Modelos de crecimiento y desarrollo de hortalizas basado en Machine Learning

Abstract

La agricultura moderna se beneficia de la integración de tecnologías avanzadas como el Machine Learning para optimizar la gestión de cultivos. En las casas de cultivo de la UEB “Valle del Yabú” se recopilan variables agrometeorológicas como temperatura, humedad ambiente, humedad del suelo e iluminación, para monitorear el desarrollo del cultivo en un entorno controlado y mejorar la toma de decisiones. Este estudio tiene como objetivo clasificar las fases de crecimiento del cultivo de pepino mediante la implementación de modelos de regresión logística multinomial, bosques aleatorios y árboles de decisión. Los datos se preprocesan eliminando outliers y aplicando estandarización y normalización en los modelos que se benefician de estas técnicas. El procesamiento se realiza en Apache Spark, aprovechando su capacidad para manejar grandes volúmenes de datos de manera eficiente. Los modelos se validan mediante la técnica de validación cruzada para asegurar la estabilidad de los resultados. El modelo de árbol de decisión obtuvo los mejores resultados, alcanzando una exactitud superior al 92% tras aplicar reducción de dimensionalidad. Esto facilita la toma de decisiones en la gestión del cultivo, optimiza el uso de recursos y representa una propuesta económica y ambientalmente sostenible para la agricultura de precisión.