Advertisement

Predictive Models for the Detection of Diseases in Crops Through Supervised Learning

  • Cristina Páez Quinde
  • Margarita Narváez Ríos
  • Segundo Curay Quispe
  • Marco Pérez Salinas
  • Francisco Torres Oñate
  • Daniel Sánchez Guerrero
  • Javier Sánchez Guerrero
  • Carlos A. Morales F.
Conference paper
Part of the Communications in Computer and Information Science book series (CCIS, volume 749)

Abstract

This paper proposes a methodology for the application of prediction algorithms for the development of diseases in crops using data mining techniques, which incorporate validation mechanisms based on data analysis requirements including verification of the method of selection and presentation of the results, as well as mechanisms of validation of the results based on metrics of quality of the information, which guarantee the effectiveness in the construction of the knowledge. The conditions for the establishment and proliferation of diseases are used as a case study in the analysis and contrasted with the favorable meteorological conditions for the different diseases, using methods that allow the collection of data for the prognosis of the disease. The models relate indicators of occurrence with meteorological data collected from the National Institute of Meteorology and Hydrology located in Querochaca Experimental Farm of the Technical University of Ambato whose geographical coordinates are: Latitude: −1.353543; Longitude: −78.617175. The data analysis techniques used were able to predict crop diseases in 78.80% with the J48 algorithm and 79.18% with the Logistic Regression algorithm based on data collected and analyzed from the meteorological station of the year 2015–2016, allowing the iterative search of correlations of consecutive day records, agro-climatic variables and biological variables. Our study is an initial proposal taking as parameters the temperature and humidity from previous works that qualify this line of research.

Keywords

Supervised learning Agroclimatic variables Disease Cultivation Agriculture 

References

  1. 1.
    Bombelli, E.: Modelado para la predicción de enfermedades en los cultivos de alto valor comercial. Universidad Tecnologica Nacional, Buenos Aires (2011)Google Scholar
  2. 2.
    Bombelli, E., Moschini, R., Wright, E., López, M.V., Fabrizio, M.: Modelado para la predicción de enfermedades en cultivos de alto valor comercial. In: Proyecciones, pp. 47–59 (2013)Google Scholar
  3. 3.
    Borrás, O., Hernández, I., Portieles, R., Silva, Y., Pujol, M., Oliva, O.: Desarrollo de una alta protección frente a hongos y oomycetes en plantas mediante genes involucrados en la inhibición de patrones moleculares asociados a patógenos. In: Revista Anuales de la Academia de Ciencias de Cuba, pp. 1–14 (2014)Google Scholar
  4. 4.
    Bustos, J.: Inteligencia Artificial en el Sector Agropecuario. In: Seminario de Investigación, pp. 1–8 (2005)Google Scholar
  5. 5.
  6. 6.
    Corrales, D.C., Corrales, J.C., Figueroa Casas, A.: Hacia la detección de plagas y enfermedades en cultivos a través de aprendizaje supervisado, pp. 207–228 (2015)Google Scholar
  7. 7.
    Egea, J.M., Catalá, M., Egea, M.: Nuevos datos sobre variedades locales de solanáceas de la región de Murcia como base para la producción ecología, VIII Congreso SEAE Bullas (Murcia) (2008)Google Scholar
  8. 8.
    Ghaffari, R., Zhang, F.: Early detection of diseases in tomato crops: an electronic nose and intelligent systems approach. In: Control Decision and Information Technologies, pp. 753–757 (2010)Google Scholar
  9. 9.
    Gil, J., Cotes, J., Marín, M.: Incidencia visual de síntomas asociados a enfermedades virales en cultivos de papa de Colombia. In: Biotecnología en el Sector Agropecuario y Agroindustrial, pp. 101–110 (2013)Google Scholar
  10. 10.
    González, D., Costales, D., Falcón, A.: Influencia de un polímero de quitosana en el crecimiento y la actividad de enzimas defensivas en tomate (Solanum lycopersicum L.). In: Cultivos Tropicales, pp. 35–42 (2014)Google Scholar
  11. 11.
    Guerra, G., De Rossi, R., Plazas, M., Marquez, N., Ducasse, D., & Brucher, E.: La protección vegetal en los cultivos. Aportes desde la fitopatología para el manejo de las enfermedades. In: Biología, epidemiología, manejo y control de hongos y bacterias fitopatógenas asociados a cultivos (2014)Google Scholar
  12. 12.
    Hernández, L., Montezuma, H., Vidal, N., Ruíz, R., Castillo, D., Chiquito, R.: La situación de las annonaceae en México: principales plagas, enfermedades y su control. In: V Congresso Internacional & Encontro Brasileiro sobre Annonaceae: do gene á exportao, pp. 044–054 (2014)Google Scholar
  13. 13.
    Jimenez, H.: Identificación de fitopatógenos asociados a las principales enfermedades del cultivo de sábila en los municipios de Agua de Dios y Ricaurte (Cundinamarca). In: Revista Tecnología y Productividad. Girardot, Regional Cundinamarca, pp. 35–50 (2015)Google Scholar
  14. 14.
    Kaundal, R., Kapoor, A., Raghava, G.: Machine learning techniques in disease forecasting: a case study on rice blast prediction. BMC Bioinf. (2016)Google Scholar
  15. 15.
    Morales, E., Gutierrez, J., Cerna, W., Chavez, L.: Muestreo secuencial de spodoptera frugiperda cogollero en el cultivo de zea mays para determinar límites de confianza. In: Repositorio Digital Universidad José Faustino Sánchez, pp. 1–6 (2013)Google Scholar
  16. 16.
    Pérez, C., Nicholson, A., Flores, J.: Prediction of coffee rust disease using Bayesian networks. In: Sixth European Workshop on Probabilistic Graphical Models, pp. 259–266 (2012)Google Scholar
  17. 17.
    Kaundal, R., Kapoor, A.S.: Machine learning techniques in disease forecasting: a case study on rice blast prediction. BMC Bioinf. (2007)Google Scholar
  18. 18.
    Tendencias, R., Comercio, E.: Big Data, El Futuro Agrícola? Obtenido de El Comercio (30 de Mayo de 2015). http://especiales.elcomercio.com/planeta-ideas/planeta/mayo-31-del-2015/big-data-el-futuro-agricola
  19. 19.
    Robles, Á., Salinas, D., Armijos, W., Sánchez, A., Torres, R.: Estudio de la variabilidad morfológica de aislados fúngicos asociados con la enfermedad de la marchitez vascular del babaco (Vasconcellea heilbornii var. pentagona) Loja - Ecuador. In: Centro de Biotecnología, pp. 34–44 (2013)Google Scholar
  20. 20.
    Tello, M., Eslava, H., Tobías, L.: Análisis y evaluación del nivel de riesgo en el otorgamiento de créditos financieros utilizando técnicas de minería de datos. In: Vision Investigadora, pp. 13–26 (2012)Google Scholar
  21. 21.
    Rosado, A., Verjel, A.: Minería de datos aplicada a la demanda del transporte aéreo en Ocaña, Norte de Santander. In: Tecnura, pp. 101–113 (2015)Google Scholar
  22. 22.
    Rueda, E., Hernández, L., Peña, J., Ruiz, F., López, J., Huez, M., Jiménez, J., Borboa, J., Ortega, J.: Ralstonia solanacearum: Una enfermedad bacteriana de importancia cuarentenaria en el cultivo de Solanum tuberosum L., pp. 24–36 (2014)Google Scholar
  23. 23.
    Sannakki, S., Rajpurohit, V.: A neural network approach for disease forecasting in grapes using weather parameters. IEEE (2014)Google Scholar
  24. 24.
    Sifuentes, E., Ruelas, J., Macías, J., Talamantes, I., Palacios, C., Valenzuela, B.: Fenología y tiempo en el manejo del riego y fertilización del cultivo de papa. In: Revista de Ciencias Biológicas y de la Salud, pp. 42–48 (2015)Google Scholar

Copyright information

© Springer International Publishing AG 2017

Authors and Affiliations

  • Cristina Páez Quinde
    • 1
  • Margarita Narváez Ríos
    • 1
  • Segundo Curay Quispe
    • 2
  • Marco Pérez Salinas
    • 2
  • Francisco Torres Oñate
    • 1
  • Daniel Sánchez Guerrero
    • 3
  • Javier Sánchez Guerrero
    • 1
  • Carlos A. Morales F.
    • 1
  1. 1.Facultad de Ciencias Humanas y de la EducaciónUniversidad Técnica de AmbatoAmbatoEcuador
  2. 2.Facultad de Ciencias AgropecuariasUniversidad Técnica de AmbatoAmbatoEcuador
  3. 3.Departamento de Ciencias de la VidaUniversidad Estatal AmazónicaPuyoEcuador

Personalised recommendations