Uso de la data mining para la modelación del déficit de demanda hídrica de regadío para el cultivo de zanahorias en el departamento de Junín distrito de Jauja

Abstract

Este trabajo de suficiencia profesional utiliza técnicas de minería de datos para modelar la demanda hídrica del cultivo de zanahorias en Jauja, Junín, mediante el uso de redes neuronales. A partir de datos climáticos e hidrológicos recolectados de estaciones cercanas, como Jauja, Ricran, Ingenio, Huayao y Santa Ana se analizaron variables clave (precipitación, temperatura, humedad relativa, viento, entre otros) y se aplicaron métodos como la evapotranspiración de referencia (ETo) para estimar los requerimientos de riego. El modelo desarrollado emplea redes neuronales con múltiples capas, optimizado con el algoritmo Adam, permitiendo entrenar y validar predicciones precisas sobre el déficit hídrico. La metodología incluyó el preprocesamiento de datos, la creación de un modelo de red neuronal en Python y la validación mediante gráficos comparativos entre los valores reales y datos modelados, alcanzando un ajuste adecuado para el entrenamiento de la red. Este estudio contribuye a una agricultura más eficiente y sostenible en áreas de escasez hídrica. La implementación del modelado del déficit como el propuesto puede mejorar la gestión del riego en zonas rurales, optimizando el uso del agua y ayudando a los agricultores a planificar mejor sus actividades frente a las variaciones climáticas

This study utilizes data mining techniques to model the water demand for carrot crops in Jauja, Junín, using neural networks. Based on climate and hydrological data collected from nearby stations, such as Jauja, Ricran, Ingenio, Huayao, and Santa Ana, key variables (precipitation, temperature, relative humidity, wind, among others) were analyzed, and methods such as reference evapotranspiration (ETo) were applied to estimate irrigation requirements. The developed model employs multi-layer neural networks, optimized with the Adam algorithm, allowing for the training and validation of accurate predictions regarding water deficit. The methodology included data preprocessing, the creation of a neural network model in Python, and validation through comparative graphs between actual values and modeled data, achieving an adequate fit for training the network. This study contributes to more efficient and sustainable agriculture in areas with water scarcity. The implementation of deficit modeling as proposed can improve irrigation management in rural areas, optimizing water use and helping farmers better plan their activities in response to climate variations.