Aplicación en la agricultura de técnicas de explicabilidad del aprendizaje de máquinas: Aclarando la caja negra
El maíz es esencial para la seguridad alimentaria en Guatemala, pero su producción enfrenta desafíos como la sequía y prácticas agronómicas inadecuadas. Para mejorar la producción ante la variabilidad climática, es crucial optimizar las prácticas agronómicas. Sin embargo, hay un conocimiento limitad...
| Autores principales: | , , , , , , , , , |
|---|---|
| Formato: | Case Study |
| Lenguaje: | Español |
| Publicado: |
2023
|
| Materias: | |
| Acceso en línea: | https://hdl.handle.net/10568/135694 |
| _version_ | 1855536671814057984 |
|---|---|
| author | Jaimes, Diana Gonzalez, Carlos Arturo Llanos, Lizeth Estrada, Oscar Barrios, Camilo Agudelo, Diego Navarro Racines, Carlos Jimenez, Daniel Gardeazabal, Andrea Ramírez Villegas, Julián Armando |
| author_browse | Agudelo, Diego Barrios, Camilo Estrada, Oscar Gardeazabal, Andrea Gonzalez, Carlos Arturo Jaimes, Diana Jimenez, Daniel Llanos, Lizeth Navarro Racines, Carlos Ramírez Villegas, Julián Armando |
| author_facet | Jaimes, Diana Gonzalez, Carlos Arturo Llanos, Lizeth Estrada, Oscar Barrios, Camilo Agudelo, Diego Navarro Racines, Carlos Jimenez, Daniel Gardeazabal, Andrea Ramírez Villegas, Julián Armando |
| author_sort | Jaimes, Diana |
| collection | Repository of Agricultural Research Outputs (CGSpace) |
| description | El maíz es esencial para la seguridad alimentaria en Guatemala, pero su producción enfrenta desafíos como la sequía y prácticas agronómicas inadecuadas. Para mejorar la producción ante la variabilidad climática, es crucial optimizar las prácticas agronómicas. Sin embargo, hay un conocimiento limitado sobre los factores que influyen en la producción de maíz. Los procesos analíticos de grandes volúmenes de datos pueden identificar patrones de rendimiento en relación con el clima y el manejo agronómico, mejorando así la toma de decisiones de los productores.
Los algoritmos de aprendizaje automático tienen un gran potencial, pero su naturaleza de "caja negra" limita su aplicabilidad práctica. La explicabilidad de estos modelos es necesaria, especialmente en la agricultura de pequeña escala, donde múltiples factores climáticos y de manejo interactúan afectando el rendimiento del maíz. Este estudio propone un enfoque para abordar la explicabilidad de los algoritmos de aprendizaje automático, que incluye la extracción, transformación y carga de datos (ETL), selección y ajuste de algoritmos, y técnicas para profundizar en la interpretabilidad. el abordaje busca explicar el efecto de las variables independientes-predictoras y sus interacciones en el rendimiento del maíz. El caso de estudio en Guatemala utiliza datos de 4264 observaciones a nivel de parcelas para un período de 4 años (2016–2018), abarcando rendimiento, manejo, terreno y clima.
El informe se estructura en secciones que abordan el enfoque general, proceso ETL y técnicas de explicabilidad. Los resultados ofrecen hallazgos y recomendaciones basados en los modelos y datos, mientras que en conclusiones resumen los puntos clave, las implicaciones prácticas del análisis tratando de hacer más transparente los modelos de aprendizaje automático en la agronomía, mejorando de esta forma la confianza y la aplicabilidad de las recomendaciones basados en datos. |
| format | Case Study |
| id | CGSpace135694 |
| institution | CGIAR Consortium |
| language | Español |
| publishDate | 2023 |
| publishDateRange | 2023 |
| publishDateSort | 2023 |
| record_format | dspace |
| spelling | CGSpace1356942025-12-08T10:11:39Z Aplicación en la agricultura de técnicas de explicabilidad del aprendizaje de máquinas: Aclarando la caja negra Jaimes, Diana Gonzalez, Carlos Arturo Llanos, Lizeth Estrada, Oscar Barrios, Camilo Agudelo, Diego Navarro Racines, Carlos Jimenez, Daniel Gardeazabal, Andrea Ramírez Villegas, Julián Armando agriculture crop management machine learning aprendizaje automático agricultura maize artificial intelligence inteligencia artificial crop yield maíz rendimiento de cultivos El maíz es esencial para la seguridad alimentaria en Guatemala, pero su producción enfrenta desafíos como la sequía y prácticas agronómicas inadecuadas. Para mejorar la producción ante la variabilidad climática, es crucial optimizar las prácticas agronómicas. Sin embargo, hay un conocimiento limitado sobre los factores que influyen en la producción de maíz. Los procesos analíticos de grandes volúmenes de datos pueden identificar patrones de rendimiento en relación con el clima y el