Ciencia de datos para una agricultura resiliente
Exploramos cómo los datos meteorológicos y las observaciones de campo pueden ayudar a estimar el riesgo de expansión del tizón tardío del tomate.
Un proyecto de investigación aplicada
Datos abiertos · aprendizaje automático · prevención
El tizón tardío es causado por el oomiceto Phytophthora infestans. En condiciones favorables, puede propagarse rápidamente y afectar hojas, tallos y frutos.
Vigía Tizón propone combinar registros de ocurrencia con variables meteorológicas para estudiar dónde podría aumentar el riesgo. Es una herramienta de apoyo a la vigilancia, no un diagnóstico ni un sustituto de la inspección en campo.
Conocer la biología del patógenoFuentes abiertas que pueden integrarse para estudiar ocurrencias y condiciones ambientales. Cada registro requiere revisión antes de usarse como etiqueta de entrenamiento.
Registros de presencia publicados por instituciones y observadores. Consultar Phytophthora infestans y descargar ocurrencias con fecha y coordenadas.
Explorar ocurrencias La calidad, el hospedante y la precisión espacial varían entre registros; filtrar y documentar cada descarga.Series meteorológicas globales disponibles por coordenadas y periodo para construir variables ambientales diarias.
Ver documentación API Revisar resolución, cobertura y variables disponibles para cada región.API abierta de datos históricos y reanálisis meteorológico, útil para explorar lluvia, temperatura y humedad relativa.
Consultar API histórica Confirmar licencia y condiciones de atribución antes de redistribuir datos derivados.Una nota sobre las etiquetas: una ocurrencia de GBIF no siempre es una confirmación de infección en tomate ni un evento de expansión. La curación taxonómica, temporal y espacial es esencial antes de entrenar.
El preprocesamiento define qué aprende el modelo. Cada paso debe quedar versionado y ser reproducible.
Normalizar nombres y fechas; eliminar duplicados y coordenadas inválidas. Vincular cada observación con clima de su ubicación y ventana temporal.
Resumir lluvia, temperatura y horas de humedad en ventanas recientes. Derivar distancia y tiempo desde focos conocidos, sin usar información futura.
Imputar faltantes con una estrategia ajustada en entrenamiento; escalar variables numéricas y codificar clases. Ajustar el pipeline solo con datos de entrenamiento.
Entrenar un SVM con kernel (por ejemplo, RBF) y evaluar la posibilidad de expansión hacia celdas cercanas dentro de un horizonte explícito.
Un SVM puede separar clases en espacios de variables complejos. La escala, el kernel y los parámetros C y gamma se seleccionan mediante validación cruzada, respetando la estructura espacial y temporal de los datos.
El conjunto de test debe permanecer separado hasta el final. Para evitar una evaluación optimista, conviene reservar periodos o zonas completas y prevenir que observaciones vecinas de un mismo brote aparezcan en entrenamiento y test.
Leer sobre epidemiología y control del tizónEste formulario está preparado para conectarse con un servicio de inferencia. La predicción requiere un SVM entrenado, validado y desplegado; hasta entonces, no genera estimaciones ficticias.
origin_latitude, origin_longitude, target_latitude, target_longitude, mean_temp_c, rain_7d_mm, high_humidity_hours_7d, forecast_date
Respuesta JSON · salida
{ risk, probability, horizon_days, model_version }
El proyecto reúne fitopatología, ciencia de datos y conocimiento del territorio.
01Fitopatología
Identificación del patógeno y curación de observaciones.
02Ciencia de datos
Preprocesamiento, entrenamiento y evaluación del SVM.
03Agricultura de precisión
Contexto territorial y traducción de resultados a vigilancia.
Perfiles, nombres y fotografías ilustrativos; reemplazar por los datos autorizados del equipo.
Las referencias contextualizan la biología y epidemiología del tizón, incluyendo estudios en papa. La transferencia al tomate y a nuevas regiones debe validarse localmente.