Palabras clave
Aprendizaje Automático
Modelo de Predicción de Heladas
Sabana de Bogotá
Variables Climatológicas
Machine learning
Frost prediction model
Climatological variables
Bogotá Savannah
Modelo de Predicción de Heladas
Sabana de Bogotá
Variables Climatológicas
Machine learning
Frost prediction model
Climatological variables
Bogotá Savannah
Cómo citar
Castillo Méndez, R., & Camacho , J. A. (2024). Desarrollo de un modelo de machine learning para determinar el comportamiento de heladas en la Sabana de Bogotá. Vía Innova, 11(1), 150–164. https://doi.org/10.23850/2422068X.6819
Resumen
Se presenta el avance realizado en el desarrollo e implementación de un modelo de machine learning para determinar el comportamiento de las condiciones climatológicas fundamentales en la agricultura, y de la ocurrencia de una helada en la Sabana de Bogotá. Inicia con la creación de una base de información relacionada a estas variables, la caracterización, diseño, simulación, implementación y validación del sistema para llegar a la obtención de dicho modelo. Se incorpora un modelo de regresión múltiple y árboles de decisión para su implementación. Se establece una base de información actual e histórica acerca del comportamiento de las variables meteorológicas de Temperatura, Pluviosidad y Humedad Relativa, así como de la eventualidad de ocurrencia de una helada en la Sabana de Bogotá, logrando así la creación de la base de aprendizaje. Se ha caracterizado el sistema y se han definido los requerimientos de diseño, los cuales se encuentran en etapa de desarrollo e implementación. Se espera obtener un alto nivel de asertividad en el pronóstico realizado para aplicarlo en la agricultura de la Sabana de Bogotá inicialmente, así como mejorar las capacidades para realizar con mayor precisión cualquier actividad relacionada con el cultivo a partir de la recolección de información y el aprendizaje.
Una importante herramienta para determinar el comportamiento que tendrá un cultivo o una cosecha es la predicción. Con machine learning la agricultura está evolucionando en ese sentido, permitiendo al agricultor tener mayores elementos de decisión y de procesamiento de información sobre su cultivo.
Citas
Barooni, M., Ziarati, K., & Barooni, A. (2023). Frost Prediction Using Machine Learning Methods in Fars Province. 2023 28th International Computer Conference, Computer Society of Iran, CSICC 2023. https://doi.org/10.1109/CSICC58665.2023.10105391
Castillo Méndez, R. (2023). Clasificación automática de defectos de paneles solares aplicando aprendizaje de máquina. Revista Teinnova, 7, 89–97. https://doi.org/10.23850/25007211.5750
Corporación Autónoma Regional de Cundinamarca (CAR). (2020). Informe del registro e impactos de heladas en el territorio CAR durante Enero de 2020
Cunha, R. L. F., Silva, B., & Netto, M. A. S. (2018). A scalable machine learning system for pre-season agriculture yield forecast. Proceedings - IEEE 14th International Conference on EScience, e-Science 2018, 423–430. https://doi.org/10.1109/eScience.2018.00131
García Cañón, H. S. (2019). Implementación de técnicas de machine learning para la predicción de variables meteorológicas y del suelo que afectan la agricultura. In Implementación de técnicas de machine learning para la predicción de variables meteorológicas y del suelo que afectan la agricultura. Universidad de los Andes.
Gonzalez Botero, D. F. (2018). Planteamiento de un modelo de predicción de heladas en cultivos de rosa en la sabana de Bogotá. Universidad Militar Nueva Granada.
Hurwitz, J., & Kirsch, D. (2018). Machine Learning. In Journal of the American Society for Information Science (Vol. 35, Issue 5). John Wiley & Sons, Inc.
Kelleher, J. D., Mac Namee, B., & D’Arcy, A. (2015). Fundamentals of Machine Learning for Predictive Data Analytics (T. M. Press, Ed.). The MIT Press.
Marqués Gozalbo, M. Á. (2020). Modelos predictivos de producción agroindustrial con Machine Learning a partir de fuentes de información pública. Universidad de Córdoba.
Ramírez Gómez, C. A. (2020). Aplicación del Machine Learning en agricultura de precisión. Revista Cintex, 25(2), 14–27.
Sharma, A., Jain, A., Gupta, P., & Chowdary, V. (2021). Machine Learning applications for precision agriculture: A comprehensive review. IEEE Access, 9, 4843–4873. https://doi.org/10.1109/ACCESS.2020.3048415
Snyder, R. L., de Melo-Abreu, J. Paulo., & Matulich, Scott. (2010). Protección contra las heladas: fundamentos, práctica y economía (2nd ed.). Organización de las Naciones Unidas para la Agricultura y la Alimentación.
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Derechos de autor 2024 Vía innova
Descargas
Los datos de descargas todavía no están disponibles.
