Por favor, use este identificador para citar o enlazar este ítem:
https://hdl.handle.net/20.500.12759/8559
Título : | Modelo de predicción de plagas en el cultivo de palto utilizando metodología de aprendizaje automático supervisado, empresa Virú S.A., 2019-2021 |
Autor : | Solano Robles, Cesar Anthony Caballero Cruz, Ivonne del Pilar |
Asesor: | Urrelo Huiman, Luis Vladimir |
Palabras clave : | Python Regresión Múltiple |
Fecha de publicación : | 2022 |
Institución : | Universidad Privada Antenor Orrego |
No. de serie: | T_SIST_1496 |
Resumen : | El uso de la tecnología en la gestión agrícola es un fuerte pilar para el
desarrollo de la productividad en el Perú. Si bien en los últimos años este
sector ha implementado tecnologías tal como drones, estaciones
meteorológicas, entre otros, para el control de muchos factores que
involucran en este sector, no siempre se explota la información que se
genera de ello. El objetivo de este trabajo fue desarrollar un modelo de
predicción de plagas en el cultivo de palto utilizando la metodología de
aprendizaje automático supervisado. Se analizó un conjunto de datos de
variables climatológicas y de la aparición de plagas en el cultivo de palto
correspondiente a los años 2019-2020, en la Empresa Virú S. A. La
investigación fue de tipo descriptivo y se utilizó las Cartillas fitosanitarias y
las estaciones meteorológicas de la empresa, para recolectar datos sobre
plagas y variables climatológicas respectivamente. Se construyó una base
de datos, se realizó la limpieza de dataframe y el filtrado de datos. Para el
procesamiento de los datos se utilizó Python, jupyterlab, Transt sql y Excel.
En el análisis de datos se utilizó estadística descriptiva, estadística
inferencial y las técnicas de regresión lineal. Se encontró que las plagas del
cultivo del palto: Oligonychus punicae, Oligonychus yothersi, Bemisia
Tabaci y Trips Tabaci presentan correlaciones significativas altas y
moderadas con las variables climatológicas temperatura y humedad
promedio. Se concluyó que, los modelos de predicción basados en
aprendizaje automático supervisado que se estimaron predicen la aparición
de estas plagas en el cultivo de palto, con una precisión menor al 90% The use of technology in agricultural management is a strong pillar for the development of productivity in Peru. Although in recent years this sector has implemented technologies such as drones, weather stations, among others, to control many factors that involve this sector, the information generated from it is not always exploited. The objective of this work was to develop a pest prediction model in avocado cultivation using the supervised machine learning methodology. A data set of climatological variables and the appearance of pests in the avocado crop corresponding to the years 2019-2020 was analyzed, in the Virú SA Company The investigation was descriptive and the phytosanitary cards and meteorological stations of the company, to collect data on pests and weather variables respectively. A database was built, data frame cleaning and data filtering was performed. Python, jupyterlab, Transt sql and Excel were used for data processing. Descriptive statistics, inferential statistics and linear regression techniques were used in the data analysis. It was found that the pests of the avocado crop: Oligonychus punicae, Oligonychus yothersi, Bemisia Tabaci and Trips Tabaci present significant high and moderate correlations with the climatological variable’s temperature and average humidity. It was concluded that the prediction models based on supervised machine learning that were estimated predict the appearance of these pests in the avocado crop, with a precision of less than 90% |
URI : | https://hdl.handle.net/20.500.12759/8559 |
Aparece en las colecciones: | Ingeniería de Computación y Sistemas |
Ficheros en este ítem:
Fichero | Descripción | Tamaño | Formato | |
---|---|---|---|---|
REP_CESAR.SOLANO_IVONNE.CABALLERO_MODELO.DE.PREDICCIÓN.pdf | CESAR.SOLANO_IVONNE.CABALLERO_MODELO.DE.PREDICCIÓN | 4,4 MB | Adobe PDF | Visualizar/Abrir |
Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons