Evaluación del rendimiento del cultivo de banano a través de la aplicación de aprendizaje automático (“Machine Learning”) en Urabá, Colombia

La gestión de datos y las técnicas de inteligencia artificial mejoran la precisión en la predicción del rendimiento de los cultivos. El objetivo del estudio fue diseñar un marco de trabajo para el uso de algoritmos de “Machine Learning” (ML) para el sistema agrícola bananero de Urabá, Antioquia, Col...

Descripción completa

Detalles Bibliográficos
Autor principal:	Gómez A., Ana M.
Otros Autores:	Espinal, Raúl
Formato:	Tesis
Lenguaje:	Español
Publicado:	Zamorano: Escuela Agrícola Panamericana 2024
Materias:	Agricultura digital, inteligencia artificial, máquinas de soporte de vectores, modelos de predicción.
Acceso en línea:	https://bdigital.zamorano.edu/handle/11036/7778

id	ZAMORANO7778
record_format	dspace
spelling	ZAMORANO77782024-07-09T08:27:44Z Evaluación del rendimiento del cultivo de banano a través de la aplicación de aprendizaje automático (“Machine Learning”) en Urabá, Colombia Gómez A., Ana M. Espinal, Raúl Sandoval, Luis Agricultura digital, inteligencia artificial, máquinas de soporte de vectores, modelos de predicción. La gestión de datos y las técnicas de inteligencia artificial mejoran la precisión en la predicción del rendimiento de los cultivos. El objetivo del estudio fue diseñar un marco de trabajo para el uso de algoritmos de “Machine Learning” (ML) para el sistema agrícola bananero de Urabá, Antioquia, Colombia, y evaluar modelos de ML para predecir el rendimiento del cultivo, identificando las variables predictoras más relevantes. Se usaron diferentes fuentes de datos incluyendo agricultores, satélites, estaciones meteorológicas y empresas “agtech”. Se evaluaron los algoritmos de máquina de soporte de vectores (SVM), bosque aleatorio (RF), árbol de potenciación de gradiente (GBT) y modelo lineal generalizado (GLM) para predecir el rendimiento del banano. El uso del “software” RapidMiner permitió evaluar los algoritmos con la función “Automodel”. Las métricas de evaluación utilizadas fueron la raíz cuadrada media del error (RMSE), error absoluto (EA), error relativo (ER) y coeficiente determinación (R2). Los modelos que obtuvieron mejores resultados fueron SVM (RMSE= 3.26 cajas/ha y R2= 0.96) y GBT (RMSE= 3.66 cajas/ha y R2= 0.95). El método de comparación de predicción fue una regresión lineal múltiple que obtuvo un RMSE de 22.81 cajas/ha. En conjunto con el marco de trabajo propuesto, los hallazgos resaltaron el potencial del algoritmo SVM como una alternativa viable en la predicción del rendimiento del banano. Las variables predictoras evaluadas demuestran la capacidad de realizar pronósticos con un margen de error reducido, lo que sugiere una aplicación efectiva en la agricultura digital y la toma de decisiones agrícolas. 2024-07-09T14:17:51Z 2024-07-09T14:17:51Z 2024 Thesis https://hdl.handle.net/11036/7778 spa Copyright Escuela Agrícola Panamericana, Zamorano https://creativecommons.org/licenses/by-nc-nd/3.0/es/ Zamorano: Escuela Agrícola Panamericana
institution	Universidad Zamorano
collection	Biblioteca Digital Zamorano
language	Español
topic	Agricultura digital, inteligencia artificial, máquinas de soporte de vectores, modelos de predicción.
spellingShingle	Agricultura digital, inteligencia artificial, máquinas de soporte de vectores, modelos de predicción. Gómez A., Ana M. Evaluación del rendimiento del cultivo de banano a través de la aplicación de aprendizaje automático (“Machine Learning”) en Urabá, Colombia
description	La gestión de datos y las técnicas de inteligencia artificial mejoran la precisión en la predicción del rendimiento de los cultivos. El objetivo del estudio fue diseñar un marco de trabajo para el uso de algoritmos de “Machine Learning” (ML) para el sistema agrícola bananero de Urabá, Antioquia, Colombia, y evaluar modelos de ML para predecir el rendimiento del cultivo, identificando las variables predictoras más relevantes. Se usaron diferentes fuentes de datos incluyendo agricultores, satélites, estaciones meteorológicas y empresas “agtech”. Se evaluaron los algoritmos de máquina de soporte de vectores (SVM), bosque aleatorio (RF), árbol de potenciación de gradiente (GBT) y modelo lineal generalizado (GLM) para predecir el rendimiento del banano. El uso del “software” RapidMiner permitió evaluar los algoritmos con la función “Automodel”. Las métricas de evaluación utilizadas fueron la raíz cuadrada media del error (RMSE), error absoluto (EA), error relativo (ER) y coeficiente determinación (R2). Los modelos que obtuvieron mejores resultados fueron SVM (RMSE= 3.26 cajas/ha y R2= 0.96) y GBT (RMSE= 3.66 cajas/ha y R2= 0.95). El método de comparación de predicción fue una regresión lineal múltiple que obtuvo un RMSE de 22.81 cajas/ha. En conjunto con el marco de trabajo propuesto, los hallazgos resaltaron el potencial del algoritmo SVM como una alternativa viable en la predicción del rendimiento del banano. Las variables predictoras evaluadas demuestran la capacidad de realizar pronósticos con un margen de error reducido, lo que sugiere una aplicación efectiva en la agricultura digital y la toma de decisiones agrícolas.
author2	Espinal, Raúl
author_facet	Espinal, Raúl Gómez A., Ana M.
format	Tesis
author	Gómez A., Ana M.
author_sort	Gómez A., Ana M.
title	Evaluación del rendimiento del cultivo de banano a través de la aplicación de aprendizaje automático (“Machine Learning”) en Urabá, Colombia
title_short	Evaluación del rendimiento del cultivo de banano a través de la aplicación de aprendizaje automático (“Machine Learning”) en Urabá, Colombia
title_full	Evaluación del rendimiento del cultivo de banano a través de la aplicación de aprendizaje automático (“Machine Learning”) en Urabá, Colombia
title_fullStr	Evaluación del rendimiento del cultivo de banano a través de la aplicación de aprendizaje automático (“Machine Learning”) en Urabá, Colombia
title_full_unstemmed	Evaluación del rendimiento del cultivo de banano a través de la aplicación de aprendizaje automático (“Machine Learning”) en Urabá, Colombia
title_sort	evaluación del rendimiento del cultivo de banano a través de la aplicación de aprendizaje automático (“machine learning”) en urabá, colombia
publisher	Zamorano: Escuela Agrícola Panamericana
publishDate	2024
url	https://bdigital.zamorano.edu/handle/11036/7778
work_keys_str_mv	AT gomezaanam evaluaciondelrendimientodelcultivodebananoatravesdelaaplicaciondeaprendizajeautomaticomachinelearningenurabacolombia
_version_	1808118987783929856

Evaluación del rendimiento del cultivo de banano a través de la aplicación de aprendizaje automático (“Machine Learning”) en Urabá, Colombia

Ejemplares similares