Modelo predictivo agroclimático para detectar cambios climatológicos con machine learning e IoT para el sector agrario de la Región Puno

• Autores: Yana Puma, John Wagner, Quispe Merma, María Dolores
• Formato: tesis de grado
• Fecha de Publicación: 2020
• Institución: Universidad Peruana Unión
• Repositorio: UPEU-Tesis
• Lenguaje: español
• OAI Identifier: oai:repositorio.upeu.edu.pe:20.500.12840/4621
• Enlace del recurso: http://repositorio.upeu.edu.pe/handle/20.500.12840/4621
• Nivel de acceso: acceso abierto
• Materia: Machine learning; IoT; Modelo predictivo; Predicción agroclimática; SENAMHI; http://purl.org/pe-repo/ocde/ford#2.02.04

El riesgo agroclimático en la vertiente del lago Titicaca para los cultivos de quinua y papa son esenciales para las distintas campañas agrícolas, ya que se requiere del pronóstico para diferentes épocas del año. La presente investigación tiene como objetivo, Implementar un modelo predictivo para detectar cambios climatológicos con machine learning e IoT para el sector agrario de la región Puno; a través de algoritmos de clasificación y regresión de Machine Learning y como parte de IoT se construyó una mini estación meteorológica para capturar datos meteorológicos en tiempo real, esto con el fin de comparar con los resultados del modelo predictivo; los datos que servirán para dicho propósito son proporcionados por la institución de Servicio Nacional de Meteorología e Hidrología del Perú (SENAMHI). Para lograr el objetivo se trabaja con las siguientes variables: temperatura, humedad y del balance hídrico: precipitación. La metodología aplicada para el desarrollo de la presente investigación es CRISP-DM, que divide el proceso de minería de datos en seis fases, la metodología establece un conjunto de actividades en cada fase, pero sin especificar del cómo realizarlas. Cuyo resultado se genera los pronósticos de riesgo agroclimático para el sector agrario, dependiendo de las temporadas de variedad climática marcadas para la humedad entre diciembre, enero, febrero y marzo y secas otros meses.