Modelo predictivo para el rendimiento de cultivos de cacao y café en el  departamento de Santander basado en herramientas de aprendizaje automático profundo y  variables climáticas

Dilson Orlando Castro Hernández; Elian Camilo Ricardo Durán Blanco

Modelo predictivo para el rendimiento de cultivos de cacao y café en el departamento de Santander basado en herramientas de aprendizaje automático profundo y variables climáticas

dc.contributor.advisor	Henry Lamos Díaz
dc.contributor.author	Dilson Orlando Castro Hernández
dc.contributor.author	Elian Camilo Ricardo Durán Blanco
dc.contributor.evaluator	Leonardo Hernán Talero Sarmiento
dc.contributor.evaluator	Juan Felipe Reyes Rodríguez
dc.date.accessioned	2023-02-24T13:04:56Z
dc.date.available	2023-02-24T13:04:56Z
dc.date.created	2022-02-23
dc.date.issued	2023-02-23
dc.description.abstract	El Aprendizaje Automático y el Aprendizaje Profundo son técnicas utilizadas para identificar patrones y predecir comportamientos futuros, en el sector agrícola permite generar análisis y proyecciones optimizando así la producción y comercialización de los cultivos, apoyando la toma de decisiones a agricultores, gobiernos e intermediarios. Esta investigación tiene como objeto de estudio la producción agrícola anual de los cultivos de cacao y café (años 2007-2021) en los municipios de Colombia, en términos de rendimiento del cultivo (t/Ha). En este estudio se contrastan modelos de Aprendizaje Automático como Regresión Lineal Múltiple, Árbol de Decisión, Bosques Aleatorios, XGBoost y Regresión de Vectores de Soporte; frente a modelos de Aprendizaje Profundo como el Perceptrón Multicapa y la Red Neuronal Recurrente LSTM. Los predictores incluyen siete variables de condiciones ambientales proporcionadas por el IDEAM y condiciones geográficas: área sembrada y la altura sobre el nivel del mar de las cabeceras municipales. Los métodos se compararon utilizando R^2, MSE, RMSE, MAE, MAPE; encontrándose un desempeño superior en los métodos basados en árboles y en redes neuronales.
dc.description.abstractenglish	Machine Learning and Deep Learning are techniques used to identify patterns and predict future behavior. The agricultural sector allows generating analyzes and projections to optimize the production and commercialization of crops, supporting the decision-making of farmers, governments, and intermediaries. This research has as its object of study the annual agricultural production of cocoa and coffee crops (years 2007-2021) in the municipalities of Colombia in terms of crop yield (t/Ha). In this study, machine learning models such as Multiple Linear Regression, Decision Tree, Random Forests, XGBoost, and Support Vector Regression are contrasted with Deep Learning models such as Multilayer Perceptron and Recurrent Neural Network LSTM. The predictors include seven environmental conditions variables provided by the IDEAM and the geographical conditions: sown area and height above sea level of the head-municipalities. Methods were compared using R^2, MSE, RMSE, MAE, MAPE finding superior performance in three based methods and neural networks.
dc.description.degreelevel	Pregrado
dc.description.degreename	Ingeniero Industrial
dc.format.mimetype	application/pdf
dc.identifier.instname	Universidad Industrial de Santander
dc.identifier.reponame	Universidad Industrial de Santander
dc.identifier.repourl	https://noesis.uis.edu.co
dc.identifier.uri	https://noesis.uis.edu.co/handle/20.500.14071/12278
dc.language.iso	spa
dc.publisher	Universidad Industrial de Santander
dc.publisher.faculty	Facultad de Ingeníerias Fisicomecánicas
dc.publisher.program	Ingeniería Industrial
dc.publisher.school	Escuela de Estudios Industriales y Empresariales
dc.rights	info:eu-repo/semantics/openAccess
dc.rights.accessrights	info:eu-repo/semantics/openAccess
dc.rights.coar	http://purl.org/coar/access_right/c_abf2
dc.rights.creativecommons	Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.license	Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subject	Predicción
dc.subject	Regresión
dc.subject	Aprendizaje Automático
dc.subject	Cultivos
dc.subject	Condiciones climáticas
dc.subject	Condiciones geográficas
dc.subject.keyword	Forecast
dc.subject.keyword	Regression
dc.subject.keyword	Machine Learning
dc.subject.keyword	Deep Learning
dc.subject.keyword	Crops
dc.subject.keyword	Weather conditions
dc.subject.keyword	Geographic conditions
dc.title	Modelo predictivo para el rendimiento de cultivos de cacao y café en el departamento de Santander basado en herramientas de aprendizaje automático profundo y variables climáticas
dc.title.english	Predictive model for the yield of cocoa and coffee crops in the department of Santander based on deep machine learning tools and climatic variables
dc.type.coar	http://purl.org/coar/resource_type/c_7a1f
dc.type.hasversion	http://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.local	Tesis/Trabajo de grado - Monografía - Pregrado
dspace.entity.type