Aplicación de Machine Learning en la detección de la plaga Pseudococcus spp. en el cultivo del caqui en València mediante teledetección | Application of Machine Learning in pest detection of Pseudocococcus spp. in the persimmon crop in Valencia by remote sensing. | Aplicació de Machine Learning en la detecció de la plaga Pseudococcus spp. en el cultiu del caqui a València mitjançant teledetecció

[ES] El cultivo del caqui en la provincia de València (España) es una actividad agrícola relevante, especialmente en la comarca de la Ribera, que destaca por las condiciones climáticas y edafológicas favorables para su desarrollo. Esta actividad agrícola no está exenta de desafíos y, uno de los más importantes es la presencia de la plaga Pseudococcus spp, también conocida como cotonet. Los daños ocasionados por esta plaga son significativos en el cultivo de Caqui puesto que afectan tanto a la calidad como la cantidad de la producción, y causan pérdidas económicas significativas tanto a corto como a largo plazo. La lucha contra esta plaga ha sido tradicionalmente complicada debido a su capacidad de propagación rápida y a la resistencia desarrollada contra algunos métodos de control convencionales. En este contexto, la teledetección emerge como una herramienta prometedora para ayudar a abordar esta problemática en los cultivos de caqui. La teledetección permite la detección temprana de anomalías en la vegetación mediante el uso de imágenes satelitales, lo que facilita la identificación de áreas afectadas por la plaga antes de que los síntomas hayan sido visibles a simple vista. Esta información temprana servirá de gran ayuda a los agricultores para tomar medidas preventivas y de control de manera más eficiente y precisa, reduciendo así el impacto negativo de la plaga y ayudando a mantener la productividad y la rentabilidad de los cultivos de caqui en la región. El objetivo que se pretende alcanzar es llegar a poder identificar, separar y clasificar, a nivel intra-parcelario, las áreas sanas de las afectadas por la plaga, mediante la utilización de datos generados por la teledetección, y el análisis predictivo mediante técnicas de Machine Learning supervisado. El estudio se llevará a cabo en la provincia de València. Las parcelas seleccionadas han sido identificadas considerando su grado de afectación por la plaga en los años 2020 y 2021, lo que ha permitido distinguir entre parcelas afectadas y parcelas sanas. Se consideran parcelas sanas aquellas en las que la incidencia de la plaga a nivel de frutos afectados es inferior al 25% y una parcela se considera que está afectada si se superaba este umbral de incidencia. En total, se analizará una superficie de 72 hectáreas. Las imágenes satelitales serán obtenidas por el Multi-Spectral Instrument (MSI) a bordo de la constelación Sentinel-2A/B, correspondientes al tile T30SYJ (producto Level 1-C), aplicándose la corrección atmosférica LaSRC, con una cadencia de 5 días y se eliminarán los días nublados. Se utilizarán las bandas espectrales a 10m: B4 (rojo) y B8 (NIR) en 2 años consecutivos (2020-2021), estudiándose las mismas parcelas cada año. La bondad del modelo obtenido se evaluará calculando su matriz de confusión y las métricas derivadas de ella (exactitud, precisión, sensibilidad y especificidad).

[EN] Persimmon cultivation in the province of Valencia (Spain) is a relevant agricultural activity, especially in the region of La Ribera, which stands out for its favorable climatic and edaphological conditions for its development. This agricultural activity is not exempt from challenges, and one of the most important is the presence of the pest Pseudococcus spp, also known as "cotonet". The damage caused by this pest is significant in the persimmon crop, affecting both the quality and quantity of production, causing significant economic losses in both the short and long term. The control of this pest has traditionally been complicated due to its ability to spread rapidly and the resistance developed against some conventional control methods. In this context, remote sensing emerges as a promising tool to help address this problem in persimmon crops. Remote sensing allows early detection of vegetation anomalies through the use of satellite imagery, which facilitates the identification of areas affected by the pest before symptoms are visible to the naked eye. This early information will help farmers to take preventive and control measures more efficiently and accurately, thus reducing the negative impact of the pest and helping to maintain the productivity and profitability of persimmon crops in the region. The objective is to identify, separate and classify, at intra-plot level, the healthy areas from those affected by the pest, by using data generated by remote sensing and predictive analysis using supervised Machine Learning techniques. The study will be carried out in the province of Valencia. The selected plots have been identified considering their degree of affectation by the pest in the years 2020 and 2021, which has allowed distinguishing between affected plots and healthy plots. Healthy plots are considered to be those in which the incidence of the pest at the level of affected fruit is less than 25% and a plot is considered to be affected if this incidence threshold is exceeded. In total, an area of 72 hectares will be analyzed. The satellite images will be obtained by the Multi-Spectral Instrument (MSI) on board the Sentinel-2A/B constellation, corresponding to tile T30SYJ (Level 1-C product), applying the LaSRC atmospheric correction, with a cadence of 5 days and eliminating cloudy days. The spectral bands at 10m: B4 (red) and B8 (NIR) will be used in 2 consecutive years (2020-2021), studying the same plots each year. The obtained model fit goodness will be evaluated by calculating its confusion matrix and the metrics derived from it (accuracy, precision, sensitivity and specificity).

TFGM

Canet Climent, J. (2024). Aplicación de Machine Learning en la detección de la plaga Pseudococcus spp. en el cultivo del caqui en València mediante teledetección. Universitat Politècnica de València. http://hdl.handle.net/10251/213307