Abstract:
El banano ha sido uno de los principales productos de exportación desde su auge en el año 1950 , siendo uno de los ingresos económicos más importantes del país resulta indispensable identificar, monitorear y analizar las distintas enfermedades fúngicas que pueden afectar al crecimiento y exportación del banano, por lo tanto el objetivo del proyecto fue realizar la comparación de dos metodologías de análisis de imágenes multiespectrales y RGB obtenidas desde sensores remotos de baja altura (UAV) y observar si tienen una diferencia significativa en cuanto a su costo, acceso, y certeza de los datos para la identificación de enfermedades en la Estación Experimental Tropical Pichilingue (E.E.T.P), en la provincia de Los Ríos Las imágenes empleadas en este proyecto se tomaron a una altura de 35m y 60m, con un traslape de 80%, las imágenes multiespectrales se procesaron y clasificaron por medio del método Random Forest utilizando índices de vegetación como el NDVI, SAVI, y CIgreen; y las imágenes RGB se clasificaron por medio del algoritmo Machine Learning teniendo como base un modelo matemático que identifica los píxeles de color amarillo presentes en las plantas infectadas. Obteniendo como resultado que tanto las imágenes multiespectrales como las RGB tomadas a 60m muestran mejores resultados en cuanto a la detección de Fusarium Oxysporum, en relación a la certeza ambas metodologías muestran un 80% de precisión en el reconocimiento de la sintomatología, mientras que la metodología más accesible para los agricultores y profesionales en cuanto a costos de implementación es el Machine Learning con un valor de $ 2500, mientras que el costo de levantamiento de información en un área menor a 10 hectáreas es de $15 y el de análisis tiene un costo de $5400, teniendo un valor final de $7915. Se recomienda replicar el experimento en distintos ambientes geográficos para comprobar y corroborar la exactitud y precisión del estudio
