Evaluación del uso de Redes Bayesianas Dinámicas para la predicción del avance de la Sigatoka negra y la productividad en cultivos agrícolas

Contenido principal del artículo

Resumen

Los Modelos Gráficos Probabilísticos (MGP) utilizan una representación basada en grafos para codificar de manera compacta distribuciones complejas en espacios de alta dimensionalidad. Un tipo de MGP son las Redes Bayesianas Dinámicas (RBDs) que se caracterizan por ser un sistema estacionario homogéneo, lo que permite que con ellas se pueden representar, de una manera compacta, grandes cantidades de información de muchas variables.
En este trabajo se estudia la capacidad de predicción de las RBDs en cuanto al avance de la Sigatoka negra y la productividad del cultivo, utilizando los datos proporcionados por CORBANA. Estos datos tienen información histórica del clima y de dos fenómenos: el avance de la enfermedad denominada Sigatoka negra y la productividad del cultivo del banano. Para esto se comparó la capacidad de predicción de la RBDs con la de las Redes Bayesianas (RBs).
Se diseñaron e implementaron una RBD y una RB que representan las relaciones encontradas en los datos, y con ellas se llevaron a cabo experimentos para identificar cómo los distintos factores inciden en la capacidad de predicción de las mismas. Los resultados obtenidos en los experimentos mostraron que la capacidad de predicción de las RBDs no supera la de las RBs utilizando los datos de la Corporación Nacional Bananera. De hecho, no se observó una diferencia significativa entre ambos tipos de red. Además, se observó gran diferencia en las ventajas teóricas del modelo de las RBDs frente a otros MGPs. Ya que en la práctica las limitaciones de las implementaciones disponibles hacen que no sea atractivo su uso.

Detalles del artículo

Cómo citar
Evaluación del uso de Redes Bayesianas Dinámicas para la predicción del avance de la Sigatoka negra y la productividad en cultivos agrícolas. (2019). Revista Tecnología En Marcha, 32(4), Pág. 158–170. https://doi.org/10.18845/tm.v32i4.4800
Sección
Artículo científico

Citas

[1] D. Koller y N. Friedman, Probabilistic graphical models: principles and techniques. MIT press, 2009.
[2] CORBANA. (Mayo de 2017). Corporación Nacional Bananera. Obtenido de https://www.corbana.co.cr/categories/quienes-somos
[3] S. J. Russell y P. Norvig, Artificial intelligence: a modern approach. Malaysia; Pearson Ed-ucation Limited, 2016.
[4] Y. Zhu, D. Liu, G. Chen, H. Jia, y H. Yu, «Mathematical modeling for active and dynamic diagnosis of crop diseases based on Bayesian networks and incremental learning», Math. Comput. Model., vol. 58, n.o 3-4, pp. 514–523, 2013.
[5] M. I. K. C. D. Buckeridge, «Using Dynamic Bayesian Networks for Incorporating Non-Traditional Data Sources in Public Health Surveillance», 2014.
[6] A. Akutekwe, H. Seker, y S. Iliya, «An optimized hybrid dynamic Bayesian network ap-proach using differential evolution algorithm for the diagnosis of Hepatocellular Carci-noma», en 2014 IEEE 6th International Conference on Adaptive Science & Technology (ICAST), 2014, pp. 1–6.
[7] N. Baba et al., «Continuous Dynamic Bayesian Network for gene regulatory network modelling», en 2014 International Conference on Computational Science and Technology (ICCST), 2014, pp. 1–5.
[8] D. Marim Vargas y R. Romero Calderon, «El combate de la Sigatoka negra», San José Costa Rica CORBANA Dep. Investig., 1990.
[9] M. Paluszewski y T. Hamelryck, «Mocapy++-A toolkit for inference and learning in dy-namic Bayesian networks», BMC Bioinformatics, vol. 11, n.o 1, p. 126, 2010.
[10] Cabot, C., Ulrich, J., & Raugas, M. (Febrero de 2012). LibPGM: Probabilistic Graphical models on Python. Obtenido de pythonhosted.org: http://pythonhosted.org/libpgm/#documentation/
[11] Norsys Corporation. (1995). Netica Application. Obtenido de www.norsys.com: https://www.norsys.com/netica.html
[12] K. Murphy, «The bayes net toolbox for matlab», Comput. Sci. Stat., vol. 33, n.o 2, pp. 1024–1034, 2001.
[13] K. R. Karkera, Building probabilistic graphical models with Python. Packt Publishing Ltd, 2014.
[14] R Core Team. (Mayo de 2017). Obtenido de R: A Language and Environment for Statistical Computing: https://www.R-project.org/