Para enfrentar la restricción en la exportación de aguacate/palta Hass a Estados Unidos a causa de plagas como del picudo y la polilla –que se alimentan de la pulpa y la semilla del fruto–, investigadores desarrollaron una herramienta con inteligencia artificial (IA) para predecir zonas de riesgo y establecer programas de manejo integral de plagas.
Aunque la tendencia de su consumo ha posicionado al aguacate Hass como una de las frutas tropicales de mayor valor comercial en el mundo, su exportación desde Colombia a países como Estados Unidos no es tan sencilla.
Hasta 2017, el Servicio de Inspección de Sanidad Animal y Vegetal del Departamento de Agricultura impuso restricciones fitosanitarias para su ingreso en fresco, debido a que los insectos-plaga picudo (Heilipus lauri) y polilla (Stenoma catenifer) no existen en ese país.
Precisamente estos dos bichos son el dolor de cabeza de los productores de aguacate Hass, pues los animales eligen el fruto como su morada, y además mientras cumplen su ciclo de vida también lo devoran por dentro, al punto de afectar cultivos enteros.
Pese a que la presencia de las plagas afecta a más del 60% de los cultivos de los departamentos de Antioquia, Caldas, Cauca, Quindío, Risaralda, Tolima y Valle del Cauca, en Colombia, la producción del Hass registra un crecimiento cercano al 80%.
Ante el promisorio panorama del Hass, la Corporación Colombiana de Investigación Agropecuaria (Agrosavia) y la Universidad Nacional de Colombia (UNAL) Sede Palmira, mediante un proyecto de regalías, desarrollaron con IA un modelo de predicción que identifica las áreas más pequeñas en los lotes en donde aparecen las plagas cuarentenarias. Así se puede no solo controlar y monitorear con más precisión, sino que además será posible utilizar menos insecticidas.
El estudio –adelantado en cuatro parcelas experimentales ubicadas en huertos comerciales de Hass en Timbío y Sotará (Cauca, Colombia)– formó parte del trabajo de investigación del ingeniero agrónomo Juan Camilo Zapata Calero, magíster en Ciencias Agrarias, dirigido por el investigador (Ph. D.) Arturo Carabalí Muñoz, de Agrosavia, y el por profesor John Josephraj Selvaraj de la Facultad de Ingeniería y Administración de la UNAL Sede Palmira.
Para desarrollar el modelo y las predicciones finales, el investigador utilizó técnicas de machine learning (o aprendizaje de máquina) además de análisis espaciales y de patrones, estadística espacial y geoestadística. Es importante recordar que el machine learning es una herramienta de la IA que consiste en el aprendizaje automático de la máquina que es alimentada con datos, para luego inferir a partir de la información ingresada.
En este caso, para clasificar la presencia o ausencia del daño se utilizaron redes neuronales artificiales, “las cuales procesan datos de una manera inspirada en la forma como lo hace el cerebro humano; son capaces de aprender patrones complejos y de realizar tareas de predicción y clasificación”.
Acá se trató de una predicción a partir de variables fenológicas como fecha de siembra, duración del día, temperatura, suministro de humedad, componente genético, manejo de la planta y tamaño del fruto, este último un aspecto muy importante pues define si al aguacate le llegarán o no las plagas, ya que cuando está muy pequeño no hay presencia de daños.
FUENTE: UNAL-DICYT
