Maestría en Ciencia de Datos
Permanent URI for this collection
Browse
Browsing Maestría en Ciencia de Datos by Subject "Agricultura"
Now showing 1 - 4 of 4
Results Per Page
Sort Options
Item Desarrollo de un modelo predictivo para el precio de importación de pesticidas en Colombia(Pontificia Universidad Javeriana Cali, 2024) Ramírez Méndez, Edisson Miguel; Ramírez Amariz, Luis Felipe; González Gómez, Daniel EnriqueLa agricultura ha sido crucial para la supervivencia y el desarrollo humano, proporcionando los alimentos básicos para la dieta mundial. Sin embargo, en Colombia, la dependencia de insumos importados como insecticidas, fungicidas y herbicidas afecta significativamente los costos de producción agrícola debido a las fluctuaciones del mercado internacional. Este aumento en los precios, reflejado en el Índice de Precios al Consumidor (IPC), impacta en el costo de vida y la calidad de vida en el país. Para abordar este problema, se propone el desarrollo de un modelo predictivo para estimar los precios de estos insumos agrícolas importados. Utilizando datos de la Dirección de Impuestos y Aduanas Nacionales de Colombia (DIAN) desde 2001, el proyecto tiene como objetivo crear una herramienta que permita pronosticar los precios y ayudar a posicionar los productos agrícolas con precios más competitivos. El estudio incluye la introducción, formulación del problema, objetivos, marco de referencia, metodología, análisis de datos, evaluación del modelo, implementación y validación.Item Detección de enfermedades en cultivos de banano con imágenes aéreas utilizando un modelo de Deep Learning(Pontificia Universidad Javeriana Cali, 2024) Enríquez Polanco, Jorge Alberto; Rodríguez Reyes, Michael; Tobón Llano, Luis EduardoEste documento presenta un proyecto cuyo objetivo principal es reducir la cantidad de tiempo invertida en el monitoreo de los cultivos de banano, mediante la implementación de modelos de Aprendizaje Profundo (Deep Learning). Estos modelos se han utilizado para detectar y monitorear las enfermedades de Fusarium wilt y Xanthomonas wilt en los cultivos, empleando imágenes de alta resolución en RGB obtenidas por UAV (vehículos aéreos no tripulados). El proyecto se dirige específicamente a pequeños y medianos agricultores, con el propósito de agilizar los procesos de monitoreo de los cultivos de banano y detectar de manera temprana las enfermedades mencionadas. Para lograr este objetivo, se ha desarrollado un prototipo funcional que ha sido probado en cultivos reales. La implementación del prototipo se ha basado en los avances encontrados en el estado del arte relacionado con dispositivos y arquitecturas utilizadas en la implementación de inteligencia artificial en el monitoreo de cultivos. Además, se ha utilizado una base de datos proporcionada por el Centro Internacional de Agricultura Tropical (CIAT), que cuenta con más de 30 mil plantas de banano anotadas y etiquetadas por expertos fitopatólogos. En 3 cuanto a los objetivos cuantitativos, se ha logrado reducir en al menos un 25% el tiempo necesario para el monitoreo de los cultivos de banano, en comparación con los métodos tradicionales utilizados por los agricultores. Para lograr estos objetivos, se ha utilizado la metodología CDIO, que implica comprender inicialmente la situación, necesidad o problema en un contexto específico. A partir de esta comprensión, se ha diseñado una solución que se ha implementado realizando las modificaciones necesarias hasta llegar a la fase operativa del proyectoItem Digitalización del sector cacaocultor en el municipio de Baraya - Huila(Pontificia Universidad Javeriana Cali, 2025) Salas Diaz, Juan Camilo; Solano Correa, Yady Tatiana; Patiño Velasco, Mario MilverEl sector cacaocultor del departamento del Huila enfrenta desafíos que limitan su sostenibilidad y competitividad. Aunque el área de cultivo de cacao ha disminuido en los últimos años, la producción total ha aumentado debido a mejoras en los rendimientos por hectárea. Sin embargo, este incremento en la eficiencia no ha contrarrestado la reducción de la superficie cultivada, lo cual evidencia la necesidad de implementar estrategias que promuevan un uso eficiente y sostenible de los recursos. Para abordar este problema, este proyecto abordo una metodología basada en la integración de tecnologías avanzadas de análisis de datos y aprendizaje automático. Partiendo de la creación de una base de datos estructurada integrando datos sociales, agronómicos, físicos del suelo e imágenes multiespectrales de las unidades productivas de cacao en el municipio de Baraya, Huila. Esta base de datos se usó para aplicar técnicas de machine learning, con el fin de identificar patrones y similitudes entre las unidades productivas, cuyos modelos son evaluados mediante métricas específicas de validación. Finalmente se desarrolló una estrategia de visualización interactiva que permite a los agricultores y tomadores de decisiones interpretar fácilmente los resultados obtenidos, facilitando así una gestión más precisa del cultivo. Los resultados incluyen la identificación y agrupamiento de unidades productivas con características similares, permitiendo un enfoque diferenciado en la toma de decisiones y la implementación de prácticas agrícolas específicas para cada grupo.Item Modelo predictivo para estimar la humedad del suelo en cultivos del CIAT usando técnicas de aprendizaje automático(Pontificia Universidad Javeriana Cali, 2025) Paternina Miranda, Fabio Andrés; Zarate Jiménez, Juliana; Álvarez Vargas, Gloria Inés; Barrios Pérez, CamiloEl presente trabajo desarrolló un modelo predictivo para la estimación de la humedad volumétrica del suelo a partir de la integración de variables espectrales, climáticas y edáficas, empleando técnicas avanzadas de aprendizaje automático y análisis multifuente. El estudio se realizó en parcelas experimentales del Centro Internacional de Agricultura Tropical (CIAT), utilizando datos provenientes de sensores de humedad del suelo, imágenes satelitales PlanetScope (índices NDVI, EVI, NDMI y NDWI) y registros meteorológicos locales (precipitación, temperatura, radiación solar, evapotranspiración y velocidad del viento). El proceso metodológico incluyó un análisis exploratorio para evaluar la calidad y distribución de los datos, identificar correlaciones significativas y eliminar redundancias entre variables. Posteriormente, se seleccionaron nueve variables predictoras finales que representaron de forma eficiente los componentes hidrológicos, energéticos y vegetativos del sistema suelo–planta–atmósfera. Cinco algoritmos fueron evaluados en la fase de modelado: XGBoost, Random Forest, Support Vector Regression (SVR), Multi-Layer Perceptron (MLP) y K-Nearest Neighbors (KNN). Tras un proceso de optimización mediante GridSearchCV y validación cruzada K-Fold (k = 5), el modelo XGBoost optimizado se consolidó como la alternativa más precisa y estable, alcanzando un desempeño sobresaliente (R² = 0.96; MAE = 1.95; RMSE = 2.94). Este resultado evidenció su capacidad para capturar relaciones no lineales y manejar la multicolinealidad entre variables, superando a los demás algoritmos en generalización y eficiencia computacional. Como aplicación práctica, se desarrolló una interfaz web interactiva que permite realizar predicciones en tiempo real de la humedad del suelo a partir de datos climáticos y satelitales ingresados por el usuario. La interfaz integra visualizaciones dinámicas y un sistema de clasificación por categorías de humedad (muy baja, baja, media y alta), facilitando la interpretación de los resultados y la toma de decisiones agronómicas.