Predicción del rendimiento de cultivos agrícolas usando aprendizaje automático

Abstract

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.

An Artificial Intelligence Approach for Estimating the Turbidity of Artisanal Wine and Dosage of Clarifying Agents

“…To avoid model overfitting, the 5-fold cross-validation method was used [26]. Automated training was performed using linear regression, regression trees, support vector machines, Gaussian process regression models, and neural networks [31].…”