Clasificación de zonas afectadas por la marchitez en banano: una aplicación con algoritmos de Machine Learning en Venezuela

Agricultural production systems have millions of data that Artificial Intelligence (AI) can transform into information to promote accuracy in the producer's decision-making and, thus, maximize production in a sustainable way. The objective of this work is to classify areas affected by wilt in banana in Venezuela using Machine Learning algorithms such as: Random Forest (RF), Support Vector Machines (SVM), classification trees (CART), the Decision trees algorithm (C5.0) and linear discriminant analysis (ADL), likewise different resampling techniques were applied: subsampling, oversampling, random oversampling (ROSE) and synthetic minority oversampling technique (SMOTE). To do this, a systematic soil sampling was carried out in the 39 banana lots and the incidence was evaluated during the years 2016 and 2017. The results indicate that RF through the subsampling technique can be an effective algorithm to make decisions in affected banana areas. from diseases such as banana wilt. The sensitivity, specificity, accuracy and Kappa coefficient statistics were 1.0, 0.94, 0.96 and 0.91 respectively, without the resampling technique. RF would help prevent and reduce the effect of banana diseases and their impact on production. In conclusion, Machine Learning in agriculture could offer an advance that would guarantee decision-making with the aim of achieving sustainability.Los sistemas de producción agrícola cuentan con millones de datos que la Inteligencia Artificial (IA) puede transformar en información para favorecer la exactitud en la toma de decisiones del productor y, así, maximizar la producción de forma sostenible. El objetivo de este trabajo es clasificar zonas afectadas por la marchitez en banano de Venezuela mediante algoritmos de Machine Learning tales como: Random Forest (RF), máquinas de soporte vectorial (Support Vector Machines, SVM), árboles de clasificación (CART), el algoritmo de árboles de decisión (C5.0) y análisis discriminante lineal (ADL), así mismo se aplicaron diferentes técnicas de re-muestreo: submuestreo, sobremuestreo, sobremuestreo aleatorio (ROSE) y técnica de sobremuestreo de minorías sintéticas (SMOTE). Para ello, se realizó un muestreo de suelo sistemático en los 39 lotes de bananos y se evaluó la incidencia durante los años 2016 y 2017. Los resultados indican que RF mediante la técnica de submuestreo puede ser un algoritmo eficaz para tomar decisiones en áreas bananeras afectadas por enfermedades como la marchitez del banano. Los estadísticos de sensibilidad, especificidad, exactitud y coeficiente de Kappa fueron de 1.0, 0.94, 0.96 y 0.91 respectivamente, sin técnica de remuestreo. RF ayudaría a prevenir y reducir el efecto de enfermedades bananeras y su impacto en la producción. En conclusión, el Machine Learning en la agricultura podría ofrecer un avance que garantizaría la toma de decisiones con el objetivo de alcanzar la sostenibilidad