Predicción del rendimiento de cultivos agrícolas usando aprendizaje automático
DOI:
https://doi.org/10.35381/r.k.v5i2.1013Palabras clave:
Agricultura, investigación agrícola, inteligencia artificial.Resumen
Se aborda la predicción del rendimiento de los cultivos a través del aprendizaje automático. Se usaron dos variables predictoras: hectáreas cosechadas, y producción en toneladas. Para el primer caso, el mejor modelo fue una arquitectura de red neuronal densa (DNN), con un MSE de 0.0081, seguido de los Random Forest (RF) con un MSE de 0.0104, árboles de decisión (AD) con 0.0168, y finalmente las máquinas de soporte vectorial (SVM) con 0.0328. Cuando se predijo producción en toneladas, el mejor modelo fue el de los RF con un MSE de 0.0550, seguidos de AD con 0.1418, DNN con 0.1489, y finalmente SVM con 0.3420. El test estadístico de diferencia significativa mostró que no existe tal diferencia entre el rendimiento de los modelos cuando se predice la variable hectáreas cosechadas, pero si para el caso de producción en toneladas, donde la capacidad predictiva de RF fue de 95% aproximadamente.
Descargas
Citas
Carrillo, J.M., Parraga-Alava, J. (2018). How Predicting The Academic Success of Students of the ESPAM MFL? A Preliminary Decision Trees Based Study. 2018 IEEE Third Ecuador Technical Chapters Meeting (ETCM), Cuenca, 2018, pp. 1-6. https://doi.org/10.1109/ETCM.2018.8580296
Crane-Droesch, A. (2018). Machine learning methods for crop yield prediction andclimate change impact assessment in agriculture. Environmental Research Letters, 13(11); 1-12. https://doi.org/10.1088/1748-9326/aae159
Ferrero, R., Lima, M. & Gonzalez‐Andujar, J. (2018), Crop production structure and stability under climate change in South America. Ann Appl Biol, 172: 65-73. https://doi.org/10.1111/aab.12402
Food and Agriculture Organization, FAO. (2002). Agricultura mundial: hacia los años 2015/2030 [World agriculture: towards the years 2015/2030]. Technical Report 1. Recuperado de https://n9.cl/n29i7
Herrera-Díaz, C. A. (2016). Implementación de un módulo de análisis estadístico y predictivo para agricultura utilizando bigdata y machine learning, integrado al sistema Iotmach. [Implementation of a statistical and predictive analysis module for agriculture using bigdata and machine learning, integrated to the Iotmach system]. Trabajo de titulación. Carrera de ingeniería de sistemas. Universidad Técnica de Machala. Recuperado de https://n9.cl/abp1
Khaki, S. & Wang, L. (2019). Crop Yield Prediction Using Deep Neural Networks. Plant Sci. 10:621. https://doi.org/10.3389/fpls.2019.00621
Laurentin, H. (2020). Importancia de la predicción del rendimiento en caña de azúcar en un contexto de transformación digital. SofOS. Recuperado de https://n9.cl/fl2vh
Marengo JA, Chou SC, Torres RR, Giarolla A, Alves LM, Lyra A. (2014). Climate change in Central and South America: Recent trends, future projections, and impacts on regional agriculture. CCAFS Working Paper no. 73. Copenhagen, Denmark: CGIAR Research Program on Climate Change, Agriculture and Food Security (CCAFS). https://hdl.handle.net/10568/41912
Parraga-Alava J., Alcivar-Cevallos R., Riascos J.A., Becerra M.A. (2020) Aphids Detection on Lemons Leaf Image Using Convolutional Neural Networks. In: Botto-Tobar M., Zamora W., Larrea Plúa J., Bazurto Roldan J., Santamaría Philco A. (eds) Systems and Information Sciences. ICCIS 2020. Advances in Intelligent Systems and Computing, vol 1273. Springer, Cham. https://doi.org/10.1007/978-3-030-59194-6_2
Seo, S. N. & Mendelsohn, R. (2008). An analysis of crop choice: Adapting to climate change in South American farms. Ecological economics, 67(1):109–116. https://doi.org/10.1016/j.ecolecon.2007.12.007
Van Klompenburg, T., Kassahun, A., & Catal, C. (2020). Crop yield prediction using machine learning: A systematic literature review. Computers and Electronics in Agriculture, 177. https://doi.org/10.1016/j.compag.2020.105709
Publicado
Cómo citar
Número
Sección
Licencia
CC BY-NC-SA : Esta licencia permite a los reutilizadores distribuir, remezclar, adaptar y construir sobre el material en cualquier medio o formato solo con fines no comerciales, y solo siempre y cuando se dé la atribución al creador. Si remezcla, adapta o construye sobre el material, debe licenciar el material modificado bajo términos idénticos.
OAI-PMH URL: https://fundacionkoinonia.com.ve/ojs/index.php/revistakoinonia/oai.
