Predicción del rendimiento de cultivos agrícolas usando aprendizaje automático

• García-Arteaga, Joel Junior ^[1] ; Zambrano-Zambrano, Jesús Javier ^[1] ; Alcivar-Cevallos, Roberth ^[1] ; Zambrano-Romero, Walter Daniel ^[1]
  1. [1] Universidad Técnica de Manabí

     Universidad Técnica de Manabí

     Portoviejo, Ecuador

     
• Localización: Revista Arbitrada Interdisciplinaria Koinonía, ISSN-e 2542-3088, Vol. 5, Nº. Extra 2, 2020 (Ejemplar dedicado a: Especial: Saber y Tecnología popular), págs. 144-160
• Idioma: español
• Títulos paralelos:
  • Agricultural Crop Yield Prediction Using Machine Learning
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    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.

  • English

    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%.