Pronóstico de la producción de papa en la cuenca Jequetepeque - Cajamarca en base a las variables meteorológicas utilizando técnicas de Machine Learning

• Autores: Diaz Hurtado, Eddy Emerson, Fustamante Campos, Danly Maryoy, Gave Cardenas, Joshua, Heredia Menor, Keico Anavela, Sedano Ruiz, Maria Rosalia
• Formato: tesis de grado
• Fecha de Publicación: 2023
• Institución: Universidad ESAN
• Repositorio: ESAN-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.esan.edu.pe:20.500.12640/3890
• Enlace del recurso: https://hdl.handle.net/20.500.12640/3890
• Nivel de acceso: acceso abierto
• Materia: Machine learning; Modelos predictivos; Cuencas hidrográficas; Papas; Variables ambientales; https://purl.org/pe-repo/ocde/ford#5.02.04

Diversos estudios utilizan técnicas de Machine Learning para analizar datos, buscar comportamientos y patrones, con la finalidad de construir modelos matemáticos predictivos y pronosticar diferentes variables de salida. Este estudio se centra en usar técnicas de aprendizaje supervisado para predecir la producción de papa en la cuenca Jequetepeque, teniendo a la Dirección Regional de Agricultura de Cajamarca (DRAC) como parte interesada. Se usó la metodología CRISP-DM por ser el método más adecuado para el despliegue del proyecto. Las fuentes de datos usadas para la recolección de la información fueron el SENAMHI, POWER NASA, BCRP y el INEI, utilizando datos meteorológicos y de producción de papa desde 1981 al 2022. Los modelos que se utilizaron fueron Regresión Lineal, SVR, Árbol de Decisión para Regresión y ARIMA. Además, se emplearon métricas estadísticas como el MAE, MSE, RMSE y R^2 para definir el mejor rendimiento del modelo, el cual resultó ser el SVR, que alcanzó un MAE de 0.2377799, un MSE de 0.1618759, un RMSE de 0.4023380 y un R^2 de 0.8356449. Se concluye que se logró el objetivo propuesto logrando modelar un algoritmo de Machine Learning que permite predecir la producción de la papa con un error mínimo (RMSE de 0.402337).