Comparison Between Machine Learning Models for Yield Forecast in Cocoa Crops in Santander, Colombia

La identificación de los factores que influyen en el rendimiento (kg·ha-1) de un cultivo provee información esencial para la toma de decisiones orientadas al mejoramiento y predicción de la productividad, proporcionando posibilidades a los agricultores para mejorar sus ingresos económicos. En est...

Descripción completa

Detalles Bibliográficos
Autores principales:	Lamos Díaz, Henry, Puentes Garzón, David Esteban, Zarate Caicedo, Diego Alejandro
Formato:	article
Lenguaje:	Español
Publicado:	Universidad Pedagógica y Tecnológica de Colombia - UPTC 2024
Materias:	aprendizaje automático cacao predicción productividad rendimientos agrícolas sistemas agroforestales Producción y tratamiento de semillas - F03 Theobroma cacao Producción Rendimiento Sistema agroforestal Cacao http://aims.fao.org/aos/agrovoc/c_7713 http://aims.fao.org/aos/agrovoc/c_6200 http://aims.fao.org/aos/agrovoc/c_8488 http://aims.fao.org/aos/agrovoc/c_330982
Acceso en línea:	https://revistas.uptc.edu.co/index.php/ingenieria/article/view/10853 http://hdl.handle.net/20.500.12324/39629 https://doi.org/10.19053/01211129.v29.n54.2020.10853

id	RepoAGROSAVIA39629
record_format	dspace
institution	Corporación Colombiana de Investigación Agropecuaria
collection	Repositorio AGROSAVIA
language	Español
topic	aprendizaje automático cacao predicción productividad rendimientos agrícolas sistemas agroforestales Producción y tratamiento de semillas - F03 Theobroma cacao Producción Rendimiento Sistema agroforestal Cacao http://aims.fao.org/aos/agrovoc/c_7713 http://aims.fao.org/aos/agrovoc/c_6200 http://aims.fao.org/aos/agrovoc/c_8488 http://aims.fao.org/aos/agrovoc/c_330982
spellingShingle	aprendizaje automático cacao predicción productividad rendimientos agrícolas sistemas agroforestales Producción y tratamiento de semillas - F03 Theobroma cacao Producción Rendimiento Sistema agroforestal Cacao http://aims.fao.org/aos/agrovoc/c_7713 http://aims.fao.org/aos/agrovoc/c_6200 http://aims.fao.org/aos/agrovoc/c_8488 http://aims.fao.org/aos/agrovoc/c_330982 Lamos Díaz, Henry Puentes Garzón, David Esteban Zarate Caicedo, Diego Alejandro Comparison Between Machine Learning Models for Yield Forecast in Cocoa Crops in Santander, Colombia
description	La identificación de los factores que influyen en el rendimiento (kg·ha-1) de un cultivo provee información esencial para la toma de decisiones orientadas al mejoramiento y predicción de la productividad, proporcionando posibilidades a los agricultores para mejorar sus ingresos económicos. En este estudio, se presenta la aplicación y comparación de diversos algoritmos de aprendizaje automático para la predicción del rendimiento agrícola en cultivos de cacao y la identificación de los factores que influyen sobre éste. Se comparan los algoritmos de máquinas de soporte vectorial (SVM), modelos ensamblados (Random Forest, Gradient Boosting) y el modelo de regresión Least Absolute Shrinkage and Selection Operator (LASSO). Los predictores considerados fueron: condiciones climáticas de la región, variedad de cacao, nivel de fertilización y exposición al sol para un cultivo experimental ubicado en Rionegro, Santander. Los resultados identifican a Gradient Boosting como la mejor alternativa de pronóstico con un coeficiente de determinación (R2) = 68 %, Error Absoluto Medio (MAE) = 13.32 y Raíz Cuadrada del Error Medio (RMSE) = 20.41. La variabilidad del rendimiento del cultivo es explicada principalmente por la radiación y la temperatura un mes previo a la cosecha, además de las lluvias acumuladas el mes de la cosecha. De igual manera, los rendimientos de los cultivos son evaluados con base en el tipo de exposición al sol, encontrando que la radiación un mes previo a la cosecha es el factor más influyente para los cultivos bajo sombra. Por otro lado, la lluvia y la humedad son las variables determinantes en las plantas con exposición plena a sol, lo que está asociado a los requerimientos hídricos. Estos resultados sugieren un manejo diferenciado de los cultivos dependiendo del tipo de exposición, sin tener que comprometer la productividad, dado que no se evidencia diferencia significativa en los rendimientos de ambos manejos agrícolas. Palabras clave: aprendizaje automático; cacao; predicción; productividad; rendimientos agrícolas; sistemas agroforestales.
