Modelo para predicción del rendimiento de cultivos de alto valor calórico aplicando técnicas de optimización

Este documento presenta un modelo para la predicción del rendimiento de los cultivos de trigo, arroz y maíz, que son los que proveen la mayor media de consumo proteínico en el mundo. El modelo es producto del análisis, aplicación y comparación de diferentes propuestas que combinan un sistema de infe...

Full description

Autores:
Tipo de recurso:
Trabajo de grado de pregrado
Fecha de publicación:
2020
Institución:
Universidad Distrital Francisco José de Caldas
Repositorio:
RIUD: repositorio U. Distrital
Idioma:
spa
OAI Identifier:
oai:repository.udistrital.edu.co:11349/28000
Acceso en línea:
http://hdl.handle.net/11349/28000
Palabra clave:
Predicción
Cultivos
Rendimiento
Sistemas de Inferencia Difusa
Técnicas de Optimización
Lógica Difusa
Ingeniería de Sistemas - Tesis y disertaciones académicas
Rendimiento de los cultivos
Optimización combinatoria
Sistemas difusos
Lógica difusa
Prediction
Crops
Yield
Fuzzy Inference Systems
Optimization Techniques
Fuzzy Logic
Rights
License
Atribución 4.0 Internacional
id UDISTRITA2_aff1f9fb9ff9808a13ffb3b3ca38e844
oai_identifier_str oai:repository.udistrital.edu.co:11349/28000
network_acronym_str UDISTRITA2
network_name_str RIUD: repositorio U. Distrital
repository_id_str
dc.title.spa.fl_str_mv Modelo para predicción del rendimiento de cultivos de alto valor calórico aplicando técnicas de optimización
dc.title.titleenglish.spa.fl_str_mv Model for predicting high caloric value crops yield applying optimization techniques
title Modelo para predicción del rendimiento de cultivos de alto valor calórico aplicando técnicas de optimización
spellingShingle Modelo para predicción del rendimiento de cultivos de alto valor calórico aplicando técnicas de optimización
Predicción
Cultivos
Rendimiento
Sistemas de Inferencia Difusa
Técnicas de Optimización
Lógica Difusa
Ingeniería de Sistemas - Tesis y disertaciones académicas
Rendimiento de los cultivos
Optimización combinatoria
Sistemas difusos
Lógica difusa
Prediction
Crops
Yield
Fuzzy Inference Systems
Optimization Techniques
Fuzzy Logic
title_short Modelo para predicción del rendimiento de cultivos de alto valor calórico aplicando técnicas de optimización
title_full Modelo para predicción del rendimiento de cultivos de alto valor calórico aplicando técnicas de optimización
title_fullStr Modelo para predicción del rendimiento de cultivos de alto valor calórico aplicando técnicas de optimización
title_full_unstemmed Modelo para predicción del rendimiento de cultivos de alto valor calórico aplicando técnicas de optimización
title_sort Modelo para predicción del rendimiento de cultivos de alto valor calórico aplicando técnicas de optimización
dc.contributor.advisor.spa.fl_str_mv Barón Velandia, Julio
dc.subject.spa.fl_str_mv Predicción
Cultivos
Rendimiento
Sistemas de Inferencia Difusa
Técnicas de Optimización
Lógica Difusa
topic Predicción
Cultivos
Rendimiento
Sistemas de Inferencia Difusa
Técnicas de Optimización
Lógica Difusa
Ingeniería de Sistemas - Tesis y disertaciones académicas
Rendimiento de los cultivos
Optimización combinatoria
Sistemas difusos
Lógica difusa
Prediction
Crops
Yield
Fuzzy Inference Systems
Optimization Techniques
Fuzzy Logic
dc.subject.lemb.spa.fl_str_mv Ingeniería de Sistemas - Tesis y disertaciones académicas
Rendimiento de los cultivos
Optimización combinatoria
Sistemas difusos
Lógica difusa
dc.subject.keyword.spa.fl_str_mv Prediction
Crops
Yield
Fuzzy Inference Systems
Optimization Techniques
Fuzzy Logic
description Este documento presenta un modelo para la predicción del rendimiento de los cultivos de trigo, arroz y maíz, que son los que proveen la mayor media de consumo proteínico en el mundo. El modelo es producto del análisis, aplicación y comparación de diferentes propuestas que combinan un sistema de inferencia difusa de tipo Mamdani y Sugeno, con una técnica de optimización determinística (algoritmo Quasi-Newton) y metaheurística (algoritmo genético). Esta combinación genera respectivamente cuatro variantes del modelo para cada cultivo, obteniendo un total de doce alternativas. La técnica metodológica aplicada para el establecimiento del modelo se basa en el análisis del conjunto de datos de entrada y salida, caracterizado por las variables lingüísticas de biomasa, radiación solar, lluvia, fracción de agua extraíble del suelo y rendimiento; en la construcción de las reglas de inferencia, la configuración de las funciones de pertenencia y la optimización de los conjuntos difusos. El modelo presentó un índice de eficiencia superior al 94% para cada cultivo; el coeficiente de determinación se encontró sobre la franja de 0.90 en cada caso. Estos resultados representan una alta fiabilidad del método de predicción propuesto, brindando mayor precisión en el cálculo sin perder interpretabilidad en la variable de rendimiento. Este enfoque se presenta como una alternativa de solución a la producción de alimentos, al proporcionar un mecanismo para la estimación del producto final de las siembras en el sector agrícola.
