Predicción del rendimiento de cultivos agrícolas usando aprendizaje automático
| Autor | Joel Junior García-Arteaga, Jesús Javier Zambrano-Zambrano, Roberth Alcivar-Cevallos, Walter Daniel Zambrano-Romero |
| Cargo | Universidad Técnica de Manabí, Portoviejo |
| Páginas | 14-160 |
Revista Arbitrada Interdisciplinaria KOINONIA
Año 2020. Vol V. N°2. Especial: Saber y Tecnología Popular
Hecho el depósito de Ley: FA2016000010
ISSN: 2542-3088
FUNDACIÓN KOINONIA (F.K). Santa Ana de Coro. Venezuela.
Joel Junior García-Arteaga; Jesús Javier Zambrano-Zambrano; Roberth Alcivar-Cevallos;
Walter Daniel Zambrano-Romero
144
http://dx.doi.org/10.35381/r.k.v5i2.1013
Predicción del rendimiento de cultivos agrícolas usando aprendizaje automático
Agricultural Crop Yield Prediction Using Machine Learning
Joel Junior García-Arteaga
jgarcia5169@utm.edu.ec
Universidad Técnica de Manabí, Portoviejo
Ecuador
https://orcid.org/0000-0002-9261-5066
Jesús Javier Zambrano-Zambrano
jzambrano1217@utm.edu.ec
Universidad Técnica de Manabí, Portoviejo
Ecuador
https://orcid.org/0000-0001-8986-1832
Roberth Alcivar-Cevallos
roberth.alcivar@utm.edu.ec
Universidad Técnica de Manabí, Portoviejo
Ecuador
https://orcid.org/0000-0001-6282-8493
Walter Daniel Zambrano-Romero
walter.zambrano@utm.edu.ec
Universidad Técnica de Manabí, Portoviejo
Ecuador
https://orcid.org/0000-0002-0225-3955
Recepción: 05 de julio 2020
Revisado: 28 de agosto 2020
Aprobación: 17 de septiembre 2020
Publicación: 01 de octubre 2020
Revista Arbitrada Interdisciplinaria KOINONIA
Año 2020. Vol V. N°2. Especial: Saber y Tecnología Popular
Hecho el depósito de Ley: FA2016000010
ISSN: 2542-3088
FUNDACIÓN KOINONIA (F.K). Santa Ana de Coro. Venezuela.
Joel Junior García-Arteaga; Jesús Javier Zambrano-Zambrano; Roberth Alcivar-Cevallos;
Walter Daniel Zambrano-Romero
145
RESUMEN
Se aborda la predicción del rendimiento de los cultivos a través del aprendizaje
automático. Se usaron dos variables predictoras: hectáreas cosechadas, y producción en
toneladas. Para el primer caso, el mejor modelo fue una arquitectura de red neuronal
densa (DNN), con un MSE de 0.0081, seguido de los Random Forest (RF) con un MSE
de 0.0104, árboles de decisión (AD) con 0.0168, y finalmente las máquinas de soporte
vectorial (SVM) con 0.0328. Cuando se predijo producción en toneladas, el mejor modelo
fue el de los RF con un MSE de 0.0550, seguidos de AD con 0.1418, DNN con 0.1489, y
finalmente SVM con 0.3420. El test estadístico de diferencia significativa mostró que no
existe tal diferencia entre el rendimiento de los modelos cuando se predice la variable
hectáreas cosechadas, pero si para el caso de producción en toneladas, donde la
capacidad predictiva de RF fue de 95% aproximadamente.
Descriptores: Agricultura; investigación agrícola; inteligencia artificial. (Palabras
tomadas del Tesauro UNESCO).
ABSTRACT
Crop yield prediction is addressed through machine learning. Two predictor variables were
used: hectares harvested, and production in tons. For the first case, the best model was
a dense neural network (DNN) architecture, with a MSE of 0.0081, followed by Random
Forest (RF) with an MSE of 0.0104, decision trees (AD) with 0.0168, and finally vector
support machines (SVM) with 0.0328. When production in tons was predicted, the best
model was RF with a MSE of 0.0550, followed by AD with 0.1418, DNN with 0.1489, and
finally SVM with 0.3420. The statistical test of significant difference showed that there is
no such difference between the performance of the models when the variable hectares
harvested is predicted, but in the case of production in tons, where the predictive capacity
of RF was approximately 95%.
Descriptors: Agriculture; agricultural research; artificial intelligence. (Words taken from
the UNESCO Thesaurus).
Para continuar leyendo
Solicita tu prueba