manejo agronómico, mejorando así la toma de decisiones de los productores. Los algoritmos de aprendizaje automático tienen un gran potencial, pero su naturaleza de "caja negra" limita su aplicabilidad práctica. La explicabilidad de estos modelos es necesaria, especialmente en la agricultura de pequeña escala, donde múltiples factores climáticos y de manejo interactúan afectando el rendimiento del maíz. Este estudio propone un enfoque para abordar la explicabilidad de los algoritmos de aprendizaje automático, que incluye la extracción, transformación y carga de datos (ETL), selección y ajuste de algoritmos, y técnicas para profundizar en la interpretabilidad. el abordaje busca explicar el efecto de las variables independientes-predictoras y sus interacciones en el rendimiento del maíz. El caso de estudio en Guatemala utiliza datos de 4264 observaciones a nivel de parcelas para un período de 4 años (2016–2018), abarcando rendimiento, manejo, terreno y clima. El informe se estructura en secciones que abordan el enfoque general, proceso ETL y técnicas de explicabilidad. Los resultados ofrecen hallazgos y recomendaciones basados en los modelos y datos, mientras que en conclusiones resumen los puntos clave, las implicaciones prácticas del análisis tratando de hacer más transparente los modelos de aprendizaje automático en la agronomía, mejorando de esta forma la confianza y la aplicabilidad de las recomendaciones basados en datos. 2023-12-12 2023-12-21T07:02:05Z 2023-12-21T07:02:05Z Case Study https://hdl.handle.net/10568/135694 es Open Access application/pdf Jaimes, D.; Gonzalez, C.A.; Llanos, L.; Estrada, O.; Barrios, C.; Agudelo, D.; Navarro Racines, C.; Jimenez, D.; Gardeazabal, A.; Ramirez Villegas, J. (2023) Aplicación en la agricultura de técnicas de explicabilidad del aprendizaje de máquinas: Aclarando la caja negra. Technical Report. 9 p. |
| spellingShingle | agriculture crop management machine learning aprendizaje automático agricultura maize artificial intelligence inteligencia artificial crop yield maíz rendimiento de cultivos Jaimes, Diana Gonzalez, Carlos Arturo Llanos, Lizeth Estrada, Oscar Barrios, Camilo Agudelo, Diego Navarro Racines, Carlos Jimenez, Daniel Gardeazabal, Andrea Ramírez Villegas, Julián Armando Aplicación en la agricultura de técnicas de explicabilidad del aprendizaje de máquinas: Aclarando la caja negra |
| title | Aplicación en la agricultura de técnicas de explicabilidad del aprendizaje de máquinas: Aclarando la caja negra |
| title_full | Aplicación en la agricultura de técnicas de explicabilidad del aprendizaje de máquinas: Aclarando la caja negra |
| title_fullStr | Aplicación en la agricultura de técnicas de explicabilidad del aprendizaje de máquinas: Aclarando la caja negra |
| title_full_unstemmed | Aplicación en la agricultura de técnicas de explicabilidad del aprendizaje de máquinas: Aclarando la caja negra |
| title_short | Aplicación en la agricultura de técnicas de explicabilidad del aprendizaje de máquinas: Aclarando la caja negra |
| title_sort | aplicacion en la agricultura de tecnicas de explicabilidad del aprendizaje de maquinas aclarando la caja negra |
| topic | agriculture crop management machine learning aprendizaje automático agricultura maize artificial intelligence inteligencia artificial crop yield maíz rendimiento de cultivos |
| url | https://hdl.handle.net/10568/135694 |
| work_keys_str_mv | AT jaimesdiana aplicacionenlaagriculturadetecnicasdeexplicabilidaddelaprendizajedemaquinasaclarandolacajanegra AT gonzalezcarlosarturo aplicacionenlaagriculturadetecnicasdeexplicabilidaddelaprendizajedemaquinasaclarandolacajanegra AT llanoslizeth aplicacionenlaagriculturadetecnicasdeexplicabilidaddelaprendizajedemaquinasaclarandolacajanegra AT estradaoscar aplicacionenlaagriculturadetecnicasdeexplicabilidaddelaprendizajedemaquinasaclarandolacajanegra AT barrioscamilo aplicacionenlaagriculturadetecnicasdeexplicabilidaddelaprendizajedemaquinasaclarandolacajanegra AT agudelodiego aplicacionenlaagriculturadetecnicasdeexplicabilidaddelaprendizajedemaquinasaclarandolacajanegra AT navarroracinescarlos aplicacionenlaagriculturadetecnicasdeexplicabilidaddelaprendizajedemaquinasaclarandolacajanegra AT jimenezdaniel aplicacionenlaagriculturadetecnicasdeexplicabilidaddelaprendizajedemaquinasaclarandolacajanegra AT gardeazabalandrea aplicacionenlaagriculturadetecnicasdeexplicabilidaddelaprendizajedemaquinasaclarandolacajanegra AT ramirezvillegasjulianarmando aplicacionenlaagriculturadetecnicasdeexplicabilidaddelaprendizajedemaquinasaclarandolacajanegra |