format	article
author	Lamos Díaz, Henry Puentes Garzón, David Esteban Zarate Caicedo, Diego Alejandro
author_facet	Lamos Díaz, Henry Puentes Garzón, David Esteban Zarate Caicedo, Diego Alejandro
author_sort	Lamos Díaz, Henry
title	Comparison Between Machine Learning Models for Yield Forecast in Cocoa Crops in Santander, Colombia
title_short	Comparison Between Machine Learning Models for Yield Forecast in Cocoa Crops in Santander, Colombia
title_full	Comparison Between Machine Learning Models for Yield Forecast in Cocoa Crops in Santander, Colombia
title_fullStr	Comparison Between Machine Learning Models for Yield Forecast in Cocoa Crops in Santander, Colombia
title_full_unstemmed	Comparison Between Machine Learning Models for Yield Forecast in Cocoa Crops in Santander, Colombia
title_sort	comparison between machine learning models for yield forecast in cocoa crops in santander, colombia
publisher	Universidad Pedagógica y Tecnológica de Colombia - UPTC
publishDate	2024
url	https://revistas.uptc.edu.co/index.php/ingenieria/article/view/10853 http://hdl.handle.net/20.500.12324/39629 https://doi.org/10.19053/01211129.v29.n54.2020.10853
work_keys_str_mv	AT lamosdiazhenry comparisonbetweenmachinelearningmodelsforyieldforecastincocoacropsinsantandercolombia AT puentesgarzondavidesteban comparisonbetweenmachinelearningmodelsforyieldforecastincocoacropsinsantandercolombia AT zaratecaicedodiegoalejandro comparisonbetweenmachinelearningmodelsforyieldforecastincocoacropsinsantandercolombia
_version_	1808107399477723136
spelling	RepoAGROSAVIA396292024-07-23T03:02:10Z Comparison Between Machine Learning Models for Yield Forecast in Cocoa Crops in Santander, Colombia Comparison Between Machine Learning Models for Yield Forecast in Cocoa Crops in Santander, Colombia Lamos Díaz, Henry Puentes Garzón, David Esteban Zarate Caicedo, Diego Alejandro aprendizaje automático cacao predicción productividad rendimientos agrícolas sistemas agroforestales Producción y tratamiento de semillas - F03 Theobroma cacao Producción Rendimiento Sistema agroforestal Cacao http://aims.fao.org/aos/agrovoc/c_7713 http://aims.fao.org/aos/agrovoc/c_6200 http://aims.fao.org/aos/agrovoc/c_8488 http://aims.fao.org/aos/agrovoc/c_330982 La identificación de los factores que influyen en el rendimiento (kg·ha-1) de un cultivo provee información esencial para la toma de decisiones orientadas al mejoramiento y predicción de la productividad, proporcionando posibilidades a los agricultores para mejorar sus ingresos económicos. En este estudio, se presenta la aplicación y comparación de diversos algoritmos de aprendizaje automático para la predicción del rendimiento agrícola en cultivos de cacao y la identificación de los factores que influyen sobre éste. Se comparan los algoritmos de máquinas de soporte vectorial (SVM), modelos ensamblados (Random Forest, Gradient Boosting) y el modelo de regresión Least Absolute Shrinkage and Selection Operator (LASSO). Los predictores considerados fueron: condiciones climáticas de la región, variedad de cacao, nivel de fertilización y exposición al sol para un cultivo experimental ubicado en Rionegro, Santander. Los resultados identifican a Gradient Boosting como la mejor alternativa de pronóstico con un coeficiente de determinación (R2) = 68 %, Error Absoluto Medio (MAE) = 13.32 y Raíz Cuadrada del Error Medio (RMSE) = 20.41. La variabilidad del rendimiento del cultivo es explicada principalmente por la radiación y la temperatura un mes previo a la cosecha, además de las lluvias acumuladas el mes de la cosecha. De igual manera, los rendimientos de los cultivos son evaluados con base en el tipo de exposición al sol, encontrando que la radiación un mes previo a la cosecha es el factor más influyente para los cultivos bajo sombra. Por otro lado, la lluvia y la humedad son las variables determinantes en las plantas con