Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)Henry Lamos DíazDilson Orlando Castro HernándezElian Camilo Ricardo Durán Blanco2023-02-242023-02-242022-02-232023-02-23https://noesis.uis.edu.co/handle/20.500.14071/12278El 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.application/pdfspainfo:eu-repo/semantics/openAccessPredicciónRegresiónAprendizaje AutomáticoCultivosCondiciones climáticasCondiciones geográficasUniversidad Industrial de SantanderTesis/Trabajo de grado - Monografía - PregradoUniversidad Industrial de Santanderhttps://noesis.uis.edu.coForecastRegressionMachine LearningDeep LearningCropsWeather conditionsGeographic conditionshttp://purl.org/coar/access_right/c_abf2info:eu-repo/semantics/openAccessAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)