Abstract

La detección temprana de enfermedades de las plantas es clave para una gestión oportuna de los cultivos. Sin embargo, la vigilancia convencional de enfermedades de las plantas tiene una cobertura limitada. La ciencia ciudadana (CC) ha surgido como una herramienta que amplía el área de observación al involucrar a diversos actores en la generación de datos. No obstante, su implementación requiere reducir la heterogeneidad de los datos y validar los informes. Este estudio propone integrar la CC asistida por IA en el reconocimiento y la vigilancia de enfermedades. Se seleccionó la papa ( Solanum tuberosum ) como caso de estudio debido a su relevancia en Colombia. Se desarrolló un modelo basado en DINOv2, entrenado con imágenes de campo de nueve clases de enfermedades validadas por fitopatólogos, alcanzando una puntuación F1 de 0,9. Se propone un flujo de trabajo en el que el modelo reconoce los informes ciudadanos y dirige los casos de baja confianza a la revisión de expertos, retroalimentando el modelo con datos validados. Este enfoque, extensible a otros cultivos, proporciona una herramienta para fortalecer los sistemas de alerta temprana y la toma de decisiones.

Keywords

Citizen science, Plant disease surveillance, Deep learning, Potato (Solanum tuberosum)

DOI

10.5703/1288284318720

Share

COinS
 

Scaling Up Plant Disease Surveillance: AI-Assisted Citizen Science for Data Generation and Field-Based Disease Recognition

La detección temprana de enfermedades de las plantas es clave para una gestión oportuna de los cultivos. Sin embargo, la vigilancia convencional de enfermedades de las plantas tiene una cobertura limitada. La ciencia ciudadana (CC) ha surgido como una herramienta que amplía el área de observación al involucrar a diversos actores en la generación de datos. No obstante, su implementación requiere reducir la heterogeneidad de los datos y validar los informes. Este estudio propone integrar la CC asistida por IA en el reconocimiento y la vigilancia de enfermedades. Se seleccionó la papa ( Solanum tuberosum ) como caso de estudio debido a su relevancia en Colombia. Se desarrolló un modelo basado en DINOv2, entrenado con imágenes de campo de nueve clases de enfermedades validadas por fitopatólogos, alcanzando una puntuación F1 de 0,9. Se propone un flujo de trabajo en el que el modelo reconoce los informes ciudadanos y dirige los casos de baja confianza a la revisión de expertos, retroalimentando el modelo con datos validados. Este enfoque, extensible a otros cultivos, proporciona una herramienta para fortalecer los sistemas de alerta temprana y la toma de decisiones.