Modelos de machine learning para estimar la demanda hídrica en cultivos tropicales: Revisión y arquitectura conceptual IoT
DOI:
https://doi.org/10.5281/zenodo.21145186Palabras clave:
Algoritmos predictivos, ecosistemas IoT distribuidos, modelado de evapotranspiración, gestión hídrica automatizada, modelos arquitectónicos, telemetría en trópicosResumen
La gestión del riego agrícola tiene que ser eficiente por la presión creciente que se ejerce sobre los recursos hídricos en las distintas regiones tropicales, y como es de suponer el marco de soluciones debe recoger soluciones óptimas soportadas por tecnología de vanguardia. El objetivo de este estudio es analizar los modelos de Machine Learning más importantes para el cálculo de la demanda en el riego agrícola en cultivos tropicales y poder así realizar la combinación de los resultados con la propuesta del modelo arquitectónico conceptual utilizando tecnologías del Internet of Things. La metodología empleada se apoya en un enfoque cualitativo con un tipo bibliográfico y documental. Se soporta en una revisión progresiva de la literatura científica publicada entre los años 2018 y 2024, que se lleva a cabo en bases de datos como Scopus, Google Scholar y Web of Science. Los resultados ponen de manifiesto que algoritmos como Random Forest, LSTM, SVM y XGBoost presentan coeficientes de determinación (R² superiores a 0.87) al pronosticar las variables húmedas clave no solo de la evapotranspiración y la humedad del suelo, sino que son en particular efectivos en combinación con datos en tiempo real de la sensorística IoT.
Descargas
Referencias
Adeyemi, O., Grove, I., Peets, S., & Norton, T. (2017). Advanced Monitoring and Management Systems for Improving Sustainability in Precision Irrigation. Sustainability, 9(3), 353. https://doi.org/10.3390/su9030353
Allen, R., Pereira, L., Raes, D., & Smith, M. (2006). Parte C. Evapotranspiración del cultivo en condiciones no estándar ET c bajo condiciones de estrés hídrico. Evapotranspiración Del Cultivo Guías Para La Determinación de Los Requerimientos de Agua de Los Cultivos. ESTUDIO FAO RIEGO Y DRENAJE 56., 48.
Ancione, G., & Milazzo, M. F. (2021). The management of na-tech risk using bayesian network. Water (Switzerland), 13(14). https://doi.org/10.3390/w13141966
Ferreira, L. B., & da Cunha, F. F. (2020). New approach to estimate daily reference evapotranspiration based on hourly temperature and relative humidity using machine learning and deep learning. Agricultural Water Management, 234, 106113. https://doi.org/10.1016/J.AGWAT.2020.106113
Goldstein, A., Fink, L., Meitin, A., Bohadana, S., Lutenberg, O., & Ravid, G. (2018). Applying machine learning on sensor data for irrigation recommendations: revealing the agronomist’s tacit knowledge. Precision Agriculture, 19(3), 421–444. https://doi.org/10.1007/s11119-017-9527-4
Kamilaris, A., & Prenafeta-Boldú, F. X. (2018). Deep learning in agriculture: A survey. Computers and Electronics in Agriculture, 147, 70–90. https://doi.org/10.1016/J.COMPAG.2018.02.016
Lipper, L., Thornton, P., Campbell, B. M., Baedeker, T., Braimoh, A., Bwalya, M., Caron, P., Cattaneo, A., Garrity, D., Henry, K., Hottle, R., Jackson, L., Jarvis, A., Kossam, F., Mann, W., McCarthy, N., Meybeck, A., Neufeldt, H., Remington, T., … Torquebiau, E. F. (2014). Climate-smart agriculture for food security. Nature Climate Change 2014 4:12, 4(12), 1068–1072.
https://doi.org/10.1038/nclimate2437
Nawandar, N. K., & Satpute, V. R. (2019). IoT based low cost and intelligent module for smart irrigation system. Computers and Electronics in Agriculture, 162, 979–990. https://doi.org/10.1016/j.compag.2019.05.027
Oliva-Hernández, A. A., Quiroz-Velásquez, J. D. C., García-Olivares, J. G., García-León, I., Lizarazo-Ortega, C., & Hernández-Mendoza, J. L. (2021). Detection of auxinic compounds in germinating seedlings. Revista de Ciencias Agrícolas, 38(2), 63–74. https://doi.org/10.22267/rcia.213802.162
Srivastava, A., Saco, P. M., Rodriguez, J. F., Kumari, N., Chun, K. P., & Yetemen, O. (2021). The role of landscape morphology on soil moisture variability in semi-arid ecosystems. Hydrological Processes, 35(1), e13990. https://doi.org/10.1002/HYP.13990;JOURNAL:JOURNAL:10991085
The State of Food and Agriculture 2020. (2020). In The State of Food and Agriculture 2020. FAO. https://doi.org/10.4060/cb1447en
Zhang, C., Huang, X., Zhang, X., Wan, L., & Wang, Z. (2021). Effects of biochar application on soil nitrogen and phosphorous leaching loss and oil peony growth. Agricultural Water Management, 255, 107022. https://doi.org/10.1016/j.agwat.2021.107022
Descargas
Publicado
Número
Sección
Categorías
Licencia
Derechos de autor 2026 Steven Emiliano Cedeño Meza, Rocío Alexandra Mendoza Villamar, Cesar Augusto Sinchiguano Chiriboga, Michael Enrique Santos Molina (Autor/a)
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
