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...
| Main Authors: | , , |
|---|---|
| Format: | article |
| Language: | Español |
| Published: |
Universidad Pedagógica y Tecnológica de Colombia - UPTC
2024
|
| Subjects: | |
| Online Access: | 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 |
| Summary: | 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. |
|---|