Sistema de control de humedad para mejorar el volumen del cultivo de rabanito utilizando machine learning supervisado

• Autores: Chocca Poma, Alexis Jairo, Rodríguez Navarro, Jimmy Alexander
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Tecnológica del Perú
• Repositorio: UTP-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.utp.edu.pe:20.500.12867/13237
• Enlace del recurso: https://hdl.handle.net/20.500.12867/13237
• Nivel de acceso: acceso abierto
• Materia: Machine learning; Riego controlado; Agricultura de precisión; https://purl.org/pe-repo/ocde/ford#2.11.03

Este trabajo aborda el diseño e implementación de un sistema de control de humedad para cultivos de rabanitos, desarrollado mediante Machine Learning supervisado. La investigación responde a la necesidad de optimizar la calidad de los cultivos, dado que las limitaciones en el acceso al agua y las prácticas de riego tradicionales afectan la productividad. Se implementó un modelo de predicción basado en Random Forest, entrenado con 22,080 registros de datos obtenidos de sensores IoT que miden humedad del suelo, temperatura y humedad relativa. Los datos fueron almacenados y procesados en InfluxDB y Python, donde se aplicaron técnicas de lag features para mejorar la precisión del modelo. Este sistema permite estimar el nivel óptimo de humedad y ajustar dinámicamente el riego en tiempo real mediante un flujo automatizado en Node-RED y ESP32. Los resultados muestran que Random Forest obtuvo un coeficiente de determinación R² = 0.62 y un error medio cuadrático MSE = 3.13 cm³, superando a Árbol de Decisión (R² = 0.51, MSE = 4.03 cm³) y Redes Neuronales Recurrentes (R² = 0.60, MSE = 3.26 cm³). El sistema incrementó el volumen promedio de los rabanitos en un 23% respecto al riego tradicional, optimizando el uso del agua y mejorando la calidad del cultivo. Su diseño modular permite escalarlo a otros cultivos y climas con ajustes mínimos, reentrenando el modelo con nuevos datos y adaptando las variables ambientales monitoreadas. Además, la integración con bases de datos en la nube y protocolos MQTT facilita la supervisión remota y la toma de decisiones automatizadas. Este enfoque representa un avance en la gestión eficiente del riego agrícola. Futuras mejoras incluyen la integración de nuevas variables ambientales, la combinación de Machine Learning con modelos físicos de evapotranspiración y el desarrollo de una interfaz web interactiva que permita a los agricultores visualizar en tiempo real las predicciones y el control del sistema.