Modelos predictivos de producción agroindustrial con Machine Learning a partir de fuentes de información pública
Autor
Marqués Gozalbo, Miguel Ángel
Tutor
Peña-Acevedo, AdolfoGarcía Nieto, José Manuel
Editor
Universidad de CórdobaFecha
2022Materia
MaízOpen Data
Machine learning
Inteligencia artificial
Agricultura de precisión
Maize
Artificial intelligence
Precision agriculture
METS:
Mostrar el registro METSPREMIS:
Mostrar el registro PREMISMetadatos
Mostrar el registro completo del ítemResumen
Conocer cuál va a ser el resultado de una campaña de producción agrícola siempre ha sido del interés de los actores del sector agroindustrial. A lo largo de los años, se han desarrollado diferentes diversos métodos para la estimación de cosecha en diferentes cultivos. Hoy día, gracias a las nuevas tecnologías y a la disponibilidad de datos abiertos sobre el desarrollo de cultivos es posible desarrollar modelos matemáticos que tienen la capacidad de predecir la producción del cultivo meses antes de la cosecha. Países como Estados Unidos (en adelante EEUU) han establecido como política nacional la puesta a disposición de datos sobre el desarrollo de cultivos para que diferentes actores tengan la oportunidad de utilizarlos para desarrollar soluciones que aporten valor a la cadena agroalimentaria. El principal cultivo en EEUU es el maíz, por lo que existe una extensa variedad de datos abiertos sobre el desarrollo de este cultivo. Variables como índices satelitales, variables climáticas, productividades históricas y muchas más están disponibles para poder desarrollar modelos matemáticos mediante técnicas de Machine Learning. Este trabajo tiene como objetivos la realización de diferentes casos de uso ligados a la predicción de productividad a partir de datos abiertos. Estos datos son obtenidos de diferentes fuentes de información para posteriormente ser tratados y utilizados como base ajustar modelos con algoritmos de Inteligencia Artificial. Una vez los modelos están desarrollados se comparan los sistemas actuales de predicción de productividad que ofrece el USDA los meses previos a la cosecha de maíz en EEUU. Knowing what the result of an agricultural production campaign will be has always been of interest to actors in the agro-industrial sector. Over the years, different methods have been developed for yield estimation in different crops. Today, thanks to new technologies and the availability of Open Data about crop development, it is possible to develop mathematical models that have the capacity to predict crop yield months before the harvest. Countries such as the United States have established as national policy the nececity to share crop development data to allow diferente actor the opportunity to use it to develop solutions that add value to the agrifood chain. The main crop in the US is maize, so there are a wide variety of open data about the crop evolution. Variables such as satellite indices, climate variables, historical productivity and many more are available to develop mathematical models using Machine Learning techniques. This work has as objectives the realization of different cases linked to the prediction of productivity from open data. These data are obtained from different sources to be treated and used for adjusting models with Artificial Intelligence algorithms. Once the models are developed, it is compared with the current productivity prediction systems offered by the USDA in the months before to the corn harvest in the United States.
Descripción
Premio extraordinario de Trabajo Fin de Máster curso 2019/2020. Máster en Transformación Digital del Sector Agroalimentario y Forestal (DIGITAL-AGRI)