Cómo se calcula el riesgo

El índice SIRI

El Sigatoka Infection Risk Index es una composición ponderada de cuatro factores fisiológicos que regulan la infección por Pseudocercospora fijiensis sobre el cultivar Cavendish.

• f_T (temperatura) · campana gaussiana centrada en 27 °C (σ=4.5), nula fuera de [15, 32] °C. Basado en Jacome & Schuh (1992).
• f_H (humedad) · sigmoide con punto de inflexión en RH = 85%.
• f_W (mojado foliar) · saturación a 12 horas, combinando lluvia y horas con RH > 90% (Huber & Gillespie, 1992).
• f_V (viento) · favorece dispersión de ascosporas entre 2–15 km/h.

El SIRI semanal es un promedio ponderado de los últimos 7 días, donde los días más recientes pesan más. La categorización (muy bajo, bajo, medio, alto, crítico) determina la recomendación de manejo.

Diagnóstico de imagen

El analizador heurístico segmenta la región foliar en el espacio HSV y mide el porcentaje de tejido con:

• Lesión avanzada — píxeles oscuros (V < 70) con tonalidad marrón.
• Lesión temprana — píxeles con tonalidad amarillento-parda y saturación alta.

Los umbrales se calibrarán contra un conjunto etiquetado de UTMACH (objetivo: 500 imágenes locales). La arquitectura está lista para reemplazar el heurístico por un CNN entrenado (MobileNetV2 o InceptionV3), siguiendo Sanga et al. (2020) que reportan 95–99% de exactitud sobre 18.000 imágenes.

Referencias clave

1. Jacome, L.H. & Schuh, W. (1992). Effects of Leaf Wetness Duration and Temperature on Development of Black Sigatoka Disease. Phytopathology 82:515-520.
2. Ochoa, A. et al. (2016). Forecasting black sigatoka in banana crops with stochastic models.
3. Bebber, D.P. (2019). Climate change effects on Black Sigatoka disease of banana. Phil. Trans. R. Soc. B 374:20180269. (Q1)
4. Chong, P. et al. (2019). Pfcyp51 exclusively determines reduced sensitivity to 14α-demethylase inhibitor fungicides. PLOS ONE 14(10). (Q1, ESPOL Ecuador)
5. Sanga, S. et al. (2020). Mobile-Based Deep Learning Models for Banana Diseases Detection. arXiv:2004.03718.
6. Mwebaze et al. (2024). Mobile-Based CNN for the Early Identification of Banana Diseases. Smart Agricultural Technology, ScienceDirect.
7. Bediako, A. et al. (2022). Prediction of Banana Production Using Epidemiological Parameters of Black Sigatoka with Random Forest. Sustainability 14:14123. (Q1)

Limitaciones declaradas

• El modelo SIRI no incorpora aún resistencia genética del hongo a fungicidas DMI.
• El analizador heurístico tiene precisión limitada vs. un CNN entrenado.
• Los datos meteorológicos son del cantón, no del lote; en el futuro se incorporarán estaciones de finca.
• La calibración inicial usa parámetros de literatura; requiere ajuste con datos locales de UTMACH.