Look-up in Google Scholar
Title: Pronóstico de la producción de papa en la cuenca Jequetepeque - Cajamarca en base a las variables meteorológicas utilizando técnicas de Machine Learning
OCDE field: https://purl.org/pe-repo/ocde/ford#5.02.04; https://purl.org/pe-repo/ocde/ford#5.02.04
Issue Date: 2023
Institution: Universidad ESAN
Abstract: Diversos estudios utilizan técnicas de Machine Learning para analizar datos, buscar comportamientos y patrones, con la finalidad de construir modelos matemáticos predictivos y pronosticar diferentes variables de salida. Este estudio se centra en usar técnicas de aprendizaje supervisado para predecir la producción de papa en la cuenca Jequetepeque, teniendo a la Dirección Regional de Agricultura de Cajamarca (DRAC) como parte interesada. Se usó la metodología CRISP-DM por ser el método más adecuado para el despliegue del proyecto. Las fuentes de datos usadas para la recolección de la información fueron el SENAMHI, POWER NASA, BCRP y el INEI, utilizando datos meteorológicos y de producción de papa desde 1981 al 2022. Los modelos que se utilizaron fueron Regresión Lineal, SVR, Árbol de Decisión para Regresión y ARIMA. Además, se emplearon métricas estadísticas como el MAE, MSE, RMSE y R^2 para definir el mejor rendimiento del modelo, el cual resultó ser el SVR, que alcanzó un MAE de 0.2377799, un MSE de 0.1618759, un RMSE de 0.4023380 y un R^2 de 0.8356449. Se concluye que se logró el objetivo propuesto logrando modelar un algoritmo de Machine Learning que permite predecir la producción de la papa con un error mínimo (RMSE de 0.402337).
Discipline: Ingeniería Industrial y Comercial; Ingeniería de Tecnologías de Información y Sistemas; Ingeniería en Gestión Ambiental
Grade or title grantor: Universidad ESAN. Facultad de Ingeniería
Grade or title: Ingeniero Industrial y Comercial; Ingeniero de Tecnologías de Información y Sistemas; Ingeniero en Gestión Ambiental
Juror: Chávez Rojas, Mónica; Ballon Alvarez, Joseph
Register date: 11-Apr-2024



This item is licensed under a Creative Commons License Creative Commons