publishDate 2020
dc.date.created.spa.fl_str_mv 2020-11-27
dc.date.accessioned.none.fl_str_mv 2021-12-26T04:14:59Z
dc.date.available.none.fl_str_mv 2021-12-26T04:14:59Z
dc.type.degree.spa.fl_str_mv Monografía
dc.type.driver.spa.fl_str_mv info:eu-repo/semantics/bachelorThesis
dc.type.coar.spa.fl_str_mv http://purl.org/coar/resource_type/c_7a1f
format http://purl.org/coar/resource_type/c_7a1f
dc.identifier.uri.none.fl_str_mv http://hdl.handle.net/11349/28000
url http://hdl.handle.net/11349/28000
dc.language.iso.spa.fl_str_mv spa
language spa
dc.rights.*.fl_str_mv Atribución 4.0 Internacional
dc.rights.coar.fl_str_mv http://purl.org/coar/access_right/c_abf2
dc.rights.uri.*.fl_str_mv http://creativecommons.org/licenses/by/4.0/
dc.rights.acceso.spa.fl_str_mv Abierto (Texto Completo)
rights_invalid_str_mv Atribución 4.0 Internacional
http://creativecommons.org/licenses/by/4.0/
Abierto (Texto Completo)
http://purl.org/coar/access_right/c_abf2
dc.format.mimetype.spa.fl_str_mv pdf
institution Universidad Distrital Francisco José de Caldas
bitstream.url.fl_str_mv http://repository.udistrital.edu.co/bitstream/11349/28000/1/Mu%c3%b1ozCa%c3%b1onNorbeyDanilo2020.pdf
http://repository.udistrital.edu.co/bitstream/11349/28000/2/Mu%c3%b1ozCa%c3%b1onNorbeyDanilo2020.zip
http://repository.udistrital.edu.co/bitstream/11349/28000/6/Licencia%20de%20uso%20y%20publicacion%20autores.pdf
http://repository.udistrital.edu.co/bitstream/11349/28000/7/license_rdf
http://repository.udistrital.edu.co/bitstream/11349/28000/8/license.txt
http://repository.udistrital.edu.co/bitstream/11349/28000/9/Mu%c3%b1ozCa%c3%b1onNorbeyDanilo2020.pdf.jpg
http://repository.udistrital.edu.co/bitstream/11349/28000/12/Licencia%20de%20uso%20y%20publicacion%20autores.pdf.jpg
bitstream.checksum.fl_str_mv 2a18ccfb03c568c4cb5a391ada4494a7
5501e8feb1be5f0404f65bd05e5967f7
4d75a17b6f7447d20672f6506d37e77f
1608e658af296c3febc577e957e919bf
997daf6c648c962d566d7b082dac908d
fae4694231db477c30b792ca1f2e7ed4
23b3092976ae58579f7c4fc40b3ea9dd
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Institucional Universidad Distrital - RIUD
repository.mail.fl_str_mv repositorio@udistrital.edu.co
_version_ 1803712560752492544
spelling Barón Velandia, JulioMuñoz Cañón, Norbey DaniloSierra Forero, Brayan Leonardo2021-12-26T04:14:59Z2021-12-26T04:14:59Z2020-11-27http://hdl.handle.net/11349/28000Este documento presenta un modelo para la predicción del rendimiento de los cultivos de trigo, arroz y maíz, que son los que proveen la mayor media de consumo proteínico en el mundo. El modelo es producto del análisis, aplicación y comparación de diferentes propuestas que combinan un sistema de inferencia difusa de tipo Mamdani y Sugeno, con una técnica de optimización determinística (algoritmo Quasi-Newton) y metaheurística (algoritmo genético). Esta combinación genera respectivamente cuatro variantes del modelo para cada cultivo, obteniendo un total de doce alternativas. La técnica metodológica aplicada para el establecimiento del modelo se basa en el análisis del conjunto de datos de entrada y salida, caracterizado por las variables lingüísticas de biomasa, radiación solar, lluvia, fracción de agua extraíble del suelo y rendimiento; en la construcción de las reglas de inferencia, la configuración de las funciones de pertenencia y la optimización de los conjuntos difusos. El modelo presentó un índice de eficiencia superior al 94% para cada cultivo; el coeficiente de determinación se encontró sobre la franja de 0.90 en cada caso. Estos resultados representan una alta fiabilidad del método de predicción propuesto, brindando mayor precisión en el cálculo sin perder interpretabilidad en la variable de rendimiento. Este enfoque se presenta como una alternativa de solución a la producción de alimentos, al proporcionar un mecanismo para la estimación del producto final de las siembras en el sector agrícola.This document presents a prediction model for the yield of wheat, rice, and corn crops, which are the ones