Mostrar el registro sencillo del ítem

Comparison Between Machine Learning Models for Yield Forecast in Cocoa Crops in Santander, Colombia

Comparison Between Machine Learning Models for Yield Forecast in Cocoa Crops in Santander, Colombia

dc.creatorLamos Díaz, Henry
dc.creatorPuentes Garzón, David Esteban
dc.creatorZarate Caicedo, Diego Alejandro
dc.date2024-07-22T19:50:58Z
dc.date2024-07-22T19:50:58Z
dc.date2020-05-15
dc.date2020
dc.date.accessioned2024-11-14T15:00:42Z
dc.date.available2024-11-14T15:00:42Z
dc.identifierhttps://revistas.uptc.edu.co/index.php/ingenieria/article/view/10853
dc.identifier2357-5328
dc.identifierhttp://hdl.handle.net/20.500.12324/39629
dc.identifierhttps://doi.org/10.19053/01211129.v29.n54.2020.10853
dc.identifierreponame:Biblioteca Digital Agropecuaria de Colombia
dc.identifierinstname:Corporación colombiana de investigación agropecuaria AGROSAVIA
dc.identifier.urihttp://test.repositoriodigital.com:8080/handle/123456789/85291
dc.descriptionLa 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. Palabras clave: aprendizaje automático; cacao; predicción; productividad; rendimientos agrícolas; sistemas agroforestales.
dc.descriptionCacao-Theobroma cacao
dc.formatapplication/pdf
dc.formatapplication/pdf
dc.languagespa
dc.publisherUniversidad Pedagógica y Tecnológica de Colombia - UPTC
dc.relationRevista Facultad De Ingeniería
dc.relation29
dc.relation54
dc.relation18
dc.relation26
dc.relationD. Jiménez, J. Cock, A. Jarvis, J. Garcia, H. F. Satizábal, P. Van-Damme, A. Peréz-Uribe, and M. Barreto- Sanz, “Interpretation of commercial production information: A case study of lulo (Solanum quitoense), an under-researched Andean fruit,” Agricultural Systems, vol. 104 (3), pp. 258-270, Mar. 2011.
dc.relationJ. W. Jones, J. M. Antle, B. Basso, K. J. Boote, R. T. Conant, I. Foster, H. C. J. Godfay, M. Herrero, R. E. Howitt, S. Janssen, B. A. Keating, R. Munoz-Carpena, C. H. Porter, C. Rosenzweig, and T. R. Wheeler, “Brief history of agricultural systems modeling,” Agricultural Systems, vol. 155, pp. 240-254, Jul. 2017. https://doi.org/10.1016/j.agsy.2016.05.014
dc.relationI. Diaz, S. M. Mazza, E. F. Combarro, L. I. Gimenez, and J. E. Gaiad, “Machine learning applied to the prediction of citrus production,” Spanish Journal of Agricultural Research, vol. 15 (2), e0205, Jun. 2017. https://doi.org/10.5424/sjar/2017152-9090
dc.relationS. T. Drummond, K. A. Sudduth, A. Joshi, S. J. Birrell, and N. R. Kitchen, “Statistical and neural methods for site-specific yield prediction,” Transactions of the ASAE, vol. 46 (1), pp. 5-14, 2003. https://doi.org/10.13031/2013.12541
dc.relationJ. L. De Paepe, and R. Alvarez, “Wheat Yield Gap in the Pampas: Modeling the Impact of Environmental Factors,” Agronomy, Soils & Environmental Quality, vol. 108 (4), pp. 1367-1378, 2016. https://doi.org/10.2134/agronj2015.0482
dc.relationJ. D. R. Soares, M. Pasqual, W. S. Lacerda, S. O. Silva, and S. L. R. Donato, “Comparison of techniques used in the prediction of yield in banana plants,” Scientia Horticulturae, vol. 167, pp. 84-90, Mar. 2014. https://doi.org/10.1016/j.scienta.2013.12.012
dc.relationA. Shekoofa, Y. Emam, N. Shekoufa, M. Ebrahimi, and E. Ebrahimie, “Determining the Most Important Physiological and Agronomic Traits Contributing to Maize Grain Yield through Machine Learning Algorithms: A New Avenue in Intelligent Agriculture,” PLoS One, vol. 9 (5), e97288, May 2014. https://doi.org/10.1371/journal.pone.0097288
dc.relationJ. R. Romero, P. F. Roncallo, P. C. Akkiraju, I. Ponzoni, V. C. Echenique, and J. A. Carballido, “Using classification algorithms for predicting durum wheat yield in the province of Buenos Aires,” Computers and Electronics in Agriculture, vol. 96, pp. 173-179, Aug. 2013. https://doi.org/10.1016/j.compag.2013.05.006
dc.relationX. Huang, G. Huang, C. Yu, S. Ni, and L. Yu, “A multiple crop model ensemble for improving broad-scale yield prediction using Bayesian model averaging,” Field Crops Research, vol. 211, pp. 114-124, Sep. 2017. https://doi.org/10.1016/j.fcr.2017.06.011
dc.relationA. A. V. da Silva, I. A. F. Silva, M. C. M. Teixeira Filho, S. Buzetti, and M. C. M. Teixeira, “Estimate of wheat grain yield as function of nitrogen fertilization using neuro fuzzy modeling,” Revista Brasileira de Engenharia Agrícola e Ambiental, vol. 18 (2), pp. 180-187, Feb. 2014. https://doi.org/10.1590/S1415- 43662014000200008
dc.relationI. Lopez, J. Plazas, and J. C. Corrales, “A tool for classification of cacao production in Colombia based on multiple classifier systems,” in 17th International Conference Computational Science and Its Applications – ICCSA 2017, Trieste, Italy, Jul. 2017. https://doi.org/10.1007/978-3-319-62395-5_5
