Modelo predictivo de Machine Learning y evaluación de invernaderos para la mitigación de la Roña (Cladosporium spp.) en gulupa en Cundinamarca: estudio de caso en la empresa Ocati.

Abstract

La Gulupa (Passiflora edulis f. edulis), producto de importancia para la exportación en Colombia, enfrenta la amenaza de la Roña (Cladosporium spp.), que reduce su calidad comercial y competitividad. Este estudio busca analizar la incidencia de la enfermedad e integrar modelos de Machine Learning y sistemas de infraestructura protegida como estrategias de mitigación temprana, fundamentado en investigaciones de fitopatología, agricultura protegida e inteligencia artificial. El presente estudio usa los datos proporcionados por la empresa Ocati S.A., para descubrir relaciones entre variables que permitan construir un modelo de Machine Learning que pueda predecir la Incidencia de la Roña (%). Dadas las características de las variables consideradas y del objetivo trazado, se aplicarán los procesos recomendados de Ciencia de Datos como Análisis Exploratorio de Datos y Formulación de Hipótesis, pasos previos ideales para la implementación de un modelo de Machine Learning como fase final. Los algoritmos de Machine Learning considerados corresponden a un conjunto, con el objetivo de evaluar diferentes opciones y métricas de rendimiento de los mismos que permitan obtener los mejores resultados posibles. Por lo tanto, se requiere de la ejecución en diversas iteraciones tanto de exploración como de optimización de los modelos, para garantizar la correcta ejecución del proceso y formular las conclusiones y recomendaciones que deriven del estudio relizado.

Purple passion fruit (Passiflora edulis f. edulis), a product of export importance in Colombia, faces the threat of scab (Cladosporiumspp.), which reduces its commercial quality and competitiveness. This study aims to analyze the incidence of the disease and to integrate Machine Learning models and protected infrastructure systems as early mitigation strategies, based on research in phytopathology, protected agriculture, and artificial intelligence. The present study uses data provided by Ocati S.A. to identify relationships among variables that enable the construction of a Machine Learning model capable of predicting scab incidence (%). Given the characteristics of the variables considered and the objective established, recommended Data Science processes will be applied, such as Exploratory Data Analysis and Hypothesis Formulation, which are ideal preliminary steps prior to the implementation of a Machine Learning model as the final phase. The Machine Learning algorithms considered correspond to a set of models, with the objective of evaluating different options and performance metrics in order to obtain the best possible results. Therefore, multiple iterations of both exploration and model optimization are required to ensure proper execution of the process and to formulate the conclusions and recommendations derived from the conducted study.