exposición plena a sol, lo que está asociado a los requerimientos hídricos. Estos resultados sugieren un manejo diferenciado de los cultivos dependiendo del tipo de exposición, sin tener que comprometer la productividad, dado que no se evidencia diferencia significativa en los rendimientos de ambos manejos agrícolas. Palabras clave: aprendizaje automático; cacao; predicción; productividad; rendimientos agrícolas; sistemas agroforestales. Cacao-Theobroma cacao 2024-07-22T19:50:58Z 2024-07-22T19:50:58Z 2020-05-15 2020 article Artículo científico http://purl.org/coar/resource_type/c_2df8fbb1 info:eu-repo/semantics/article https://purl.org/redcol/resource_type/ART http://purl.org/coar/version/c_970fb48d4fbd8a85 https://revistas.uptc.edu.co/index.php/ingenieria/article/view/10853 2357-5328 http://hdl.handle.net/20.500.12324/39629 https://doi.org/10.19053/01211129.v29.n54.2020.10853 reponame:Biblioteca Digital Agropecuaria de Colombia instname:Corporación colombiana de investigación agropecuaria AGROSAVIA spa Revista Facultad De Ingeniería 29 54 18 26 D. Jiménez, J. Cock, A. Jarvis, J. Garcia, H. F. Satizábal, P. Van-Damme, A. Peréz-Uribe, and M. Barreto- Sanz, “Interpretation of commercial production information: A case study of lulo (Solanum quitoense), an under-researched Andean fruit,” Agricultural Systems, vol. 104 (3), pp. 258-270, Mar. 2011. J. W. Jones, J. M. Antle, B. Basso, K. J. Boote, R. T. Conant, I. Foster, H. C. J. Godfay, M. Herrero, R. E. Howitt, S. Janssen, B. A. Keating, R. Munoz-Carpena, C. H. Porter, C. Rosenzweig, and T. R. Wheeler, “Brief history of agricultural systems modeling,” Agricultural Systems, vol. 155, pp. 240-254, Jul. 2017. https://doi.org/10.1016/j.agsy.2016.05.014 I. Diaz, S. M. Mazza, E. F. Combarro, L. I. Gimenez, and J. E. Gaiad, “Machine learning applied to the prediction of citrus production,” Spanish Journal of Agricultural Research, vol. 15 (2), e0205, Jun. 2017. https://doi.org/10.5424/sjar/2017152-9090 S. T. Drummond, K. A. Sudduth, A. Joshi, S. J. Birrell, and N. R. Kitchen, “Statistical and neural methods for site-specific yield prediction,” Transactions of the ASAE, vol. 46 (1), pp. 5-14, 2003. https://doi.org/10.13031/2013.12541 J. L. De Paepe, and R. Alvarez, “Wheat Yield Gap in the Pampas: Modeling the Impact of Environmental Factors,” Agronomy, Soils & Environmental Quality, vol. 108 (4), pp. 1367-1378, 2016. https://doi.org/10.2134/agronj2015.0482 J. D. R. Soares, M. Pasqual, W. S. Lacerda, S. O. Silva, and S. L. R. Donato, “Comparison of techniques used in the prediction of yield in banana plants,” Scientia Horticulturae, vol. 167, pp. 84-90, Mar. 2014. https://doi.org/10.1016/j.scienta.2013.12.012 A. Shekoofa, Y. Emam, N. Shekoufa, M. Ebrahimi, and E. Ebrahimie, “Determining the Most Important Physiological and Agronomic Traits Contributing to Maize Grain Yield through Machine Learning Algorithms: A New Avenue in Intelligent Agriculture,” PLoS One, vol. 9 (5), e97288, May 2014. https://doi.org/10.1371/journal.pone.0097288 J. R. Romero, P. F. Roncallo, P. C. Akkiraju, I. Ponzoni, V. C. Echenique, and J. A. Carballido, “Using classification algorithms for predicting durum wheat yield in the province of Buenos Aires,” Computers and Electronics in Agriculture, vol. 96, pp. 173-179, Aug. 2013. https://doi.org/10.1016/j.compag.2013.05.006 X. Huang, G. Huang, C. Yu, S. Ni, and L. Yu, “A multiple crop model ensemble for improving broad-scale yield prediction using Bayesian model averaging,” Field Crops Research, vol. 211, pp. 114-124, Sep. 2017. https://doi.org/10.1016/j.fcr.2017.06.011 A. A. V. da Silva, I. A. F. Silva, M. C. M. Teixeira Filho, S. Buzetti, and M. C. M. Teixeira, “Estimate of wheat grain yield as function of nitrogen fertilization using neuro fuzzy modeling,” Revista Brasileira de Engenharia Agrícola e Ambiental, vol. 18 (2), pp. 180-187, Feb. 