dc.relationE. Somarriba, and J. Beer, “Productivity of Theobroma cacao agroforestry systems with timber or legume service shade trees,” Agroforestry Systems, vol. 81, pp. 109-121, 2011. https://doi.org/10.1007/s10457- 010-9364-1
dc.relationP. A. Zuidema, P. A. Leffelaar, W. Gerritsma, L. Mommer, and N. P. R. R. Anten, “A physiological production model for cocoa (Theobroma cacao): model presentation, validation and application,” Agricultural Systems, vol. 84 (2), pp. 195-225, May 2005. https://doi.org/10.1016/j.agsy.2004.06.015
dc.relationL. F. García Carrión, Catalogo de cultivares de cacao del Perú, Lima: Ministerio de Agricultura y Riego, 2010.
dc.relationV. Vapnik, The nature of Statistical Learning Theory, New York: Springer-Verlag, 1995.
dc.relationH. Drucker, C. J. C. Burges, L. Kaufman, A. J. Smola, and V. Vapnik, "Support Vector Regression Machines," Neural Information Processing Systems, vol. 9, pp. 1-11, 1997.
dc.relationT. Dietterich, Ensemble Methods in Machine Learning. In: Multiple Classifier Systems, Heidelberg: Springer Berlin, 2000.
dc.relationJ. H. Friedman, “Greedy Function Approximation: A Gradient Boosting Machine,” Annals of Statistics, vol. 29 (5), pp. 1189-1232, 2001.
dc.relationL. Breiman, “Random forests,” Machine Learning, vol. 45 (1), pp. 5-32, 2001. https://doi.org/10.1023/A:1010933404324
dc.relationF. Pedregosa, G. Varoquaux, A. Gramfort, V. Michel, and B. Thirion, “Scikit-learn: Machine Learning in Python,” Journal of Machine Learning Research, vol. 12, pp. 2825-2830, 2011.
dc.relationT. M. Logan, S. McLeod, and S. Guikema, “Predictive models in horticulture: A case study with Royal Gala apples,” Scientia Horticulturae, vol. 209, pp. 201-213, Sep. 2016. https://doi.org/10.1016/j.scienta.2016.06.033
dc.relationA. Daymond, and P. Hadley, “The effects of temperature and light integral on early vegetative growth and chloroplyll fluorescence of four contrasting genotypes of cacao,” Annals of Applied Biology, vol. 145 (3), pp. 257-262, 2004. https://doi.org/10.1111/j.1744-7348.2004.tb00381.x
dc.relationY. Ahenkorah, B. Halm, M. Appiah, and G. Akrofi, “Twenty Years’ Results from a Shade and Fertilizer Trial on Amazon Cocoa (Theobroma cacao) in Ghana,” Experimental Agriculture, vol. 23 (1), pp. 31-39, Jan. 1987. https://doi.org/10.1017/s0014479700003380
dc.relationO. Deheuvels, J. Avelino, E. Somarriba, and E. Malezieux, “Vegetation structure and productivity in cocoabased agroforestry systems in Talamanca, Costa Rica,” Agriculture, Ecosystems & Environment, vol. 149, pp. 181-188, Mar. 2012. https://doi.org/doi: 10.1016/j.agee.2011.03.003
dc.relationW. Vanhove, N. Vanhoudt, and P. Van Damme, “Effect of shade tree planting and soil management on rehabilitation success of a 22-year-old degraded cocoa (Theobroma cacao L.) plantation,” Agriculture, Ecosystems & Environment, vol. 219, pp. 14-25, Mar. 2016. https://doi.org/doi: 10.1016/j.agee.2015.12.005
dc.relationB. Utomo, A. A. Prawoto, S. Bonnet, A. Bangviwat, and S. H. Gheewala, “Environmental performance of cocoa production from monoculture and agroforestry systems in Indonesia,” Journal of Cleaner Production, vol. 134 (Part B), pp. 583-591, Oct. 2016. https://doi.org/10.1016/j.jclepro.2015.08.102
dc.rightsAttribution-NonCommercial-ShareAlike 4.0 International
dc.rightshttp://creativecommons.org/licenses/by-nc-sa/4.0/
dc.sourceRevista Facultad De Ingeniería; vol. 29, Núm. 54. (2020): Revista Facultad De Ingeniería (Mayo);p. e10853
dc.subjectaprendizaje automático
dc.subjectcacao
dc.subjectpredicción
dc.subjectproductividad
dc.subjectrendimientos agrícolas
dc.subjectsistemas agroforestales
dc.subjectProducción y tratamiento de semillas - F03
dc.subjectTheobroma cacao
dc.subjectProducción
dc.subjectRendimiento
dc.subjectSistema agroforestal
dc.subjectCacao
dc.subjecthttp://aims.fao.org/aos/agrovoc/c_7713
dc.subjecthttp://aims.fao.org/aos/agrovoc/c_6200
dc.subjecthttp://aims.fao.org/aos/agrovoc/c_8488
dc.subjecthttp://aims.fao.org/aos/agrovoc/c_330982
dc.titleComparison Between Machine Learning Models for Yield Forecast in Cocoa Crops in Santander, Colombia
dc.titleComparison Between Machine Learning Models for Yield Forecast in Cocoa Crops in Santander, Colombia
dc.typeArtículo científico
dc.coverageColombia
dc.audienceInvestigador
dc.thumbnailhttps://repository.agrosavia.co/bitstream/20.500.12324/39629/4/Ver_Documento_39629.pdf.jpg


Ficheros en el ítem

FicherosTamañoFormatoVer

No hay ficheros asociados a este ítem.

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem