Evaluación del rendimiento del cultivo de banano a través de la aplicación de aprendizaje automático (“Machine Learning”) en Urabá, Colombia
No hay miniatura disponible
Publicado
Fecha
2024
Autores
Asesores
Título de la revista
ISSN de la revista
Título del volumen
Editor
Zamorano: Escuela Agrícola Panamericana
Resumen
La gestión de datos y las técnicas de inteligencia artificial mejoran la precisión en la predicción del rendimiento de los cultivos. El objetivo del estudio fue diseñar un marco de trabajo para el uso de algoritmos de “Machine Learning” (ML) para el sistema agrícola bananero de Urabá, Antioquia, Colombia, y evaluar modelos de ML para predecir el rendimiento del cultivo, identificando las variables predictoras más relevantes. Se usaron diferentes fuentes de datos
incluyendo agricultores, satélites, estaciones meteorológicas y empresas “agtech”. Se evaluaron los algoritmos de máquina de soporte de vectores (SVM), bosque aleatorio (RF), árbol de potenciación de gradiente (GBT) y modelo lineal generalizado (GLM) para predecir el rendimiento del banano. El uso del “software” RapidMiner permitió evaluar los algoritmos con la función
“Automodel”. Las métricas de evaluación utilizadas fueron la raíz cuadrada media del error (RMSE), error absoluto (EA), error relativo (ER) y coeficiente determinación (R2). Los modelos que obtuvieron mejores resultados fueron SVM (RMSE= 3.26 cajas/ha y R2= 0.96) y GBT (RMSE= 3.66 cajas/ha y R2= 0.95). El método de comparación de predicción fue una regresión lineal múltiple que obtuvo un RMSE de 22.81 cajas/ha. En conjunto con el marco de trabajo propuesto, los hallazgos resaltaron el potencial del algoritmo SVM como una alternativa viable en la predicción del rendimiento del banano. Las variables predictoras evaluadas demuestran la capacidad de realizar pronósticos con un margen de error reducido, lo que sugiere una aplicación efectiva en la agricultura digital y la toma de decisiones agrícolas.
Descripción
Palabras clave
Agricultura digital, inteligencia artificial, máquinas de soporte de vectores, modelos de predicción.