Modelo para predicción del rendimiento de cultivos de maíz en Colombia empleando aprendizaje profundo

Este documento presenta los resultados obtenidos en la construcción de un modelo predictivo del rendimiento de cultivos de maíz en Colombia para estimar con precisión el rendimiento que se obtendrá al final de la cosecha, basado en un conjunto de variables climáticas. Utilizando como marco de referencia la metodología CRISP-DM, se lleva a cabo una revisión sistemática de literatura relacionada con el caso de estudio, con el fin de identificar los elementos esenciales para la investigación. Se recopila un conjunto de datos climático que consiste en un registro histórico de datos aparentemente no relacionados entre sí, y a partir de este, se determinan las variables con mayor influencia en la estimación del rendimiento mediante análisis estadísticos, cálculos de correlación y evaluación de relevancia. Luego, se desarrolla un modelo predictivo con tres variantes implementadas utilizando herramientas computacionales y diversos algoritmos de aprendizaje profundo (DL), con el propósito de identificar la que ofrece el mejor desempeño a través de su entrenamiento y validación. El modelo final utiliza el brillo solar, la precipitación, la presión de vapor y las temperaturas máxima y mínima como variables de entrada, y se fundamenta en el algoritmo DNN para estimar el rendimiento de los cultivos. Este modelo proporciona resultados altamente precisos que, comparados con los obtenidos por modelos encontrados en trabajos de investigación relacionados, destacan por su relevancia y exactitud.

• Autores: Sierra Forero, Brayan Leonardo
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2024
• Institución: Universidad Distrital Francisco José de Caldas
• Repositorio: RIUD: repositorio U. Distrital
• Idioma: spa
• OAI Identifier: oai:repository.udistrital.edu.co:11349/41939
• Acceso en línea: http://hdl.handle.net/11349/41939
• Palabra clave: Aprendizaje profundo; Cultivos; Maíz; Modelo predictivo; Rendimiento; Variables climáticas; Maestría en Ciencias de la Información y las Comunicaciones -- Tesis y disertaciones académicas; Modelos de aprendizaje -- Evaluación; Variables climáticas -- Análisis; Optimización de modelos de aprendizaje profundo; Deep learning; Crops; Corn; Predictive model; Yield; Climate variables
• License: Attribution-NonCommercial-NoDerivatives 4.0 Internacional