Sistema de predicción en la producción de arándanos
Para citar o enlazar este item, por favor use el siguiente identificador:
http://dspace.ups.edu.ec/handle/123456789/28368
Registro completo de metadatos
Campo DC | Valor | Lengua/Idioma |
---|---|---|
dc.contributor.advisor | Navas Ruilova, Gustavo Ernesto | - |
dc.contributor.author | Sánchez Apráez, Andy Kevin | - |
dc.date.accessioned | 2024-08-16T21:59:17Z | - |
dc.date.available | 2024-08-16T21:59:17Z | - |
dc.date.issued | 2024 | - |
dc.identifier.uri | http://dspace.ups.edu.ec/handle/123456789/28368 | - |
dc.description | La producción de arándanos en Ecuador enfrenta desafíos significativos debido a la variabilidad climática y la necesidad de optimizar el uso de recursos agrícolas. Este trabajo tiene como objetivo desarrollar un sistema de predicción para la producción de arándanos en la empresa Ilaru, utilizando técnicas de aprendizaje automático como Máquinas de Soporte Vectorial (SVM) y Bosques Aleatorios (RF). Se recopilaron y analizaron datos de clima, suelo y manejo agrícola para identificar las variables más influyentes en la producción de arándanos. La metodología incluyó la creación de un conjunto de datos que integrara información de diferentes fuentes y el entrenamiento de modelos predictivos. Los resultados obtenidos muestran una mejora significativa en la precisión de las predicciones, lo que permite a la empresa tomar decisiones más informadas y eficientes sobre la gestión de recursos y la planificación de la producción. En conclusión, el sistema propuesto no solo aumenta la productividad de los arándanos, sino que también promueve prácticas agrícolas más sostenibles y responsables. | spa |
dc.description.abstract | Blueberry production in Ecuador faces significant challenges due to climate variability and the need to optimize the use of agricultural resources. This study aims to develop a prediction system for blueberry production at Ilaru, using machine learning techniques such as Support Vector Machines (SVM) and Random Forests (RF). Climate, soil, and agricultural management data were collected and analyzed to identify the most influential variables in blueberry production. The methodology included creating a dataset integrating information from various sources and training predictive models. The results obtained show a significant improvement in prediction accuracy, allowing the company to make more informed and efficient decisions regarding resource management and production planning. In conclusion, the proposed system not only increases blueberry productivity but also promotes more sustainable and responsible agricultural practices. | spa |
dc.language.iso | spa | spa |
dc.rights | openAccess | spa |
dc.rights | Atribución-NoComercial-SinDerivadas 3.0 Ecuador | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/ec/ | * |
dc.subject | COMUPTACIÓN | spa |
dc.subject | APRENDIZAJE AUTOMÁTICO | spa |
dc.subject | APRENDIZAJE AUTOMÁTICO | spa |
dc.subject | OPTIMIZACIÓN DE RECURSOS | spa |
dc.title | Sistema de predicción en la producción de arándanos | spa |
dc.type | bachelorThesis | spa |
ups.carrera | Ingeniería Civil | spa |
ups.sede | Sede Quito | spa |
Pertenece a las colecciones: | Grado |
Ficheros en este ítem:
Fichero | Descripción | Tamaño | Formato | |
---|---|---|---|---|
TTS1975.pdf | Texto completo | 2,61 MB | Adobe PDF | Visualizar/Abrir |
Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons