Biblioteca73.326 documentos en línea

Artículo

Comparison Between Machine Learning Models for Yield Forecast in Cocoa Crops in Santander, ColombiaComparación de modelos de aprendizaje automático para la predicción de rendimientos agrícolas en cultivos de cacao en Santander, Colombia

Resumen

La identificación de los factores que influyen en el rendimiento (kg·ha-1) de un cultivo provee información esencial para la toma de decisiones orientadas al mejoramiento y predicción de la productividad, proporcionando posibilidades a los agricultores para mejorar sus ingresos económicos. En este estudio, se presenta la aplicación y comparación de diversos algoritmos de aprendizaje automático para la predicción del rendimiento agrícola en cultivos de cacao y la identificación de los factores que influyen sobre éste. Se comparan los algoritmos de máquinas de soporte vectorial (SVM), modelos ensamblados (Random Forest,Gradient Boosting) y el modelo de regresión Least Absolute Shrinkage and Selection Operator (LASSO).Los Predictores Considerados fueron: condiciones climáticas de la región, variedad de cacao, nivel de fertilización y exposición al sol para un cultivo experimental ubicado en Rionegro, Santander. Los resultados identifican a Gradient Boosting como la mejor alternativa de pronóstico con un coeficiente de determinación(R2)= 68%, Error Absoluto Medio (MAE) = 13.32 y Raíz Cuadrada del Error Medio (RMSE)= 20.41.La variabilidad del rendimiento del cultivo es explicada principalmente por la radiación y la temperatura un mes previo a la cosecha, además de las lluvias acumuladas el mes de la cosecha. De igual manera, los rendimientos de los cultivos son evaluados con base en el tipo de exposición al sol, encontrando que la radiación un mes previo a la cosecha es el factor más influyente para los cultivos bajo sombra. Por otro lado, la lluvia y la humedad son las variables determinantes en las plantas con exposición plena a sol, lo que está asociado a los requerimientos hídricos. Estos resultados sugieren un manejo diferenciado de los cultivos dependiendo del tipo de exposición, sin tener que comprometer la productividad, dado que no se evidencia diferencia significativa en los rendimientos de ambos manejos agrícolas.

I. INTRODUCCIÓN

El cacao, que es un producto agrícola tropical demandado mundialmente por diferentes industrias, representa una importante fuente de sustento económico para los pequeños agricultores. En 2017, Colombia registró un incremento de 3.750 toneladas en la producción con respecto al año anterior, lo que marca un hito para el país consistente con los esfuerzos de los agricultores, los gremios y el gobierno nacional. Además, el cacao ha sido nominado como "cultivo para la paz", lo que permite la sustitución de cultivos ilícitos y la generación de oportunidades laborales. Sin embargo, las causas del aumento de la producción radican en la expansión del área cosechada y no en la mejora de la productividad y las prácticas agrícolas, la renovación de los cultivos o el uso de nuevas tecnologías.

  • Tipo de documento:
  • Formato:pdf
  • Idioma:Inglés
  • Tamaño:350 Kb

Cómo citar el documento

Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.

Este contenido no est� disponible para su tipo de suscripci�n

Información del documento

  • Titulo:Comparison Between Machine Learning Models for Yield Forecast in Cocoa Crops in Santander, Colombia
  • Autor:Lamos-Díaz, Henry; Puentes-Garzón, David-Esteban; Zarate-Caicedo, Diego-Alejandro
  • Tipo:Artículo
  • Año:2020
  • Idioma:Inglés
  • Editor:Universidad Pedagógica y Tecnológica de Colombia - UPTC
  • Materias:Técnicas de predicción Productividad agrícola Cacao Agroforestería
  • Descarga:10