that provide the most significant source of protein consumption in the world. This model is the result of the analysis, application, and computation of several different proposals that combine a fuzzy Mamdani and Sugeno inference system, along with a deterministic (Quasi-Newton algorithm) and meta-heuristic (genetic algorithm) optimization techniques. This combination generates, respectively, four different variants of each crop’s model, obtaining a total of twelve alternatives. The applied methodology for the establishment of the model is based upon the analysis of a set of inputs and outputs, characterized by biomass, solar radiation, rain, extractable water fractions, and yield linguistic variables; and is also based upon construction of inference rules, membership functions configuration, and fuzzy sets optimization. This model returned an efficacy index of over 94% for each crop; determination coefficient was found under a 0.90 threshold in each case. This results represent great reliability on the proposed method, offering greater precision in the calculation without compromising interpretability in the yield variable. This approach presents itself as an alternative for known food production solutions, all while it provides a mechanism so that an estimation of the final product of sowings in the agricultural field can be made.pdfspaAtribución 4.0 Internacionalhttp://creativecommons.org/licenses/by/4.0/Abierto (Texto Completo)http://purl.org/coar/access_right/c_abf2PredicciónCultivosRendimientoSistemas de Inferencia DifusaTécnicas de OptimizaciónLógica DifusaIngeniería de Sistemas - Tesis y disertaciones académicasRendimiento de los cultivosOptimización combinatoriaSistemas difusosLógica difusaPredictionCropsYieldFuzzy Inference SystemsOptimization TechniquesFuzzy LogicModelo para predicción del rendimiento de cultivos de alto valor calórico aplicando técnicas de optimizaciónModel for predicting high caloric value crops yield applying optimization techniquesMonografíainfo:eu-repo/semantics/bachelorThesishttp://purl.org/coar/resource_type/c_7a1fORIGINALMuñozCañonNorbeyDanilo2020.pdfMuñozCañonNorbeyDanilo2020.pdfTrabajo de gradoapplication/pdf4175183http://repository.udistrital.edu.co/bitstream/11349/28000/1/Mu%c3%b1ozCa%c3%b1onNorbeyDanilo2020.pdf2a18ccfb03c568c4cb5a391ada4494a7MD51open accessMuñozCañonNorbeyDanilo2020.zipMuñozCañonNorbeyDanilo2020.zipManualesapplication/octet-stream2669660http://repository.udistrital.edu.co/bitstream/11349/28000/2/Mu%c3%b1ozCa%c3%b1onNorbeyDanilo2020.zip5501e8feb1be5f0404f65bd05e5967f7MD52open accessLicencia de uso y publicacion autores.pdfLicencia de uso y publicacion autores.pdfLicencia de uso y publicaciónapplication/pdf660578http://repository.udistrital.edu.co/bitstream/11349/28000/6/Licencia%20de%20uso%20y%20publicacion%20autores.pdf4d75a17b6f7447d20672f6506d37e77fMD56metadata only accessCC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8914http://repository.udistrital.edu.co/bitstream/11349/28000/7/license_rdf1608e658af296c3febc577e957e919bfMD57open accessLICENSElicense.txtlicense.txttext/plain; charset=utf-87167http://repository.udistrital.edu.co/bitstream/11349/28000/8/license.txt997daf6c648c962d566d7b082dac908dMD58open accessTHUMBNAILMuñozCañonNorbeyDanilo2020.pdf.jpgMuñozCañonNorbeyDanilo2020.pdf.jpgIM Thumbnailimage/jpeg7836http://repository.udistrital.edu.co/bitstream/11349/28000/9/Mu%c3%b1ozCa%c3%b1onNorbeyDanilo2020.pdf.jpgfae4694231db477c30b792ca1f2e7ed4MD59open accessLicencia de uso y publicacion autores.pdf.jpgLicencia de uso y publicacion autores.pdf.jpgIM Thumbnailimage/jpeg13122http://repository.udistrital.edu.co/bitstream/11349/28000/12/Licencia%20de%20uso%20y%20publicacion%20autores.pdf.jpg23b3092976ae58579f7c4fc40b3ea9ddMD512open access11349/28000oai:repository.udistrital.edu.co:11349/280002023-06-09 16:10:06.489open accessRepositorio Institucional Universidad Distrital - RIUDrepositorio@udistrital.edu.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