Antecedentes: Para la agroindustria, las enfermedades en cultivos constituyen uno de sus
problemas más frecuentes que generan grandes pérdidas económicas y baja calidad en la
producción. Por otro lado, recientes investigaciones proponen el desarrollo de sistemas
expertos para resolver este problema, haciendo uso de técnicas de minería de datos e
inteligencia artificial. Además, los grafos pueden ser usados para el almacenamiento de los
diferentes tipos de variables que estén presentes en un ambiente de cultivos, permitiendo
la aplicación de técnicas de minería de datos en grafos como el emparejamiento de
patrones en los mismos. De esta manera, el desarrollo de un sistema experto para
enfermedades en cultivos basado en emparejamiento de patrones en grafos, puede generar
una solución para la identificación de condiciones favorables para una enfermedad en
particular, como punto de partida para la toma de decisiones.
Objetivos: Desarrollar un Sistema Experto basado en Emparejamiento de Patrones en
Grafos para la detección de condiciones favorables para la roya en cultivos de café en
Colombia.
Métodos: es propuesto un Sistema Experto, caracterizado a partir del conocimiento de
expertos en la roya, como punto de partida para la extracción de reglas que determinen
condiciones favorables para la enfermedad, a partir de la inducción de árboles de decisión,
aplicada a un conjunto de datos de monitorización y propiedades de cultivo. Estas reglas
son expresadas como patrones de grafos, los cuales son buscados dentro de un repositorio
de información de cultivos expresado como grafos, con el fin de encontrar las coincidencias
de estos patrones, que determinan el estado de un cultivo de café frente a la roya.
Resultados: La presente propuesta entregó como resultados: un conjunto de variables
predictivas para la roya en el café, definidas a partir del conocimiento de expertos; un
conjunto de patrones de grafos para la identificación de condiciones favorables para tres
tasas de infección de roya; la adaptación de un algoritmo para el emparejamiento de
patrones en grafos y un sistema experto para la detección de tasas de infección de roya en
el café, basado en emparejamiento de patrones en grafos.
Conclusiones: El conocimiento de expertos en el estudio de la roya en el café, permite la
construcción de variables predictivas específicas para la enfermedad y su presencia dentro
de modelos generados por técnicas de minería de datos . A partir de estos modelos pueden
ser extraídas reglas para ser expresadas como patrones de grafos, aprovechando su expresividad e interpretabilidad. Siendo así, la aplicación del emparejamiento de patrones
en grafos da como resultado la condición de un cultivo frente a la enfermedad. Por otro
lado, la carencia de una gran cantidad de datos restringe la calidad del proceso de
generación de modelos y validación del sistema.
Background: For agroindustry, crop diseases constitute one of the most common problems
that generate large economic losses and low production quality. On the other hand, recent
research proposes the development of expert systems to solve this problem, making use of
data mining and artificial intelligence techniques. Furthermore, graphs can be used for
storage of different types of variables that are present in an environment of crops, allowing
the application of graph data mining techniques like graph pattern matching. Therefore, the
development of an expert system for crop disease based on graph pattern matching, can
generate a solution for the identification of favorable conditions for a particular disease, as
a starting point for decision-making.
Goals: Develop an expert system based on graph pattern matching to detect favorable
conditions for coffee rust in Colombian crops.
Methods: This work proposes an expert system, characterized from expert knowledge in
coffee rust, as a starting point for the extraction of rules that determine conditions favorable
for this disease, from induction of decision trees, applied to a dataset of monitoring and
cultivation properties. These rules are expressed as patterns of graphs, which are sought
within an information repository crop expressed as graphs, in order to find the similarities of
these patterns, which determine the state of a crop of coffee against rust.
Results: A set of predictive variables for coffee rust, defined from expert’s knowledge; a set
of graph patterns to identify three favorable conditions for rust infection rates; adaptation of
an algorithm for graph pattern matching and an expert system for detecting coffee rust
infection rates, based on graph pattern matching.
Conclusions: Expert knowledge in coffee rust allows the construction of specific predictive
variables for the disease and include it within models generated by data mining techniques.
From these models, can be extracted rules to be expressed as graph patterns, using their
expressiveness and interpretability. Thus, the application of graph pattern matching results
in the condition of a crop against disease. Moreover, the lack of a large amount of data
restricts the quality of model generation process and the system validation.