2014. https://doi.org/10.1590/S1415- 43662014000200008 I. Lopez, J. Plazas, and J. C. Corrales, “A tool for classification of cacao production in Colombia based on multiple classifier systems,” in 17th International Conference Computational Science and Its Applications – ICCSA 2017, Trieste, Italy, Jul. 2017. https://doi.org/10.1007/978-3-319-62395-5_5 E. Somarriba, and J. Beer, “Productivity of Theobroma cacao agroforestry systems with timber or legume service shade trees,” Agroforestry Systems, vol. 81, pp. 109-121, 2011. https://doi.org/10.1007/s10457- 010-9364-1 P. A. Zuidema, P. A. Leffelaar, W. Gerritsma, L. Mommer, and N. P. R. R. Anten, “A physiological production model for cocoa (Theobroma cacao): model presentation, validation and application,” Agricultural Systems, vol. 84 (2), pp. 195-225, May 2005. https://doi.org/10.1016/j.agsy.2004.06.015 L. F. García Carrión, Catalogo de cultivares de cacao del Perú, Lima: Ministerio de Agricultura y Riego, 2010. V. Vapnik, The nature of Statistical Learning Theory, New York: Springer-Verlag, 1995. H. Drucker, C. J. C. Burges, L. Kaufman, A. J. Smola, and V. Vapnik, "Support Vector Regression Machines," Neural Information Processing Systems, vol. 9, pp. 1-11, 1997. T. Dietterich, Ensemble Methods in Machine Learning. In: Multiple Classifier Systems, Heidelberg: Springer Berlin, 2000. J. H. Friedman, “Greedy Function Approximation: A Gradient Boosting Machine,” Annals of Statistics, vol. 29 (5), pp. 1189-1232, 2001. L. Breiman, “Random forests,” Machine Learning, vol. 45 (1), pp. 5-32, 2001. https://doi.org/10.1023/A:1010933404324 F. Pedregosa, G. Varoquaux, A. Gramfort, V. Michel, and B. Thirion, “Scikit-learn: Machine Learning in Python,” Journal of Machine Learning Research, vol. 12, pp. 2825-2830, 2011. T. M. Logan, S. McLeod, and S. Guikema, “Predictive models in horticulture: A case study with Royal Gala apples,” Scientia Horticulturae, vol. 209, pp. 201-213, Sep. 2016. https://doi.org/10.1016/j.scienta.2016.06.033 A. Daymond, and P. Hadley, “The effects of temperature and light integral on early vegetative growth and chloroplyll fluorescence of four contrasting genotypes of cacao,” Annals of Applied Biology, vol. 145 (3), pp. 257-262, 2004. https://doi.org/10.1111/j.1744-7348.2004.tb00381.x Y. Ahenkorah, B. Halm, M. Appiah, and G. Akrofi, “Twenty Years’ Results from a Shade and Fertilizer Trial on Amazon Cocoa (Theobroma cacao) in Ghana,” Experimental Agriculture, vol. 23 (1), pp. 31-39, Jan. 1987. https://doi.org/10.1017/s0014479700003380 O. Deheuvels, J. Avelino, E. Somarriba, and E. Malezieux, “Vegetation structure and productivity in cocoabased agroforestry systems in Talamanca, Costa Rica,” Agriculture, Ecosystems & Environment, vol. 149, pp. 181-188, Mar. 2012. https://doi.org/doi: 10.1016/j.agee.2011.03.003 W. Vanhove, N. Vanhoudt, and P. Van Damme, “Effect of shade tree planting and soil management on rehabilitation success of a 22-year-old degraded cocoa (Theobroma cacao L.) plantation,” Agriculture, Ecosystems & Environment, vol. 219, pp. 14-25, Mar. 2016. https://doi.org/doi: 10.1016/j.agee.2015.12.005 B. Utomo, A. A. Prawoto, S. Bonnet, A. Bangviwat, and S. H. Gheewala, “Environmental performance of cocoa production from monoculture and agroforestry systems in Indonesia,” Journal of Cleaner Production, vol. 134 (Part B), pp. 583-591, Oct. 2016. https://doi.org/10.1016/j.jclepro.2015.08.102 Attribution-NonCommercial-ShareAlike 4.0 International http://creativecommons.org/licenses/by-nc-sa/4.0/ application/pdf application/pdf Colombia Universidad Pedagógica y Tecnológica de Colombia - UPTC Boyacá (Colombia) Revista Facultad De Ingeniería; vol. 29, Núm. 54. (2020): Revista Facultad De Ingeniería (Mayo);p. e10853

Comparison Between Machine Learning Models for Yield Forecast in Cocoa Crops in Santander, Colombia

Ejemplares similares