Pronóstico del rendimiento de cultivo de maíz forrajero basado en variables agronómicas en la ciudad de Quevedo
| dc.contributor.advisor | Zambrano Vega, Cristian | |
| dc.contributor.author | Villarroel Molina, Ricardo Rafael | |
| dc.date.accessioned | 2024-08-22T17:06:30Z | |
| dc.date.available | 2024-08-22T17:06:30Z | |
| dc.date.issued | 2024 | |
| dc.description | This research project focused on the construction of predictive models for forage maize yield in Quevedo using supervised machine learning techniques. Agronomic variables such as plant height, stalk diameter, ear insertion, seed variety and planting distance were analyzed, highlighting that greater distances between plants favor an increase in stalk diameter, correlating positively with the yield variables studied (total weight, leaf weight, stalk weight and ear weight). Independent models for each yield variable were trained and optimized by fitting hyperparameters to minimize RMSE with Linear Regression (LR), Random Forest (RF), Support Vector Machine (SVM), Multi-layer Perceptron (MLP), Deep Neural Network (DNN), Gradient Boosting Tree (GBT) and XGBoost (XGB) algorithms. Model performance was evaluated using Friedman's statistical significance tests and Nemenyi's post-hoc test, focusing on RMSE and R² metrics. The models built by the RF algorithm obtained the best RMSE and R² values. | |
| dc.description.abstract | Este proyecto de investigación se centró en la construcción de modelos predictivos para el rendimiento del maíz forrajero en Quevedo utilizando técnicas de aprendizaje automático supervisado. Se analizaron variables agronómicas como altura de la planta, diámetro del tallo, inserción de mazorca, variedad de semilla y distancia de siembra, destacando que mayores distancias entre plantas favorecen un aumento en el diámetro del tallo, correlacionándose positivamente con las variables de rendimiento estudiadas (peso total, peso de hojas, peso de tallo y peso de mazorcas). Se entrenaron y optimizaron modelos independientes para cada variable de rendimiento mediante el ajuste de hiperparámetros para minimizar el RMSE con los algoritmos de Linear Regression (LR), Random Forest (RF), Support Vector Machine (SVM), Multi-layer Perceptron (MLP), Deep Neural Network (DNN), Gradient Boosting Tree (GBT) y XGBoost (XGB). Se evaluó el desempeño de los modelos mediante las pruebas estadísticas de significancia de Friedman y la prueba post-hoc de Nemenyi, centradas en las métricas de RMSE y R². Los modelos construidos por el algoritmo de RF obtuvieron los mejores valores de RMSE y de R². | |
| dc.format.extent | 169 | |
| dc.identifier.citation | Villarroel Molina, Ricardo Rafael (2024). Pronóstico del rendimiento de cultivo de maíz forrajero basado en variables agronómicas en la ciudad de Quevedo. Quevedo. UTEQ. 169 paginas | |
| dc.identifier.other | 1300011 | |
| dc.identifier.uri | https://repositorio.uteq.edu.ec/handle/43000/7824 | |
| dc.language.iso | spa | |
| dc.publisher | Quevedo: UTEQ | |
| dc.rights | Attribution-NonCommercial-ShareAlike 3.0 United States | en |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-sa/3.0/us/ | |
| dc.subject | Maíz | |
| dc.subject | Aagricultura de precisión | |
| dc.subject | Aprendizaje automático | |
| dc.subject | Pronóstico de rendimiento | |
| dc.title | Pronóstico del rendimiento de cultivo de maíz forrajero basado en variables agronómicas en la ciudad de Quevedo | |
| dc.type | masterThesis |
