Técnicas de Machine Learning para incrementar el rendimiento de los campos de caña de azúcar en una empresa agroindustrial

• Autores: Alcantara Bernal, Francisco Fernando, Mckitting Cornejo, Gerardo Gabriel, Siancas Gutierrez, Susan Aracelly, Zaldívar Valdez, Ana Sofía
• Formato: tesis de grado
• Fecha de Publicación: 2023
• Institución: Universidad ESAN
• Repositorio: ESAN-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.esan.edu.pe:20.500.12640/3382
• Enlace del recurso: https://hdl.handle.net/20.500.12640/3382
• Nivel de acceso: acceso abierto
• Materia: Aprendizaje automático; Rendimiento de la cosecha; Aumento de la producción; Caña de azúcar; Agroindustria; https://purl.org/pe-repo/ocde/ford#2.11.04; https://purl.org/pe-repo/ocde/ford#5.02.04

El rápido crecimiento demográfico genera una presión importante sobre la agricultura mundial debido al aumento de la demanda y la reducción de espacios aptos para el cultivo. Esto obliga a que las empresas agroindustriales tengan que obtener mejores rendimientos de cada campo para mantener o aumentar sus niveles de producción. La presente investigación busca complementar los estudios sobre la relación de las variables que afectan el rendimiento de los campos de cultivo de caña de azúcar. El objetivo de este estudio es predecir el porcentaje de sacarosa a obtenerse de un campo de caña de azúcar; para ello, se usaron dos técnicas de aprendizaje supervisado: regresión lineal y regresión vectorial de soporte (SVR), ejecutándose cada una tanto con data normalizada como sin normalizar. Finalmente, se compararon los resultados de cada modelo usando el coeficiente de determinación y raíz del error cuadrático medio. El modelo seleccionado fue el de SVR con kernel RBF y data normalizada, teniendo una precisión del 38.3% y un RMSE de 0.7962 puntos de sacarosa. El potencial que supone el uso de Machine Learning en el sector agroindustrial es muy grande y por ello se deben de seguir desarrollando investigaciones con nuevas variables, técnicas y modelos.