Services on Demand
Journal
Article
Indicators
- Cited by SciELO
- Access statistics
Related links
- Cited by Google
- Similars in SciELO
- Similars in Google
Share
Ingeniería
Print version ISSN 0121-750X
Abstract
RUIZ MARTINEZ, William; FERRO ESCOBAR, Roberto and MONCADA SANCHEZ, Javier Felipe. Aplicación de un modelo de aprendizaje supervisado para analizar el comportamiento de variables medioambientales en un cultivo de café. ing. [online]. 2020, vol.25, n.3, pp.410-424. Epub June 30, 2021. ISSN 0121-750X. https://doi.org/10.14483/23448393.16898.
Contexto:
La recolección y almacenamiento de datos sobre variables medioambientales en un cultivo de café mediante el uso de redes inalámbricas de sensores permiten transformar dichos datos y aplicar un modelo de aprendizaje supervisado para establecer su comportamiento.
Método:
Para el presente trabajo, se desarrolló una arquitectura con 3 nodos sensores inalámbricos. Cada uno consistía en una tarjeta programable Lucy3, a la cual se conectaron sensores de temperatura, humedad ambiental y humedad del suelo. El terreno de medición se encuentra ubicado en la finca de café El Cortijo, y las mediciones se realizaron durante un período de dos semanas, tres horas al día, enviando la información de los nodos descritos anteriormente a un Gateway que luego transmitió la información a una estación base. Finalmente, los datos se cargaron en una plataforma en línea para transformación y análisis predictivo a través de un modelo de aprendizaje supervisado.
Resultados:
Las pruebas realizadas permitieron demostrar la efectividad del diseño de la red inalámbrica en la recolección y transmisión de datos. Además se encontró que la aplicación del modelo de aprendizaje supervisado a través del análisis de clasificación con árboles de decisión permitió predecir el comportamiento de las variables evaluadas en plazos y condiciones específicas.
Conclusiones:
Mediante la aplicación de modelos predictivos se pueden mejorar las condiciones del cultivo, lo que permite optimizar el rendimiento de las variables analizadas, minimizar la pérdida de recursos y mejorar la eficiencia de procesos como la siembra y la cosecha del grano.
Keywords : redes de sensores inalámbricos; modelos de aprendizaje supervisado; agricultura de precisión; árbol de decisión..