Digital Twin and Augmented Reality Framework for Spatio-Temporal Risk Assessment of Anthracnose in Export Banana Clusters

Resumen

Las enfermedades fúngicas poscosecha constituyen uno de los principales factores que afectan a la calidad y el valor comercial de la fruta en los sistemas de producción mundial de plátanos. Entre estos patógenos, la antracnosis causada por Colletotrichum musae supone un reto especial, ya que las infecciones suelen permanecer latentes durante las primeras fases del desarrollo del fruto y solo se hacen visibles en las etapas poscosecha. Este comportamiento biológico complica la detección temprana y aumenta el riesgo de pérdidas económicas durante el almacenamiento y la logística de exportación. Esta investigación propone un marco tecnológico integrado que combina la monitorización ambiental, la predicción mediante aprendizaje automático, la simulación de gemelos digitales y la visualización mediante realidad aumentada para estimar el riesgo espacio-temporal de desarrollo de antracnosis en racimos de plátanos destinados a la exportación. La monitorización de campo se llevó a cabo entre junio y diciembre de 2025 en tres plantaciones comerciales de plátanos ubicadas en Los Ríos, Ecuador, incluyendo Reybanpac, Ubesa y Exportadora Bananera Noboa. Se construyó un conjunto de datos multimodal denominado RIOSBAN-RA utilizando monitoreo ambiental continuo, imágenes RGB de alta resolución y escaneo tridimensional de racimos de plátanos. El conjunto de datos contiene 134 400 observaciones ambientales, 400 imágenes RGB de alta resolución y 50 modelos tridimensionales de racimos. El análisis de correlación reveló que la exposición prolongada a niveles de humedad relativa superiores al 90 % mostraba la relación más fuerte con la aparición de la enfermedad (r = 0,61, p < 0,001). Se evaluaron tres algoritmos predictivos: regresión logística, máquinas de vectores de soporte y modelos de bosque aleatorio. Entre ellos, el algoritmo de bosque aleatorio alcanzó el mayor rendimiento, con una precisión del 86,7 % y un valor AUC de 0,91. Posteriormente, el modelo predictivo se integró en un entorno de gemelo digital desarrollado en Unity 3D, lo que permitió simular el riesgo de enfermedad en condiciones ambientales variables. Además, se implementó una interfaz de realidad aumentada para visualizar las zonas de infección previstas directamente en los racimos de plátanos durante las inspecciones de campo. Los experimentos de validación en los que participaron técnicos agrícolas demostraron mejoras tanto en la eficiencia de la inspección como en la interpretación del riesgo de enfermedad. Los resultados sugieren que la integración de gemelos digitales, modelos de aprendizaje automático y visualización mediante realidad aumentada puede mejorar significativamente la detección precoz de enfermedades y los procesos de toma de decisiones en los sistemas de producción de plátanos para exportación.