|
|
|
|
| LEADER |
03311ntm a22003377a 4500 |
| 001 |
20190822102458.0 |
| 003 |
AR-BaUFA |
| 005 |
20240627121721.0 |
| 008 |
120920t2019 ag db||| m||| 00| 0 spa d |
| 999 |
|
|
|c 47565
|d 47565
|
| 040 |
|
|
|a AR-BaUFA
|
| 090 |
|
|
|a T.G.633.6 HER
|
| 100 |
1 |
|
|a Herrera Rozo, Camilo Alberto
|9 69165
|
| 245 |
0 |
0 |
|a Evaluación de modelos de aprendizaje automático para la predicción de variables asociadas a la producción en cultivos de caña de azúcar usando índices de vegetación y variables edáfícas
|
| 260 |
|
|
|c 2019
|
| 300 |
|
|
|a 108 p.
|b tbls., grafs., mapas
|
| 502 |
|
|
|a Tesis.
|c Universidad de Buenos Aires. Facultad de Agronomía. Escuela para Graduados.
|b Magister de la Universidad de Buenos Aires área Biometría y Mejoramiento.
|g Maestría en Biometría y Mejoramiento.
|d 2019.
|
| 520 |
|
|
|a La revolución de la informática ha impulsado nuevos desarrollos que mejoran la capacidad de tomar decisiones en agricultura. La caña de azúcar es considerada como el cultivo agrícola más importante del planeta según la Unesco. Conociendo la importancia del cultivo y las nuevas posibilidades computacionales, se generó una metodología para el procesamiento de la información disponible, la cual incluía imágenes multiespectrales, información de características edáficas e información muestreada de las variables a estimar. Con los datos estandarizados se evaluaron y ajustaron cuatro algoritmos de aprendizaje automático (BaggedCART, PLS, Random Forest y Cubist) para la predicción de índices de área foliar (IAF) y rendimiento de cultivo en toneladas de caña por hectárea (TCH). En el proceso de evaluación de los algoritmos se usaron estrategias de big data para lograr procesar y evaluar múltiples parámetros en búsqueda del mejor modelo tanto a nivel de cada algoritmo evaluado como a nivel global buscando el mejor de los algoritmos para las variables estimadas. El mejor ajuste se obtuvo con el algoritmo de random forest, tanto para la predicción de IAF como la predicción del TCH en términos de precisión de la respuesta. Igualmente, este algoritmo presentó los mejores tiempos de ajuste y entrenamiento de los modelos. Los resultados en cuanto a la precisión y modelado tanto de IAF como de TCH a partir de algoritmos de aprendizaje automático indican que los modelos propuestos pueden usarse para predecir estas variables asociadas a las producción de un cultivo y ayudar en el análisis de cultivos con datos fáciles de recolectar y con las nuevas tecnologías disponibles para ayudar en la toma de decisiones en la agroindustria de la caña de azúcar.
|
| 650 |
|
0 |
|a MODELOS ESTADISTICOS
|2 Agrovoc
|9 4082
|
| 650 |
|
0 |
|a BIOMETRIA
|2 Agrovoc
|9 185
|
| 650 |
|
0 |
|9 457
|a TOMA DE DECISIONES
|2 Agrovoc
|
| 650 |
|
0 |
|9 2883
|a RENDIMIENTO DE CULTIVOS
|2 Agrovoc
|
| 650 |
|
0 |
|a AUTOMATIZACION
|2 Tesauro de la Unesco
|9 4771
|
| 650 |
|
0 |
|9 186
|a TECNICAS DE PREDICCION
|2 Agrovoc
|
| 650 |
|
0 |
|9 2657
|a CAÑA DE AZUCAR
|2 Agrovoc
|
| 650 |
|
0 |
|9 2896
|a PRODUCCION VEGETAL
|2 Agrovoc
|
| 700 |
1 |
|
|9 20940
|a Cipriotti, Pablo Ariel
|e dir.
|
| 856 |
|
|
|x T20190901
|f 2019herrerarozocamiloalberto
|q application/pdf
|i En internet
|u http://ri.agro.uba.ar/files/download/tesis/maestria/2019herrerarozocamiloalberto.pdf
|
| 942 |
0 |
0 |
|c TESIP0D
|
| 942 |
0 |
0 |
|c ENLINEA
|
| 976 |
|
|
|a AAG
|