Sistema de monitoreo basado en computación en el borde y aprendizaje automático para mejorar la producción de maíz en Colombia
View/ Open
Item Links
URI: http://hdl.handle.net/10818/61319Compartir
Statistics
View Usage StatisticsMetrics
Bibliographic cataloging
Show full item recordAuthor
Peñaloza Julio, Carlos JesúsAsesor/es
Aranda López King, Juan ManuelDate
05-05-2024Abstract
According to World Bank studies, food security is a challenge that will become increasingly difficult to overcome, as the world needs to produce about 70% more food in 2050 to feed an estimated population of 9 billion people. Agriculture is also a major contributor to the problem of climate change. It currently generates between 19% and 29% of total greenhouse gas emissions. The present project proposes the design of a predictive monitoring system capable of improving the production of the corn crop per hectare planted in Colombia, to achieve this, a wireless network of sensors was designed in order to collect soil data, complemented with edge computing that seeks to process the data locally. In addition, Naive Bayes was selected as a machine learning model to predict whether production will be favorable when adjusting crop variables, facilitating decisionmaking. Por estudios del Banco Mundial la seguridad alimentaria es un desafío que se tornará cada vez más difícil de superar, a medida que el mundo necesite producir alrededor de un 70 % más de alimentos en 2.050 para alimentar a una población estimada de 9.000 millones de personas. Sin embargo, la agricultura incide de manera importante en el problema del cambio climático ya que actualmente genera entre el 19 % y 29 % del total de emisiones de gases de efecto invernadero. El presente proyecto plantea el diseño de un sistema de monitoreo predictivo capaz de mejorar la producción del cultivo de maíz por hectárea sembrada en Colombia. Para lograrlo, se diseñó una red inalámbrica de sensores con el fin de recolectar datos del suelo, complementado con la computación en el borde, que busca procesar los datos de manera local. Además, se integró un modelo predictivo basado en Naive Bayes, para predecir si la producción será favorable al ajustar las variables del cultivo, facilitando la toma de decisiones.