fusarium oxysporum schlecht, sobre algunas solanáceas y otras especies cultivadas afectadas por formas especiales del microorganismo. En: https://repository.javeriana.edu.co/handle/10554/8319.

Forero de La-Rotta y Quevedo. (2005). Marchitamiento vascular en uchuva (Physalis peruvianaL.) ocasionada por Fusarium oxysporum. En: resúmenes XXVI congreso de ASCOLFI. Bogotá octubre 5-7. 70p.

Gallardo Correa, A. (2006). Geostadística. Ecosistemas, Vol. 15, n. 3 (sept.-dic. 2006); pp. 48-58.

Garzón, C., Cortés, C. A., y Camacho-Tamayo, J. H. (2010). Variabilidad espacial de algunas propiedades químicas en un Entisol. Revista UDCA Actualidad y Divulgación Científica, 13(1), 87-95.

Góngora Salgado, A. C. y Rojas Gracia, P. (2006). Incidencia de las enfermedades en uchuva Physalis peruviana L., por estado fenológico y de acuerdo con la ubicación en los diferentes estratos de la planta, en el departamento de Cundinamarca. Trabajo de grado Microbiología Agrícola y Veterinaria. Fac. Ciencias Biológicas, Pontificia Universidad Javeriana, Bogotá. 87p.

Gupta, P. y Sehgal, N. K. (2021). Introduction to Machine Learning in the Cloud with Python: Concepts and Practice. In Introduction to Machine Learning in the Cloud with Python. Springer International Publishing. https://doi.org/10.1007/978-3-030-71270-9

Haglund, W. y J. Kraft (2001). Fusarium wilt. p. 14-16. In: Kraft, J.M. and Pfleger, F.L. (eds.). Compendium of pea diseases and pests. The American Phytopatological Society Press, Minnesota, USA. 84 p.

Hassan, H. A., Serag, H. M., Qadir, M. S. y Ramadan, M. F. (2017). Cape gooseberry (Physalis peruviana) juice as a modulator agent for hepatocellular carcinoma-linked apoptosis and cell cycle arrest. Biomedicine y Pharmacotherapy, 94, 1129-1137.

Hawkesford, M., Horst, W., Kichey, T., Lambers, H., Schjoerring, J., Møller, I. S. y White, P. (2011). Functions of Macronutrients. In Marschner’s Mineral Nutrition of Higher Plants: Third Edition (pp. 135–189). Elsevier Inc. https://doi.org/10.1016/B978-0-12-384905-2.00006-6

Huber, D., Römheld, V. y Weinmann, M. (2011). Relationship between Nutrition, Plant Diseases and Pests. In Marschner’s Mineral Nutrition of Higher Plants: Third Edition (pp. 283–298). Elsevier Inc. https://doi.org/10.1016/B978-0-12-384905-2.00010-8

Hwang, S. (1985). Ecology and control of fusarial wilt of banana. Plant Protection Bulletin 27(3): 233-245.

Kaliyadan, F. y Kulkarni, V. (2019). Types of Variables, Descriptive Statistics, and Sample Size. Indian Dermatology Online Journal, 10(1). https://journals.lww.com/idoj/Fulltext/2019/10010/Types_of_Variables,_Descriptive_Statistics,_and.19.aspx

Jhuria, M., Kumar, A. y Borse, R. (2013). Image processing for smart farming: Detection of disease and fruit grading. 2013 IEEE Second International Conference on Image Information Processing (ICIIP-2013), 521–526. https://doi.org/10.1109/ICIIP.2013.6707647.

Ochoa Fuentes, Y. M., Cerna Chávez, E., Gallegos Morales, G., Landeros Flores, J., Delgado Ortiz, J. C., Hernández Camacho, S. y Olalde Portugal, V. (2012). Identificación de especies de Fusarium en semilla de ajo en Aguascalientes, México. Revista mexicana de micología, 36, 27-32.

Orr, R. y Nelson, P. N. (2018). Impacts of soil abiotic attributes on Fusarium wilt, focusing on bananas. Applied Soil Ecology, 132, 20–33. https://doi.org/https://doi.org/10.1016/j.apsoil.2018.06.019

Panigrahi, R. y Borah, S. (2018). Rank Allocation to J48 Group of Decision Tree Classifiers using Binary and Multiclass Intrusion Detection Datasets. Procedia Computer Science, 132, 323–332. https://doi.org/https://doi.org/10.1016/j.procs.2018.05.186

Prieto Morante, J. S. y Trelles Prieto, R. L. (2021). Clasificación de hojas de tomate con plagas o enfermedades usando una máquina de soporte vectorial (SVM). Tomado de https://pirhua.udep.edu.pe/bitstream/handle/11042/4940/T_IME_2103.pdf?sequence=1 (2019).

Pujari, D., Yakkundimath, R. y Byadgi, A. S. (2016). SVM and ANN based classification of plant diseases using feature reduction technique. IJIMAI, 3(7), 6-14.

R Core Team (2017) R: a language and environment for statistical computing. R Foundation for Statistical Computing. https://www.R-project.org/.

Restrepo, L., Posada, S. y Noguera, R. (2012). Application of the principal-component analysis in the evaluation of three grass varieties. Revista Colombiana de Ciencias Pecuarias, 25, 258–266. http://www.scielo.org.co/scielo.php?script=sci_arttext&pid=S0120-06902012000200011&nrm=iso

Rodríguez‐Molina, M. C., Medina, I., Torres‐Vila, L. M. y Cuartero, J. (2003). Vascular colonization patterns in susceptible and resistant tomato cultivars inoculated with Fusarium oxysporum f. sp. lycopersici races 0 and 1. Plant Pathology, 52(2), 199-203.

Rovetta, A. (2020). Raiders of the Lost Correlation: A Guide on Using Pearsonand Spearman Coefficients to Detect Hidden Correlations in Medical Sciences. Cureus. https://doi.org/10.7759/cureus.11794

Roveda, G., Peñaranda, A., Ramírez, M., Baquero, I. y Galindo, R. (2012). Diagnóstico de la fertilidad química de los suelos de los municipios de Granada y Silvania para la producción de uchuva en Cundinamarca. In Revista Corpoica-Ciencia y Tecnología Agropecuaria (Vol. 13, Issue 2).

Sanogo, S. y Yang, X. B. (2001). Relation of sand content, pH, and potassium and phosphorus nutrition to the development of sudden death syndrome in soybean. Canadian Journal of Plant Pathology, 23(2), 174–180. https://doi.org/10.1080/07060660109506927

Sidey-Gibbons, J. A. M. y Sidey-Gibbons, C. J. (2019). Machine learning in medicine: a practical introduction. BMC Medical Research Methodology, 19(1), 64. https://doi.org/10.1186/s12874-019-0681-4

Somogyi, Z. (2021). The Application of Artificial Intelligence: Step-by-Step Guide from Beginner to Expert. In The Application of Artificial Intelligence. Springer International Publishing. https://doi.org/10.1007/978-3-030-60032-7

Sun, S. y Huang, V. (1985). Formulated soil amendment for controlling Fusarium wilt and other soil-borne diseases. Plant Disease 69(11): 917-920.

Tandera, T., Suhartono, D., Wongso, R. y Prasetio, Y. L. (2017). Personality prediction system from facebook users. Procedia computer science, 116, 604-611.

Trujillo,I., Gutierrez, F. y Borges, A. (1983). Estudio sobre el mal de Panamá en las Islas Canarias. III. Relaciones entre parámetros físicos y químicos de los suelos. Fruits 38(11): 759-764.