Application of a supervised learning model to analyze the behavior of the en-vironmental variables in a coffee crop

A new concept in IoT

Aplicación de un modelo de aprendizaje supervisado para analizar el com-portamiento de las variables medioambientales en un cultivo de café

Palabras clave: Decision trees, precision agriculture, supervised learnings model, wireless sensor network (en_US)
Palabras clave: Agricultura de precisión, arboles de decisión, modelos de aprendizaje supervisados, redes de sensores inalámbricos (es_ES)

Resumen (en_US)

Context:  The collection and storage of data on environmental variables in a coffee crop, using wireless sensor networks, allowing the transformation of said data and the application of a supervised learning model to establish its behavior.

Method: For the present work, an architecture of 3 wireless sensor nodes was developed, each node consists of a Lucy3 programmable card, to which the temperature, environmental humidity and soil moisture sensors were connected, the measurement terrain is located in the coffee farm "El cortijo", measurements were made over a period of two weeks, three hours a day, sending the information from the nodes described above to a gateway that then transmitted the information to a base station, finally the data was loaded on an online platform for transformation and predictive analytics through a supervised learning model.

Results: The tests carried out allowed demonstrating the effectiveness of the design of the wireless network in the collection and transmission of data, later it was found that the application of the supervised learning model through the analysis of classification with decision trees, allowed to predict the behavior of the variables evaluated in time frames and specific conditions.

Conclusions: By applying predictive models, the conditions of the crop can be improved, allowing the yield of the analyzed variables to be optimized, minimizing the loss of resources and improving the efficiency of processes such as sowing and harvesting the grain.

Resumen (es_ES)

Contexto: La recolección y almacenamiento de datos sobre variables medioambientales en un cultivo de café, mediante el uso de redes inalámbricas de sensores, permitiendo transformar dichos datos y aplicar un modelo de aprendizaje supervisado para establecer su comportamiento.

Método: Para el presente trabajo, se desarrolló una arquitectura de 3 nodos sensores inalámbricos, cada nodo consistente en una tarjeta programable Lucy3, a la cual se conectaron sensores de temperatura, humedad ambiental y humedad del suelo, el terreno de medición se encuentra ubicado en la finca de café " El cortijo ", las mediciones se realizaron durante un período de dos semanas, tres horas al día, enviando la información de los nodos descritos anteriormente a un Gateway que luego transmitió la información a una estación base, finalmente los datos se cargaron en una plataforma en línea para transformación y análisis predictivo a través de un modelo de aprendizaje supervisado.

Resultados: Las pruebas realizadas permitieron demostrar la efectividad del diseño de la red inalámbrica en la recolección y transmisión de datos, posteriormente se encontró que la aplicación del modelo de aprendizaje supervisado a través del análisis de clasificación con árboles de decisión permitió predecir el comportamiento de las variables evaluadas en plazos y condiciones específicas.

Conclusiones: Mediante la aplicación de modelos predictivos, se pueden mejorar las condiciones del cultivo, permitiendo optimizar el rendimiento de las variables analizadas, minimizando la pérdida de recursos y mejorando la eficiencia de procesos como la siembra y la cosecha del grano.

Descargas

La descarga de datos todavía no está disponible.

Referencias

J. D. Pinto Rios, Monitoreo de cultivos con redes de sensores Xbee,arduino y dispositivos de medicion de suelos (Tesis de pregrado), Pereira: Universidad Tecnologica de Pereira, 2015.

J. Ordieres Meré, F. . J. Martínez, A. de Pisón, A. González Marcos, F. Alba Elías, R. Lostado Lorza y A. V. Pernía Espinoza, Redes inalámbricas de sensores: Teoría y aplicación práctica, La Rioja: Universidad de la Rioja -Servicio de Publicaciones, 2009.

K. Siavosh Sadegian y A. Jaramillo Robledo, «Nutricion de los cafetales en Colombia,» Cenicafe, Chinchina, 2016.«Portafolio,» 06 04 2020. [En línea]. Available: https://www.portafolio.co/economia/el-cafe-vuelve-a-ser-el-motor-de-la-539712. [Último acceso: 11 05 2020].

«Portafolio,» 06 04 2020. [En línea]. Available: https://www.portafolio.co/economia/el-cafe-vuelve-a-ser-el-motor-de-la-539712. [Último acceso: 11 05 2020].

M. Quiñones Cuenca, V. González Jaramillo, R. Torres y M. Jumbo, «Sistema De Monitoreo de Variables Medioambientales Usando WSN y Una plataforma Cloud,» Enfoque UT, vol. 7, nº 1, pp. 329-343, 2017. https://doi.org/10.29019/enfoqueute.v8n1.139

L. Ramirez C, Diseño de una arquitectura para redes de sensores con soporte para aplicaciones de deteccion de eventos, Valencia: Universidad Politecnica de Valencia, 2012.

«National Instruments Notas Tecnicas,» 22 04 2009. [En línea]. Available: https://www.ni.com/es-co/innovations/white-papers/13/sensor-terminology.html.

«Colmakers,» 25 06 2018. [En línea]. Available: https://www.colmakers.com/.

National Instruments Niyantra Documents,» 27 01 2017. [En línea]. Available: https://forums.ni.com/t5/NIYANTRA-Documents/NIYANTRA-2013-REMOTE-MONITORING-AND-AUTOMIZED-CONTROL-SYSTEM-FOR/ta-p/3498027?profile.language=es. [Último acceso: 26 05 2020].

Ubidots, «Ubidots,» 24 01 2020. [En línea]. Available: https://ubidots.com/platform/.

«BigML,» 10 05 2020. [En línea]. Available: https://bigml.com/features. [Último acceso: 10 05 2020].L. Igual y S. Segui, Introduction to Data Science, Barcelona: Springer, 2017.

L. Igual y S. Segui, Introduction to Data Science, Barcelona: Springer, 2017. https://doi.org/10.1007/978-3-319-50017-1

J. C. Garcia Lopez, H. E. Posada Suárez y F. A. Salazar Villareal, «Factores de produccion que influyen en la respuesta de genotipos de coffea arabica L. Bajo diversas condiciones ambientales en Colombia,» Cenicafe, vol. 2, nº 66, pp. 30-57, 2015.

J. Arcila Pulgarin, «Factores que determinan la productividad del cafetal,» de Sistemas de produccion de cafe en Colombia, Chinchina, Cenicafe, 2017, pp. 62-86.

V. H. Ramirez B, «Avances en la medicion del suelo in situ,» Investigaciones de Unisarc, vol. 4, nº 1, pp. 27-34, 2006.

A. Herron Ortiz, «Produccion del cafe en zonas no tradicionales,» Ahero Estudios Técnicos Agrícolas S.A.S, Medellin, 2013.

Cómo citar
Ruiz Martinez, W., Ferro Escobar, R., & Moncada, J. (2020). Aplicación de un modelo de aprendizaje supervisado para analizar el com-portamiento de las variables medioambientales en un cultivo de café. Ingeniería, 25(3). https://doi.org/10.14483/23448393.16898
Publicado: 2020-10-05
Sección
Sección Especial: Mejores artículos extendidos - WEA 2020

Artículos más leídos del mismo autor/a