Pronóstico de temperatura en un invernadero usando algoritmos de aprendizaje supervisado
El microclima de un invernadero favorece el crecimiento de los cultivos y evita el desarrollo de patógenos dañinos. Dentro de las actividades claves se encuentran la recolección, monitoreo y control de las variables del proceso como la temperatura, humedad, ventilación, entre otras. Este trabajo pre...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Estado: | Versión aceptada para publicación |
| Fecha de publicación: | 2023 |
| País: | México |
| Institución: | Instituto Tecnológico y de Estudios Superiores de Occidente |
| Repositorio: | Repositorio Institucional del ITESO |
| Idioma: | español |
| OAI Identifier: | oai:rei.iteso.mx:11117/9142 |
| Acceso en línea: | https://hdl.handle.net/11117/9142 |
| Access Level: | acceso abierto |
| Palabra clave: | Agricultura Invernadero Temperatura Interna Pronóstico Aprendizaje Automático |
| Sumario: | El microclima de un invernadero favorece el crecimiento de los cultivos y evita el desarrollo de patógenos dañinos. Dentro de las actividades claves se encuentran la recolección, monitoreo y control de las variables del proceso como la temperatura, humedad, ventilación, entre otras. Este trabajo presenta el pronóstico de la temperatura interna del invernadero con base en las condiciones climáticas externas e internas, en diferentes tiempos, con el fin de poder realizar ajustes anticipados y un sistema de control que ayude a mantener un microclima adecuado; a través de un algoritmo de aprendizaje automático. Distintos métodos fueron utilizados inicialmente para la comprensión de la complejidad de los datos, así mismo, se encontró que no es necesario considerar todos los parámetros dentro del invernadero para obtener un pronóstico aceptable. Modelos más robustos como la máquina de vector de soporte para regresión (SVR, por sus siglas en inglés) y refuerzo de gradientes extremo (XGBoost, por sus siglas en inglés) son capaces de realizar pronósticos, para SVR con un error medio absoluto promedio de 1.282◦C, 1.747◦C, 2.209◦C para 30, 45 y 60 minutos, respectivamente; mientras que XGBoost obtuvo resultados en mucho menor tiempo, el modelo logró pronosticar un error medio absoluto promedio de 1.420◦C, 1.968◦C, 2.458◦C para 30, 45 y 60 minutos, respectivamente. Analizando los resultados, se encontró que el modelo SVR es una herramienta efectiva para el pronóstico de temperatura interna de un invernadero en diferentes tiempos. |
|---|