Investigadores de Texas A&M AgriLife Research han desarrollado modelos de inteligencia artificial para predecir el crecimiento de la población en trips (Frankliniella occidentalis) En sistemas de producción de tomate y pimiento, su estudio demostró una precisión del 87,7 % en campo abierto y del 84,9 % en invernaderos. Esta herramienta permite anticipar el riesgo de brotes y respaldar las decisiones de manejo antes de que se produzcan daños en los cultivos.
La investigación evaluó modelos de aprendizaje automático en dos entornos productivos contrastantes. Random Forest mostró el mejor rendimiento en campos abiertos. XGBoost logró la mayor precisión en invernaderos. Los autores también probaron Gradient Boosting Machine (GBM). Los tres algoritmos analizaron variables ambientales y biológicas relacionadas con la dinámica de los insectos.
El estudio utilizó datos de 1.686 trampas adhesivas amarillas instaladas semanalmente en campos de tomate y pimiento en la estación de investigación AgriLife de Texas A&M en Bushland, Texas. De estas, 903 trampas provenían de túneles altos y 783 de campos abiertos adyacentes. Tras la estandarización, los investigadores trabajaron con 2.254 unidades de modelado.
Los investigadores combinaron el recuento de trips con variables meteorológicas. La lista incluía la temperatura media, máxima y mínima, la humedad relativa, la precipitación, la velocidad y la dirección del viento. El estudio también incluyó la población registrada 14 días antes de la recolección. Este intervalo corresponde al tiempo aproximado de desarrollo del insecto, desde el huevo hasta el adulto, en las condiciones evaluadas.
La población previa de insectos, denominada en el estudio como la "población parental", se reveló como el principal predictor de la severidad en ambos entornos. Le siguió la temperatura. La humedad y el viento tuvieron efectos secundarios. En campos abiertos, la combinación de una población previa elevada y una mayor humedad relativa contribuyó a altos niveles de severidad. En invernaderos, el viento tuvo un mayor impacto en la predicción de una alta severidad.
La diferencia entre los entornos fue decisiva. Los modelos entrenados en un sistema no lograron predecir la población en el otro. La precisión fue del 44,13 % al aplicar el modelo de invernadero al campo. El modelo de campo alcanzó el 38,22 % al aplicarlo a los invernaderos. Los autores concluyeron que el campo abierto y el invernadero funcionan como microecosistemas distintos, incluso cuando se encuentran uno al lado del otro.
Este hallazgo refuerza la importancia del microclima en el control de plagas. Según los autores, los invernaderos y los campos abiertos difieren en estabilidad térmica, humedad, viento y exposición. Estas condiciones alteran el desarrollo, la dispersión y el potencial de transmisión de los virus. Frankliniella occidentalisEl estudio indica que las herramientas de previsión deben tener en cuenta estas diferencias para generar alertas útiles para el productor.
Anticipar los riesgos puede cambiar la lógica de la gestión. Según Kiran Gadhave, entomólogo de AgriLife Research y profesor adjunto del Departamento de Entomología de Texas A&M, identificar los riesgos con una semana de antelación permite pasar de una estrategia de respuesta a los daños a una estrategia preventiva.
Los resultados también señalan limitaciones. Los autores informan que los modelos aún no incorporan reguladores biológicos, como enemigos naturales y competencia interespecífica. El estudio también utilizó datos meteorológicos de una estación de campo abierto. En el caso de túneles altos, los sensores instalados en el interior de las estructuras pueden mejorar la resolución espacial y la interpretación ecológica de las relaciones entre el clima y los trips.
Más información en doi.org/10.1016/j.ecoinf.2026.103690
Reciba las últimas noticias sobre agricultura en su correo electrónico
Reciba las últimas noticias sobre agricultura en su correo electrónico
