Musa: Monitoreo de Patógenos en Bananales

Introducción

🌎 Contexto Regional

La región Latinoamericana y del Caribe (LAC) ha visto un desarrollo lento pero contante en la últimas décadas. Con unos de sus principales retos siendo la reducción de índices de pobreza y desempleo (los cuales se ven aún más exacerbados por las crisis migratorias y climática), el enfoque por aumentar la resiliencia de las economías de nuestros países es primordial.

Históricamente, la agricultura ha sido la principal industria para la mayoría de países de la región. Actualmente la actividad agrícola continua siendo uno de sus principales aportes a la economía global, ya sea para el consumo local o exportación. En el contexto de múltiples economías compitiendo por suplir las necesidades alimenticias de sus propias poblaciones, nuestros climas tropicales y templados entre otras características propicias para la agricultura de múltiples cultivos, nos colocan en una posición ventajosa.

🍌 ¿Por qué el Banano?

Debido a su capacidad de oferta agrícola, los países de Latinoamérica y el Caribe tienen la responsabilidad de fortalecer sus cadenas alimenticias. Pues estas son un pilar del desarrollo interno, y posicionamiento en el mercado global. Las amenazas ambientales y socioeconómicas nos presionan a implementar infraestructura que garantice la resiliencia de nuestros principales cultivos.

Uno de estos cultivos claves es el banano (también conocido como banana o guineo, a través de la región). La exportación de banano proveniente de América Latina y el Caribe está valorada en $5 Billones (de dólares estadounidenses) cada año. Además de su contribución al producto interno, este cultivo representa una clave en las estrategias de seguridad alimenticia y de empleo.

El Problema

🦠 Amenazas a Bananales en LAC

Los cultivos de banano latinoamericanos y caribeños son especialmente susceptibles a diversas enfermedades causadas por hongos, bacterias, viruses, e infestación de gorgojos. Estos pueden llegar a decimar bananales enteros, así como afectar similarmente a cultivos de plátanos, otro producto indispensable, especialmente en áreas tropicales de la región.

📱 Soluciones Existentes

Actualmente existe un pequeño número de soluciones. Como líder está una iniciativa por la Agencia Espacial Taiwanesa, que utiliza su sistema de satélites para prevenir enfermedades micóticas en cultivos de banano. Específicamente, la enfermedad de hoja Sigatoka amarilla causado por el hongo Mycosphaerella musicola. La agencia ha tenido éxito con la detección de este patógeno en países centroamericanos. Una vez se detecta el hongo en una plata, practicas como el deshoje pueden salvar a los árboles.

Desafortunadamente, con algunas enfermedades micóticas que afectan abananles en LAC, las plantas infectadas no son tan fáciles de tratar como la Sigatoka y las enfermedades bacterianas. Existe el Marchite Fusarium (o enfermedad de Panamá) causada por el hongo Fusarium oxysporum que se transmite a través del suelo y ya a extinguido una variedad de banana (el Gros Michel en los años 50). Para cuando el granjero lo nota, ya el árbol está muerto y el hongo permanece en el suelo por décadas.

Recientemente fue lanzada en Colombia una aplicación llamada Tumaini que diagnostica las diferentes enfermedades del cultivo, incluyendo el Marchite Fusarium. Y aunque el diagnóstico temprano aumenta la habilidad de comunidades agricultoras de salvar el producto antes de que se dé la muerte de los árboles, no evita las consecuencias catastróficas y duraderas que un brote a nivel nacional, por ejemplo, causaría.

Nuestra Solución

💡 Idea de Innovación

Priorizando la falta de soluciones preventivas para el Marchite Fusarium (actualmente el más devastador e incurable), proponemos el desarrollo de Musa: una aplicación web que haga uso de los datos satélites e in-situ de Copernicus para habilitar el monitoreo constante de la salud de bananales en la región LAC y la predicción del riesgo de un brote de hongo Fusarium. 

💻 Relevancia en la Hackathon

El reto principal que resuelve nuestro proyecto es el Desafío 1: “Asegurar la producción y distribución de Alimentos”. Al ser estos cultivos un pilar de la alimentación en la región, con esta solución contribuímos al predecir, alertar y proporcional acciones sugeridas pata mitigar estados de emergencia agrícola donde se vean decimados cientos de huertos bananales. 

⚙️ Diseño Técnico

Musa se encargará de la detección automática de cultivos de banano en los países latinos y caribeños. Usando imágenes del Sentinel-2 de alta resolución, procesará patrones ópticos con los que diferenciará cultivos de banano con otro tipos de plantas y vegetación natural.

