Predicción de heladas y variables meteorológicas relevantes en agricultura en la sabana de Bogotá usando Machine Learning

Robinson Castillo Méndez; Julian Andrés Camacho Castro

doi:10.14482/inde.43.01.155.454

Autores/as

Robinson Castillo Méndez Servicio Nacional de Aprendizaje – SENA (Colombia) https://orcid.org/0000-0002-7412-6306
Julian Andrés Camacho Castro Servicio Nacional de Aprendizaje – SENA (Colombia) https://orcid.org/0009-0004-3545-5539

DOI:

https://doi.org/10.14482/inde.43.01.155.454

Palabras clave:

Aprendizaje automático, Predicción de heladas, Red neuronal de avance, Regresión lineal múltiple, Variables meteorológicas

Resumen

A partir de información histórica de variables climatológicas y de las heladas, es posible mejorar las decisiones tomadas en las actividades de la agricultura, buscando determinar patrones que garanticen mayor rendimiento y calidad de los cultivos e implementando modelos de predicción basados en machine learning (ML). Se propone desarrollar un modelo ML que permita determinar el comportamiento de las variables meteorológicas temperatura, pluviosidad y humedad relativa, así como de las heladas en la Sabana de Bogotá. Se ha partido de la conformación de una base de datos históricos de estas variables desde 2010 hasta abril de 2023, considerando información de diez estaciones meteorológicas diferentes de la región. Ha sido necesario implementar técnicas de imputación de datos en los vacíos de información. Para determinar el modelo con la respuesta más cercana a la realidad, se desarrolló un modelo basado en regresión lineal múltiple y otro en redes neuronales artificiales. De acuerdo con los resultados obtenidos y el nivel de error absoluto, el segundo modelo aproxima sus predicciones más cerca a los datos reales. El trabajo desarrollado puede ser una herramienta esencial para generar un sistema de alerta temprana que ayude a los agricultores de la Sabana de Bogotá.

Citas

M. K. Sott et al., “Precision Techniques and Agriculture 4.0 Technologies to Promote Sustainability in the Coffee Sector: State of the Art, Challenges and Future Trends,” IEEE Access, vol. 8, pp. 149854–149867, 2020, doi: 10.1109/ACCESS.2020.3016325.

J. P. Tovar-Soto, M. O. Gonzalez, and J. A. S. Sanchez, “Digital agriculture for urban crops: design of an IoT platform for monitoring variables.,” in 2022 IEEE International Conference on Automation/25th Congress of the Chilean Association of Automatic Control: For the Development of Sustainable Agricultural Systems, ICA-ACCA 2022, Institute of Electrical and Electronics Engineers Inc., 2022. doi: 10.1109/ICA-ACCA56767.2022.10006036.

M. Barooni, K. Ziarati, and A. Barooni, “Frost Prediction Using Machine Learning Methods in Fars Province,” in 2023 28th International Computer Conference, Computer Society of Iran, CSICC 2023, Institute of Electrical and Electronics Engineers Inc., 2023. doi: 10.1109/CSICC58665.2023.10105391.

C. A. Ramírez Gómez, “Aplicación del Machine Learning en agricultura de precisión” Revista Cintex, vol. 25, no. 2, pp. 14–27, 2020.

R. L. F. Cunha, B. Silva, and M. A. S. Netto, “A scalable machine learning system for pre-season agriculture yield forecast,” Proceedings - IEEE 14th International Conference on eScience, e-Science 2018, pp. 423–430, 2018, doi: 10.1109/eScience.2018.00131.

A. Sharma, A. Jain, P. Gupta, and V. Chowdary, “Machine Learning applications for precision agriculture: A comprehensive review,” IEEE Access, vol. 9, pp. 4843–4873, 2021, doi: 10.1109/ACCESS.2020.3048415.

S. Elghamrawy, “An AI-Based Prediction Model for Climate Change Effects on Crop production using IoT,” in 2023 International Telecommunications Conference, ITC-Egypt 2023, Institute of Electrical and Electronics Engineers Inc., 2023, pp. 497–503. doi: 10.1109/ITC-Egypt58155.2023.10206201.

H. S. García Cañón, “Implementación de técnicas de machine learning para la predicción de variables meteorológicas y del suelo que afectan la agricultura,” Universidad de los Andes, 2019.

D. F. Gonzalez Botero, “Planteamiento de un modelo de predicción de heladas en cultivos de rosa en la sabana de Bogotá,” Universidad Militar Nueva Granada, Bogotá D.C., 2018.

M. Á. Marqués Gozalbo, “Modelos predictivos de producción agroindustrial con Machine Learning a partir de fuentes de información pública,” Universidad de Córdoba, 2020.

M. G. Herabad and N. P. Afshar, “Fuzzy-based Deep Reinforcement Learning for Frost Forecasting in IoT Edge-enabled Agriculture,” in Proceedings - 2022 8th International Iranian Conference on Signal Processing and Intelligent Systems, ICSPIS 2022, Institute of Electrical and Electronics Engineers Inc., 2022. doi: 10.1109/ICSPIS56952.2022.10044063.

W. Lv, H. Huang, W. Tang, and T. Chen, “Research and Application of Intersection Similarity Algorithm Based on KNN Classification Model,” in Proceedings - 2021 International Conference on Artificial Intelligence, Big Data and Algorithms, CAIBDA 2021, Institute of Electrical and Electronics Engineers Inc., May 2021, pp. 141–144. doi: 10.1109/CAIBDA53561.2021.00037.

M. Akhiladevi, K. Anitha, K. Amrutha, M. Amrutha, and K. R. Chandanashree, “Accident Prediction Using KNN Algorithm,” in 4th International Conference on Emerging Research in Electronics, Computer Science and Technology, ICERECT 2022, Institute of Electrical and Electronics Engineers Inc., 2022. doi: 10.1109/ICERECT56837.2022.10059746.

M. R. Putri, I. G. P. S. Wijaya, F. P. A. Praja, A. Hadi, and F. Hamami, “The Comparison Study of Regression Models (Multiple Linear Regression, Ridge, Lasso, Random Forest, and Polynomial Regression) for House Price Prediction in West Nusa Tenggara,” in ICADEIS 2023 - International Conference on Advancement in Data Science, E-Learning and Information Systems: Data, Intelligent Systems, and the Applications for Human Life, Proceeding, Institute of Electrical and Electronics Engineers Inc., 2023. doi: 10.1109/ICADEIS58666.2023.10270916.

MathWorks®, “Bayesian regularization backpropagation,” Bayesian regularization backpropagation. Accessed: Nov. 25, 2023. [Online]. Available: https://la.mathworks.com/help/deeplearning/ref/trainbr.html?lang=en