APLICACIÓN DEL MACHINE LEARNING EN AGRICULTURA DE PRECISIÓN

  • Carlos Alejandro Ramírez Gómez SENA
Palabras clave: Smart Agriculture, Machine Learing, KNN, Accuracy Score, Decision Tree

Resumen

El presente artículo propone un modelo de Machine learning para predecir el estado de la cosecha a partir de información de consumo de pesticidas y otras variables del cultivo, para lo cual se sigue la metodología de machine learning, la cual consiste en cuatro pasos que son: 1. Preprocesamiento y análisis de la información, 2. Separación de los datos de entrenamiento, test y validación.3 selección de los modelos, 4 evaluación hiperparámetros del modelo a partir de una métrica. Para eso se proponen cinco modelos de clasificación, para la evaluación se toma como métrica Accuracy score, como resultado final se obtienen los valores de los hiperparámetros correspondientes a los Modelos y se selecciona uno de ellos

Descargas

La descarga de datos todavía no está disponible.

Referencias bibliográficas

R. Katarya, A. Raturi, A. Mehndiratta, y A. Thapper, «Impact of Machine Learning Techniques in Precision Agriculture»,Proc. 3rd Int. Conf. Emerg. Technol. Comput. Eng. Mach. Learn. Internet Things ICETCE 2020, n.o February, pp. 18-23,2020, doi: 10.1109/ICETCE48199.2020.9091741.

U. L. C. Baldos, K. O. Fuglie, y T. W. Hertel, «The research cost of adapting agriculture to climate change: A global analysis to 2050», Agric. Econ., vol. 51, n.o 2, pp. 207-220, mar. 2020, doi: 10.1111/agec.12550.

C. A. Amaya Corredor, C. H. Contreras, N. Pedroza Rosas, y R. S. Cáceres Quintero, «Estrategias de adaptación y mitigación al cambio climático de las Unidades Tecnológicas de Santander», Rev. CINTEX, vol. 22, n.o 2, pp. 89-109, dic.2017, doi: https://doi.org/10.33131/24222208.301.

J. J. Castro-Maldonado, J. A. Patiño-Murillo, A. E. Florian-Villa, y O. E. Guadrón-Guerrero, «Application of computer vision and low-cost artificial intelligence for the identification of phytopathogenic factors in the agro-industry sector», J.Phys. Conf. Ser., vol. 1126, p. 012022, nov. 2018, doi: 10.1088/1742-6596/1126/1/012022.

F. A. González, J. J. Gómez, y D. F. Amaya, «Procesamiento de imágenes multiespectrales en cultivos de café y cacao», vol.22, n.o 2. pp. 57-67, 2017. doi: https://doi.org/10.33131/24222208.294.

C. Lau, A. Jarvis, y J. Ramirez, «Agricultura Colombiana: Adaptación al Cambio Climático», CIAT - Cent. Int. Agric. Trop.,vol. 1, p. 4, 2011.

A. Chlingaryan, S. Sukkarieh, y B. Whelan, «Machine learning approaches for crop yield prediction and nitrogen status estimation in precision agriculture: A review», Comput. Electron. Agric., vol. 151, pp. 61-69, ago. 2018, doi: 10.1016/j.compag.2018.05.012.

J. Patiño, J. D. López, y J. Espinosa, «Sensitivity Analysis of Frequency Regulation Parameters in Power Systems with Wind Generation», en Advanced Control and Optimization Paradigms for Wind Energy Systems, vol. 172, R.-E. Precup, T. Kamal, y S. Zulqadar Hassan, Eds. New York, NY: Springer New York, 2019, pp. 67-87. doi: 10.1007/978-981-13-5995-8_3.

M. I. Ardila Marín, W. Orozco Murillo, O. J. Galeano Echeverri, and A. M. Medina Escobar, “Desarrollo de software para la gestión del mantenimiento en los laboratorios de la I.U. Pascual Bravo,” Rev. CINTEX, vol. 23, no. 1, pp. 43–50, Oct. 2018, doi: 10.33131/24222208.307.

R. Shirsath, N. Khadke, D. More, P. Patil, y H. Patil, «Agriculture decision support system using data mining», Proc. 2017 Int. Conf. Intell. Comput. Control I2C2 2017, vol. 2018-January, pp. 1-5, 2018, doi: 10.1109/I2C2.2017.8321888.

S. Umadevi y K. S. J. Marseline, «A survey on data mining classification algorithms», Proc. IEEE Int. Conf. Signal Process. Commun. ICSPC 2017, vol. 2018-January, n.o July, pp. 264-268, 2018, doi: 10.1109/CSPC.2017.8305851.

Scikit-learn, «Scikit-learn user guide - Release 0.23.2», 2020.

C. A. Duarte-Salazar, A. E. Castro-Ospina, M. A. Becerra, y E. Delgado-Trejos, «Speckle Noise Reduction in Ultrasound Images for Improving the Metrological Evaluation of Biomedical Applications: An Overview», IEEE Access, vol. 8, pp. 15983-15999, 2020, doi: 10.1109/ACCESS.2020.2967178.

Scikit-learn, «sklearn.naive_bayes», 2020.

C. V. Classification et al., «sklearn.svm», 2020. https://scikit-learn.org/stable/modules/generated/sklearn.svm.SVC.html

G. Brookes y P. Barfoot, «Environmental impacts of genetically modified (GM) crop use 1996-2016: Impacts on pesticide use and carbon emissions», GM Crops Food, vol. 9, n.o 3, pp. 109-139, jul. 2018, doi: 10.1080/21645698.2018.1476792.

F. Hoyos Gómez, J. D. Betancur Gómez, D. Osorio Patiño, y J. G. Ardila Marín, «Construcción de curvas de factor de concentración de esfuerzos por medio de simulaciones», Rev. CINTEX, vol. 21, n.o 1, jun. 2016, Accedido: dic. 19, 2019.[En línea]. Disponible en: https://revistas.pascualbravo.edu.co/index.php/cintex/article/view/8

Y.-W. Chung, B. Khaki, T. Li, C. Chu, y R. Gadh, «Ensemble machine learning-based algorithm for electric vehicle user behavior prediction», Appl. Energy, vol. 254, p. 113732, nov. 2019, doi: 10.1016/j.apenergy.2019.113732.

Scikit-learn, «sklearn.ensemble.AdaBoostClassifier», Scikit-learn, 2020. https://scikitlearn.org/stable/modules/generated/sklearn.ensemble.AdaBoostClassifier.html

Publicado
2020-12-31
Cómo citar
Ramírez Gómez, C. A. (2020). APLICACIÓN DEL MACHINE LEARNING EN AGRICULTURA DE PRECISIÓN. Revista CINTEX, 25(2), 14-27. https://doi.org/10.33131/24222208.356
Sección
ARTÍCULOS DE INVESTIGACIÓN