Aprovechando las bandas visibles de color rojo, verde, y azul, Musa podrá detectara normalidades en el color de las hojas en los bananales. Si bien esto por sí sólo no será suficiente para diagnosticar una infección del Marchite Fusarium, es un primer paso en descartar un estado saludable para el bananal. 

Posteriormente, Musa también dependerá del Sentinel-2 para estimar características del suelo que nos permitirán predecir la presencia de este hongo.

🗺️ Diseño de Interfaz

Algunas de las capacidades de la interfaz de Musa incluirán un Mapa de la región LAC y la habilidad del usuario de enfocarse en cualquiera de los bananales detectados.

Además podrá mostrar características específicas de un bananal: tamaño, país, país, provicia o estado, características de su suelo, estado de salud (.e., “saludable”, “brote de Fusarium”, u “otra enfermedad”). Para cultivos saludables, Musa proveerá el riesgo de contagio y recomendaciones de prevención. Para cultivos contagiados, la acción a tomar apropiada para minimizar las pérdidas según el diagnóstico.

Además, estará disponible la entrada de datos por usuarios locales para verificación y la opción de subscripción al sistema de alertas predictivas para uno o más bananales.

Modelo de Negocio

💎 Propuesta de Valor y Actividades Clave

Nuestra propuesta única de valor está en la predicción de la enfermedad. En esta acción se encuentra la posibilidad de de prevenir la incidencia y la oportunidad de incrementar la resiliencia ante el efecto devastador que un brote de Fusarium puede tener en una región que depende del cultivo de banano.

La principal actividad de Musa como negocio es la predicción y alerta del riesgo de brotes del hongo Fusarium a nuestros usuarios: agricultores, entidades de gobierno local y nacional, ONGs, organizaciones sin fines de lucro, e instituciones académicas.

🤝 Recursos y Aliados

Nuestro principal recurso para llevar acabo las actividades previamente mencionadas son los datos de satélite de Copernicus. Copernicus y su Centro para Latinoamérica y el Caribe en Panamá serán nuestros principales aliados.

Además de Copernicus, entre nuestros aliados están gobiernos Latinoamericanos y de países Caribeños, que junto con Musa co-crearán los protocolos recomendados que mostrará la aplicación en caso de brotes y diferentes probabilidades de contagio en cada país. También están gremios de agricultores que nos ayudarán a propulsar la adopción y gestionar las actividades de verificación de nuestra plataforma. Finalmente esperamos contar con el interés y apoyo de instituciones de investigación como el Centro de Investigación Tropical Smithsonian (STRI) en Panamá para mejorar nuestras capacidades de predicción y recomendación de acciones preventivas.

👔 Nuestros Clientes

Si bien nuestros usuarios abarcan varios segmentos (agricultores, gobiernos, y otras instituciones), como cliente principal nos enfocaremos en gobiernos nacionales. Los Ministerios de Agricultura están interesados en (1) catalogar todos los huertos bananales en el país sin necesidad de verificarlos en persona, y (2) identificar el riesgo de perder cultivos que representan grandes pérdidas en su cadena alimenticia y economía. Finalmente creemos que los gobiernos están en posición de intervenir con sus recursos para facilitar la acción preventiva y mitigante de desastres causados por contagios. 

Otro segmento de cliente que consideramos para versiones futuras son las compañías exportadoras. Si bien estas tienen una flexibilidad mayor (no están atadas a huertos de un país en específico), creemos que valorarán una visión más amplia de su mercado de proveedores y estrían en capacidad de comprar datos que les permitan asegurar más opciones (especialmente con bananales pequeños en regiones más remotas).

💵 Canales de Entrega, Costos e Ingresos

Planeamos usar una plataforma web como principal canal de entrega del servicio de Musa. Esto facilitará el acceso internacional a sus estados, predicciones y alertas. 

Podemos dividir los costos de este plan de negocio en costos capitales (que incluirán el costo de desarrollo del modelo y su interfaz) y operacionales (que incluirán el costo de alojamiento de los datos, aplicación y web, así como los costos de servicios de computación en la nube). 

Los ingresos que generará Musa vendrán de contratos personalizados con cada gobierno dependiendo del área geográfica que debamos procesar. Habrá un costo inicial por la identificación de bananales, y luego una subscripción anual por el monitoreo y predicción de brotes.

