Digital repository

Tesis de Pregrado - Ingeniería en Telemática

Permanent URI for this collection

https://repositorio.uteq.edu.ec/handle/43000/58

Browse

Browsing Tesis de Pregrado - Ingeniería en Telemática by Subject "Agricultura de precisión"

Now showing 1 - 2 of 2
  • Thumbnail Image
    ItemOpen Access
    Modelo de predicción para la estimación de la producción del banano (musa paradisiaca) a través de técnicas de aprendizaje automático.
    (Quevedo: UTEQ, 2025) Espinoza Zamora, Silvana Marisol; Torres Quijije, Angel Iván
    La presente investigación tuvo como propósito desarrollar un modelo de predicción orientado a estimar la producción del banano (Musa paradisiaca) mediante la aplicación de técnicas de aprendizaje automático. Para ello, se identificaron inicialmente las variables morfológicas, fisiológicas, edáficas y climáticas con mayor incidencia en el rendimiento del cultivo, a partir de un análisis comparativo de estudios previos y un análisis de correlación múltiple. Posteriormente, se evaluaron diversas técnicas de aprendizaje supervisado, entre ellas Regresión Lineal, Árbol de Decisión, Máquinas de Vectores de Soporte, K-Vecinos Más Cercanos, Random Forest, Gradient Boosting, AdaBoost, XGBoost y LightGBM, aplicadas al conjunto de datos provenientes de la Hacienda El Rosario (Valencia, Los Ríos) correspondientes al periodo 2023–2024. La validación del desempeño predictivo se realizó mediante validación cruzada de cinco folds y métricas estadísticas como RMSE, MAE, MAPE, MASE y R², lo que permitió comparar objetivamente la exactitud y estabilidad de cada algoritmo. Los resultados evidenciaron que el modelo Random Forest presentó el mejor comportamiento predictivo, destacándose por su alta precisión, menor margen de error y mayor capacidad de generalización frente a los demás métodos evaluados. La investigación demuestra que la integración de datos agronómicos y herramientas de aprendizaje automático fortalece la agricultura de precisión, optimiza la planificación productiva y constituye una alternativa eficiente para mejorar la estimación del rendimiento bananero.
  • Thumbnail Image
    ItemOpen Access
    Sistema de teledetección utilizando drones para la identificación de enfermedades de banano en la hacienda la lorena
    (Quevedo: UTEQ, 2024) Cedeño Campoverde, Kevin Joel; Zambrano Vega, Cristian Gabriel
    Este proyecto de investigación desarrolla un sistema basado en visión por computadora y aprendizaje profundo para la detección automática de enfermedades en plantaciones de banano, enfocándose en Moko Bacteriano (Pseudocercospora fijiensis sp) y Sigatoka Negra (Ralstonia solanacearum, Raza 2 sp). El objetivo es proporcionar una herramienta eficaz para que agricultores y técnicos identifiquen y monitoreen estas enfermedades de forma precisa, optimizando la gestión de cultivos. La metodología incluyó la construcción de un conjunto de datos personalizado, con imágenes aéreas capturadas mediante drones, procesadas y etiquetadas manualmente para entrenar un modelo de detección de objetos. Este modelo fue ajustado para clasificar hojas sanas, Moko Bacteriano y Sigatoka Negra, logrando una alta precisión en la identificación. Además, se implementó una aplicación web para la carga y análisis de imágenes, con visualización georreferenciada de los resultados en un mapa interactivo, y capacidad para extraer o simular coordenadas GPS. La evaluación del sistema, a través de métricas como precisión, recall, F1-Score y mAP, demostró su eficacia en escenarios de detección en campo. Este sistema contribuye al monitoreo eficiente y la detección temprana de enfermedades, mejorando la productividad y sostenibilidad de los cultivos de banano, y ofreciendo a los usuarios una herramienta clave para la toma de decisiones en el manejo agrícola.