Analítica de datos de incidencia de plagas para el control preventivo en el cultivo de arroz
DOI:
https://doi.org/10.65415/jf01gg33Palabras clave:
arroz; analítica predictiva; agricultura de precisión; plagas agrícolasResumen
El cultivo de arroz es estratégico para la seguridad alimentaria y la economía rural, pero su productividad se ve afectada por plagas como sogata, chinches, gusano cogollero, minadores, ácaros y caracol manzana. Este estudio tuvo como objetivo analizar la incidencia de plagas mediante técnicas de analítica de datos para fortalecer la toma de decisiones preventivas. Se desarrolló una investigación cuantitativa, aplicada, no experimental, descriptiva, correlacional y predictiva. Se estructuró un escenario analítico con 240 observaciones simuladas representativas de unidades productivas arroceras, integrando variables climáticas, agronómicas y fitosanitarias. El procesamiento se planteó con Python, Pandas, NumPy, Scikit-Learn y Power BI. Se aplicaron estadística descriptiva, correlaciones, regresión logística, Random Forest y Gradient Boosting. Los resultados señalaron que humedad relativa, temperatura, precipitación acumulada, edad fenológica y malezas fueron variables asociadas con eventos de alta incidencia. Random Forest alcanzó el mejor desempeño, con exactitud de 0,87 y AUC-ROC de 0,91. Se concluye que la analítica predictiva permite anticipar escenarios de riesgo fitosanitario y apoyar el manejo integrado de plagas en arroz.
Descargas
Referencias
Babar, A. Z., & Akan, O. B. (2024). Sustainable and precision agriculture with the Internet of Everything (IoE). arXiv. https://arxiv.org/abs/2404.06341
Botero-Valencia, J., García-Pineda, V., Valencia-Arias, A., Valencia, J., Reyes-Vera, E., Mejia-Herrera, M., & Hernández-García, R. (2025). Machine learning in sustainable agriculture: Systematic review and research perspectives. Agriculture, 15(4), 377. https://doi.org/10.3390/agriculture15040377
Chiranjeevi, S., Sadaati, M., Deng, Z. K., Koushik, J., Jubery, T. Z., Mueller, D., O’Neal, M., Merchant, N., Singh, A., & Ganapathysubramanian, B. (2023). Deep learning powered real-time identification of insects using citizen science data. arXiv. https://arxiv.org/abs/2306.02507
FAO. (2024). World food and agriculture: Statistical yearbook 2024. Food and Agriculture Organization of the United Nations.
Iost Filho, F. H., Pazini, J. B., Alves, T. M., Koch, R. L., & Yamamoto, P. T. (2022). How does the digital transformation of agriculture affect the implementation of integrated pest management? Frontiers in Sustainable Food Systems, 6, 972213. https://doi.org/10.3389/fsufs.2022.972213
Nanushi, O., Sitokonstantinou, V., Tsoumas, I., & Kontoes, C. (2022). Pest presence prediction using interpretable machine learning. arXiv. https://arxiv.org/abs/2205.07723
OECD/FAO. (2024). OECD-FAO Agricultural Outlook 2024–2033. OECD Publishing. https://doi.org/10.1787/4c5d2cfb-en
Pai, P., Amutha, S., Patil, S., Shobha, T., Basthikodi, M., Shafeeq, B. M. A., & Gurpur, A. P. (2025). Deep learning-based automatic diagnosis of rice leaf diseases using ensemble CNN models. Scientific Reports, 15, 27690. https://doi.org/10.1038/s41598-025-13079-z
Paudel, D., Boogaard, H., de Wit, A., Janssen, S., Osinga, S., Pylianidis, C., & Athanasiadis, I. N. (2021). Machine learning for large-scale crop yield forecasting. Agricultural Systems, 187, 103016. https://doi.org/10.1016/j.agsy.2020.103016
Sah, S., Haldar, D., Singh, R., Das, B., & Nain, A. S. (2024). Rice yield prediction through integration of biophysical parameters with SAR and optical remote sensing data using machine learning models. Scientific Reports, 14, 21674. https://doi.org/10.1038/s41598-024-72624-4
Seelwal, P., Dhiman, P., Gulzar, Y., Kaur, A., Wadhwa, S., & Onn, C. W. (2024). A systematic review of deep learning applications for rice disease diagnosis: Current trends and future directions. Frontiers in Computer Science, 6, 1452961. https://doi.org/10.3389/fcomp.2024.1452961
Shafi, U., Mumtaz, R., Anwar, Z., Ajmal, M., Khan, M. A., & Mahmood, Z. (2023). Tackling food insecurity using remote sensing and machine learning-based crop yield prediction. IEEE Access, 11, 108640–108657. https://doi.org/10.1109/ACCESS.2023.3321020
Sharma, A., Jain, A., Gupta, P., & Chowdary, V. (2021). Machine learning applications for precision agriculture: A comprehensive review. IEEE Access, 9, 4843–4873. https://doi.org/10.1109/ACCESS.2020.3048415
Skawsang, S., Nagai, M., Tripathi, N. K., & Soni, P. (2019). Predicting rice pest population occurrence with satellite-derived crop phenology, ground meteorological observation, and machine learning: A case study for the Central Plain of Thailand. Applied Sciences, 9(22), 4846. https://doi.org/10.3390/app9224846
Soussi, A., Zero, E., Sacile, R., Trinchero, D., & Fossa, M. (2024). Smart sensors and smart data for precision agriculture: A review. Sensors, 24(8), 2647. https://doi.org/10.3390/s24082647
Woźniak, M., & Ijaz, M. F. (2024). Recent advances in big data, machine, and deep learning for precision agriculture. Frontiers in Plant Science, 15, 1367538. https://doi.org/10.3389/fpls.2024.1367538
Zaborowicz, M., & Frankowski, J. (2025). Big data analytics and machine learning for smart agriculture. Agriculture, 15(7), 757. https://doi.org/10.3390/agriculture15070757
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Oscar Xavier Bermeo Almeida, Verónica Isabel Guevara Arias
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