Avances

💪 Logros en la Detección de Bananales

En esta primera fase hemos alcanzado progreso significativo en el desarrollo de nuestro algoritmos de identificación de bananales. Con imágenes de la provincia de Heredia, el mayor área de producción bananera en Costa Rica, hemos podido procesar exitosamente imágenes satelitales para poder filtrar nubes sin comprometer la resolución.

Hasta ahora, hemos podido dividir ese área en cuadrículas de un kilómetro para entrenar el modelo de identificación de huertos. Aplicamos transformadas de Fourier para procesar estas imágenes y destilar la geometría característica del bananal. Estas transformaciones, posteriormente serán utilizadas para entrenar nuestra red neural de detección de bananales. 

En la siguiente figura, observamos un antes y después de las transformadas. En el ejemplo de la cuadrícula del huerto, podemos ver que la transformada produce tres líneas blancas (vertical, horizontal, y diagonal) que corresponden a las líneas en la imagen original. Esto nos ayudará a diferenciar cuadrículas que contienen un patrón regular y repetido de líneas que se encuentran en los huertos pero no en los bosques y selvas.

🧪 Desarrollo de un Modelo de Diagnóstico

Hemos encontrado un huerto en La Guajira, Colombia que en 2019 sufrió un brote de fusarium. Usando un análisis de componentes principales en las imágenes del Sentinel 2 de esta área, hemos demostrado que hay una diferencia significativa entre las áreas enfermas y sanas. Ahora estamos desarrollando un algoritmo para identificar las áreas que están sufriendo de un brote y estamos intentando desarrollar un segundo algoritmo para predecir los brotes basando en los cambios en los datos inmediatamente antes de los brotes. 

✏️ Prototipo de Web App Interactiva

Finalmente, estamos orgullosos de reportar un avance en el desarrollo de la interfaz. Creamos una aplicación en React que por ahora utiliza datos ficticios pero adelanta el desarrollo de componentes completamente funcionales que planeamos reutilizar para la implementación final. 

Contamos con un sistema que, dado un archivo de tipo GeoJSON con "features" que contienen la geometría de cada bananal en la sub-región requerida por el usuario (estos archivos serán el resultado de nuestro algoritmo de identificación), crea un objeto interactivo correspondiente a cada bananal.

El usuario puede entonces navegar el mapa y seleccionar un bananal para investigar sus datos y análisis más a fondo. 

👣 Pasos a Seguir

Nuestro siguiente paso requiere entrenar un modelo para la identificación de bananales con estas imágenes procesadas, especialmente, la diferenciación entre bananos y otros tipos de cultivo. Posteriormente, nos enfocaremos en crear un prototipo de la red neuronal de predicción y en la finalización de la interfaz que facilite la comunicación de estos resultados.

Con los avances que obtuvimos durante esta Hackathon que validan la metodología de nuestra solución, ahora nos podemos enfocar en lo siguiente:

• Entrenar el algoritmos de identificación de huertos: Asegurar que respete límites como ríos y calles pavimentadas, pero que no divida un "bananal" según nuestros estándares (áreas contiguas que comparten suelo, y por ende, los patógenos en él.
• Ajustar el desempeño de nuestro método de predicción: Verificar que funciona en diferentes regiones de LAC y en diferentes épocas del año, y que no confunda otros fenómenos que también presenten amarillez por un brote.
• Integrar datos en vivo de Copernicus y nuestros modelos con la interfaz

El Equipo

Detrás de Musa está un equipo de esposos, ambos con trayectorias distintas, pero complementarias y altamente relevantes a este proyecto.

🌐 Heilly Gálvez

Heilly es ingeniera química que viene de trabajar en la ingeniería de alimentos. Actualmente se dedica a crear visualizaciones de datos interactivas y trabaja en la creación de interfaces de Machine Learning Explainability para una empresa de Silicon Valley. También ha contribuido al desarrollo de “exploradores de datos” para la comunicación de reportes de organizaciones de investigación internacional. Heilly se encargará de diseñar e implementar la interfaz de la aplicación. 

🤖 Spencer Peterson

Spencer es ingeniero biomédico con entrenamiento en algoritmos de proceso de señales y se desempeña como científico de datos. En su trabajo, Spencer se encarga de la creación de data pipelines para acelerar el descubrimiento de nuevas moléculas terapéuticas. También tiene experiencia creando scripts analíticos para procesos diagnósticos. Spencer desarrollará los modelos de identificación de huertos y predicción de brotes.