Aplicacion y comparacion de metodos de aprendizaje automatico para la prediccion de rendimientos agricolas en cultivos de cacao en santander

Simple item page
dc.contributor.advisorLamos Díaz, Henry
dc.contributor.advisorZarate Caicedo, Diego Alejandro
dc.contributor.authorPuentes Garzon, David Esteban
dc.date.accessioned2023-04-06T20:23:48Z
dc.date.available2023
dc.date.available2023-04-06T20:23:48Z
dc.date.created2019
dc.date.issued2019
dc.description.abstractLa 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 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 este. Se consideran los algoritmos de máquinas de soporte vectorial (SVM), modelos ensamblados (bosques aleatorios, Gradient Boosting) y se comparan con el modelo de regresión LASSO. Los resultados identifican a Gradient Boosting como la mejor alternativa de pronóstico con R2 = 68%, MAE = 10.13 y RMSE = 18.30. En cuanto a los factores que influyen sobre el rendimiento, inicialmente se considera el cultivo completo (tipo de exposición como variable independiente), donde se identifica: la radiación un mes previo a la cosecha, las lluvias acumuladas el mes de la cosecha y la temperatura un mes previo a la cosecha como las variables determinantes para explicar la variabilidad del rendimiento en el cultivo. Posteriormente, se evalúa el tipo de exposición de manera independiente, permitiendo identificar la radiación un mes previo a la cosecha como el factor más influyente cuando el cultivo está bajo sombra, mientras que las lluvias y la humedad lo son para el cultivo con exposición plena sol. Estos resultados sugieren que se deben dar manejos específicos y diferenciados dependiendo el tipo de exposición para no comprometer la productividad. *
dc.description.abstractenglishThe identification of influencing factors in crop yield (kg-ha-1) provides essential information for decision-making related to the prediction and improvement of productivity, giving farmers the opportunity to increase their income. The current study investigates the application of multiple machine learning algorithms for cocoa yield prediction and the identification of their influencing factors. The Support Vector Machines (SVM) and Ensemble Learning Models (Random Forests, Gradient Boosting) are considered and compared with LASSO regression model, where Gradient Boosting is the best prediction alternative with R2=68%, MAE=10.13 and RMSE=18.30. The variability of crop yields is explained mainly by the radiation one month before harvest, the accumulated rainfall on the harvest month, and the temperature one month before harvest. In the same way, the crop yields are evaluated in function on the kind of sun exposure, finding that radiation one month before harvest is the most influential factor in shade-grown plants. On the other hand, rainfall and soil moisture are determining variables in sun-grown plants. These results suggest a specific and differentiated management for crops depending on the kind of sun exposure to avoid compromising productivity. *
dc.description.degreelevelMaestría
dc.description.degreenameMagíster en Ingeniería Industrial
dc.format.mimetypeapplication/pdf
dc.identifier.instnameUniversidad Industrial de Santander
dc.identifier.reponameUniversidad Industrial de Santander
dc.identifier.repourlhttps://noesis.uis.edu.co
dc.identifier.urihttps://noesis.uis.edu.co/handle/20.500.14071/14028
dc.language.isospa
dc.publisherUniversidad Industrial de Santander
dc.publisher.facultyFacultad de Ingenierías Fisicomecánicas
dc.publisher.programMaestría en Ingeniería Industrial
dc.publisher.schoolEscuela de Estudios Industriales y Empresariales
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.licenseAttribution-NonCommercial 4.0 International (CC BY-NC 4.0)
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subjectAprendizaje Automático
dc.subjectPredicción
dc.subjectCacao,
dc.subject.keywordAprendizaje Automático
dc.subject.keywordPredicción
dc.subject.keywordCacao,
dc.titleAplicacion y comparacion de metodos de aprendizaje automatico para la prediccion de rendimientos agricolas en cultivos de cacao en santander
dc.title.englishApplication and comparison of machine learning methods to predict the cocoa yield in crops in santander*
dc.type.coarhttp://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.hasversionhttp://purl.org/coar/resource_type/c_bdcc
dc.type.localTesis/Trabajo de grado - Monografía - Maestría
dspace.entity.type
Files
Original bundle
Now showing 1 - 3 of 3
No Thumbnail Available
Name:
Carta de autorización.pdf
Size:
62.86 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Documento.pdf
Size:
908.24 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Nota de proyecto.pdf
Size:
41.57 KB
Format:
Adobe Portable Document Format
Download
Collections
Maestría en Ingeniería Industrial