Desarrollo de modelo de machine learning y herramienta de visualización de estimaciones futuras de DSV para la prevención de la sigatoka negra en Belice

Abstract

La sigatoka negra es una enfermedad causada por el hongo Mycosphaerella Fijiensis, el cual se dispersa principalmente en condiciones de lluvia y humedad. Se encuentra en la mayoría de las zonas tropicales y subtropicales donde se cultivan plátanos y bananos, en condiciones favorables, puede reducir los rendimientos hasta en un 50 %, convirtiéndose en un problema para todo el continente americano. Este trabajo se basa en el modelo de disease severity value (DSV) utilizado por la World Wide Fund for Nature (WWF) en Belice, donde se calcula diariamente un valor de riesgo de desarrollo de la enfermedad, tomando en cuenta variables como la humedad de las hojas, temperatura, precipitación y humedad relativa. El objetivo es poder estimar el DSV para los siguientes 3 días y desarrollar una herramienta de visualización con las predicciones que ayuden al manejo y control de la sigatoka negra. Se integran datos meteorológicos de sensores y satélites para entrenar un modelo de transformador de fusión temporal para predecir la humedad de las hojas. Se optimizó la métrica MAE y se evaluó con precisión, recall y F1-score. El F1-score de las regiones de Belice fue 0.82 en el primer día de predicción y 0.79 en el tercer día de predicción. Estos resultados positivos permiten una correcta estimación del DSVLW con un R2 de 0.63 en el primer día de predicción y 0.55 en el tercer día de predicción. Los datos se integran en un tablero que facilita la visualización y análisis de información reciente y pronosticada, proporcionando así una herramienta de control intuitiva para la toma de decisiones en el manejo de la sigatoka negra en Belice.

The black sigatoka is a disease caused by the fungus Mycosphaerella Fijiensis, which spreads primarily under conditions of rain and humidity. It is found in most tropical and subtropical regions where bananas and plantains are cultivated, and under favorable conditions, it can reduce yields by up to 50 %, making it a problem across the entire American continent. This work is based on the Disease Severity Value (DSV) model used by the World Wide Fund for Nature (WWF) in Belize, where a daily risk value for disease development is calculated, taking into account variables such as leaf wetness, temperature, precipitation, and relative humidity. The objective is to predict the DSV values for the following three days and develop a visualization tool with these predictions to aid in the management and control of black sigatoka. Meteorological data from sensors and satellites are integrated to train a temporal fusion transformer model to predict leaf wetness. The model was optimized for the MAE metric and evaluated using precision, recall, and F1-score. The F1-score for Belize regions was 0.82 on the first prediction day and 0.79 on the third prediction day. These positive results allow an accurate estimation of DSVLW, achieving an R2 of 0.63 on the first prediction day and 0.55 on the third day. The data is integrated into a dashboard that enbale the visualization and analysis of recent information and forecasts, providing an intuitive control tool for decision-making for managing black sigatoka in Belize.