Propuesta de una plataforma de agricultura inteligente basada en IoT para el monitoreo de las condiciones climáticas del cultivo de banano

Abstract

La tesis tiene como objetivo investigar las nuevas tecnologías de IoT, usar sensores remotos para tomar datos climáticos importantes en el monitoreo de una plantación de banano, transmitirlos a través de redes inalámbricas de largo alcance diseñadas para grandes áreas de cultivo y complementarlos con modelos matemáticos y algoritmos de inteligencia artificial para evaluar su comportamiento, se plantea que el estudio contribuya a una solución integrada de Internet de las cosas para mejorar la gestión y supervisión de este cultivo. En esta investigación, se propone una arquitectura para recolectar y transmitir datos referentes a las variables de clima y suelo de mayor impacto en el crecimiento, mantenimiento, cosecha del cultivo. Esta arquitectura fue planeada tomando en cuenta los principales obstáculos energéticos y de comunicación que existen en las zonas rurales de la región de Piura en el norte del Perú. Los datos climáticos se recolectaron de diferentes fuentes locales para lograr proyecciones de crecimiento como el cálculo de los grados día de desarrollo para estimar los períodos de floración y cosecha, la tasa potencial de emisión de hojas y la tasa potencial de crecimiento del racimo. Estos datos se almacenan en diferentes bases de datos optimizadas para trabajar con grandes volúmenes de información. Con esto se logró un sistema de soporte de decisiones (Decision Support Systems, DSS) desarrollado con herramientas de código abierto. El DSS incluye adquisición remota de datos de diferentes estaciones meteorológicas a través de APIS o conexión inalámbrica con nuevos protocolos para IoT como LoRaWAN. La información climática también se relacionó con el comportamiento de plagas que afectan al cultivo de banano. Este trabajo presenta una propuesta de modelo basado Machine Learning para relacionar la información climática con el crecimiento de la población de trips en una parcela de banano. Para esto se desarrolló un sistema de adquisición de datos meteorológicos y una aplicación web para el registro y control de la plaga. Con estos datos se construyó un conjunto de datos de entrada para el modelo, al que se aplicaron técnicas de preprocesamiento como el PCA (Análisis de Componentes Principales) para reducir la dimensionalidad de la matriz y preservar la mayor información posible. Finalmente, se probaron diferentes algoritmos de aprendizaje automático tomando los componentes PCA resultantes como entrada para predecir la evolución poblacional de los trips en la parcela. Una red neuronal multicapa fue el modelo que obtuvo los mejores resultados con una puntuación F1 del 82,3%.