Análisis del crecimiento de la plántula Coffea arabica mediante la implementación del aprendizaje automático en la agricultura de precisión
No Thumbnail Available
Date
2024-08-28
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad Industrial de Santander
Abstract
La creciente demanda global de alimentos requiere incrementar la productividad agrícola mediante tecnologías modernas. Este estudio explora la aplicación de inteligencia artificial (IA) en la agricultura de precisión para cultivos de Coffea arabica. En la finca Los Ángeles, ubicada en el Páramo, Santander, se sembraron 66 plántulas de Coffea arabica, variedad Castilla, en un área de 18 m² dividida en cuatro zonas: control, riego, fertilización y una combinación de ambos. Durante seis meses (180 días), el dispositivo FarmBot, equipado con sensores y cámaras, monitorizó las plántulas, registrando datos sobre riego, temperatura, precipitación y crecimiento de las plantas. El FarmBot demostró ser efectivo en el seguimiento de las plántulas, con la Zona A (control) mostrando el mayor crecimiento en altura (39 cm) y diámetro (52 cm) después de seis meses (180 días). Las Zonas B (riego), C (fertilización) y D (combinación) también presentaron variaciones significativas, evidenciando la importancia de un manejo adecuado del riego y los fertilizantes. Para el análisis de las plantas, se utilizaron técnicas de segmentación de imágenes basadas en modelos de color HSV y LAB,
lgoritmos de clasificación Naïve Bayes y redes neuronales U2- net. La predicción del crecimiento se realizó mediante modelos LSTM, validados con una validación cruzada k-fold, mostrando una pérdida mínima en los últimos pliegues y una proyección precisa del crecimiento en diámetro y altura durante 30 días. La implementación de IA en la agricultura de precisión demostró ser efectiva para mejorar la eficiencia y sostenibilidad del cultivo de Coffea arabica. Los datos precisos obtenidos por el FarmBot, combinados con técnicas avanzadas de segmentación y modelos de predicción, permitieron optimizar el manejo del riego y la fertilización. La validación cruzada del modelo LSTM confirmó su fiabilidad para predecir tendencias de crecimiento, resaltando la importancia de ajustar las condiciones de cultivo para maximizar el rendimiento.
Description
Keywords
Aprendizaje profundo, FarmBot, Coffea arabica, Red Neuronal Convolucional, Agricultura de precisión