Análisis del crecimiento de la plántula Coffea arabica mediante la implementación del aprendizaje automático en la agricultura de precisión

Simple item page
dc.contributor.advisorGonzález Estrada, Octavio Andrés
dc.contributor.advisorArgüello Plata, Juan David
dc.contributor.authorHernández Salazar, Cristian Andrés
dc.contributor.evaluatorDíaz Rodríguez, Miguel Ángel
dc.contributor.evaluatorRíos Díaz, Yennifer Yuliana
dc.date.accessioned2024-09-06T19:31:21Z
dc.date.available2024-09-06T19:31:21Z
dc.date.created2024-08-28
dc.date.embargoEnd2027-08-28
dc.date.issued2024-08-28
dc.description.abstractLa 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.
dc.description.abstractenglishThe growing demand for food necessitates an increase in agricultural productivity through modern technologies. This study focuses on the application of artificial intelligence (AI) in precision agriculture for Coffea arabica crops. At the Los Ángeles farm, located in PáramoSantander, 66 seedlings of Coffea arabica, Castilla variety, were planted in a 18 m² area divided into four zones (control, irrigation, fertilization, and a combination of both). Over six months, the FarmBot device, equipped with sensors and cameras, monitored the seedlings, recording data on irrigation, temperature, precipitation, and plant growth. The FarmBot proved effective in tracking the seedlings, with Zone A (control) showing the highest growth in height (39 cm) and diameter (52 cm) after six months. Zones B (irrigation), C (fertilization), and D (combination) also showed significant variations, highlighting the importance of proper management of irrigation and fertilizers. For plant analysis, image segmentation techniques based on HSV and LAB color models, Naïve Bayes classification algorithms, and U2- net neural networks were used. Growth prediction was performed using LSTM models, validated with k-fold cross-validation, showing minimal loss in the final folds and an accurate projection of growth in diameter and height over 30 days. The implementation of AI in precision agriculture proved effective in improving the efficiency and sustainability of Coffea arabica cultivation. The precise data obtained by FarmBot, combined with advanced segmentation techniques and prediction models, allowed for optimized management of irrigation and fertilization. The cross-validation of the LSTM model confirmed its reliability in predicting growth trends, underscoring the importance of adjusting cultivation conditions to maximize yield.
dc.description.cvlachttps://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0002028458
dc.description.degreelevelMaestría
dc.description.degreenameMagíster en Ingeniería Mecánica
dc.description.orcidhttps://orcid.org/0000-0002-9915-6384
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/20.500.14071/44039
dc.language.isospa
dc.publisherUniversidad Industrial de Santander
dc.publisher.facultyFacultad de Ingeníerias Fisicomecánicas
dc.publisher.programMaestría en Ingeniería Mecánica
dc.publisher.schoolEscuela de Ingeniería Mecánica
dc.rightsinfo:eu-repo/semantics/embargoedAccess
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.coarhttp://purl.org/coar/access_right/c_f1cf
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.licenseAtribución-NoComercial-SinDerivadas 2.5 Colombia (CC BY-NC-ND 2.5 CO)
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subjectAprendizaje profundo
dc.subjectFarmBot
dc.subjectCoffea arabica
dc.subjectRed Neuronal Convolucional
dc.subjectAgricultura de precisión
dc.subject.keywordDeep Learning
dc.subject.keywordFarmBot
dc.subject.keywordconvolutional neural networks
dc.subject.keywordCoffea arabica
dc.subject.keywordConvolutional Neural Networks
dc.subject.keywordPrecision Agriculture
dc.titleAnálisis del crecimiento de la plántula Coffea arabica mediante la implementación del aprendizaje automático en la agricultura de precisión
dc.title.englishAnalysis of Coffea arabica Seedling Growth through the Implementation of Machine Learning in Precision Agriculture
dc.type.coarhttp://purl.org/coar/resource_type/c_bdcc
dc.type.hasversionhttp://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.localTesis/Trabajo de grado - Monografía - Maestría
Files
Original bundle
Now showing 1 - 4 of 4
No Thumbnail Available
Name:
Documento.pdf
Size:
6.51 MB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Carta de autorización.pdf
Size:
64.27 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Nota de proyecto.pdf
Size:
276 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Carta de confidencialidad.pdf
Size:
78.66 KB
Format:
Adobe Portable Document Format
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
2.18 KB
Format:
Item-specific license agreed to upon submission
Description:
Download
Collections
Maestría en Ingeniería Mecánica