Sistema de Riego Inteligente en el Proceso de Germinado de cilantro

Para este trabajo, se desarrolló un modelo de aprendizaje profundo, utilizando una red neuronal recurrente (RNN) de tipo Long Short-Term Memory (LSTM) para agricultura de precisión. Este modelo se entrenó con datos de sensores incluyendo ni-veles de luz, humedad del aire, temperatura y humedad del suelo, recolectados de un cultivo de cilantro a través de sensores. Los datos se limpiaron y normalizaron para ser empleados en el entrenamiento del modelo. El modelo entrenado se almacenó en un contenedor de Cloud Storage con el objetivo de predecir la humedad del suelo con precisión y determinar el momento idóneo para realizar la irrigación automática. Este enfoque facilitó el desarrollo de un sistema automatizado para la germinación de culti-vos de cilantro, mejorando la eficiencia de la irrigación.

• Autores: Erazo Garzon, Carlos Andres; Cuestas Merchan, Samy Felipe; Hernández Guerrero, Camilo; Mendieta Hernandez, Juan Camilo
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2023
• Institución: Pontificia Universidad Javeriana
• Repositorio: Repositorio Universidad Javeriana
• Idioma: spa
• OAI Identifier: oai:repository.javeriana.edu.co:10554/65250
• Acceso en línea: http://hdl.handle.net/10554/65250
• Palabra clave: Regado inteligente; Red neuronal; Germinación; Internet de las cosas; Computación en la nube; Smart irrigation; Neural network; Sprouting; Internet of Things; Cloud computing; Ingeniería de sistemas - Tesis y disertaciones académicas; Internet de las cosas; Redes neuronales
• Rights: openAccess
• License: Atribución-NoComercial-SinDerivadas 4.0 Internacional