Diseño de una herramienta para predecir la producción anual de caña de azúcar utilizando redes neuronales artificiales
DOI:
https://doi.org/10.55204/trj.v4i1.e66Palabras clave:
Artificial neural networks, Agricultural production, Sugarcane, Crop forecastingResumen
El presente estudio propone el diseño de una herramienta predictiva basada en redes neuronales artificiales para estimar la producción anual de caña de azúcar. La producción de caña de azúcar está sujeta a múltiples variables que dificultan su predicción precisa mediante métodos tradicionales. Se recopilaron datos históricos de producción de caña de azúcar proporcionada por la industria Valdez S.A, junto con variables climáticas: temperaturas máximas y mínimas, oscilación térmica, precipitaciones, heliofanía, humedad relativa, evaporación.
Se diseñó una red neuronal de tipo Cascade forward backprop, la función de entrenamiento Trainbfg, con dos capas ocultas y diez neuronas, implementada en MATLAB utilizando bibliotecas TensorFlow y Keras. Los resultados muestran que el modelo alcanzó una precisión del 90.0% en la predicción de producción anual, superando significativamente métodos estadísticos convencionales. Esto permite a productores tomar decisiones sobre siembra y cosecha, contribuyendo a optimizar recursos y mitigar riesgos asociados a la variabilidad productiva del cultivo.
Descargas
Citas
Barbosa, R. M., Vieira, A. F., Ferreira, T. P., Santos, J. A., & Carvalho, M. T. (2020). Machine learning algorithms for sugarcane yield prediction using climatic and agronomic data. Computers and Electronics in Agriculture, 170, 105247.
Cheesman, O. D. (2018). Environmental impacts of sugar production: the cultivation and processing of sugarcane and sugar beet. CABI Publishing.
Kumar, S., & Patel, R. (2024). Cultivar-specific deep learning models for prediction of sugarcane yield under variable climate conditions. Computers and Electronics in Agriculture, 217, 108264.
López-Linares, J., Garcés-Fayos, J., Navarro-Fernández, O., & Martínez-Palacios, A. (2020). Technology transfer barriers in precision agriculture: A systematic review of farmers' adoption experiences. Agricultural Systems, 185, 102942.
Morales, A., Vieira, E. P., Torres, C. F., & Navarro, R. M. (2020). Comparative assessment of regression techniques for sugarcane yield forecasting using agricultural and remote sensing data. Crop Science, 60(3), 1634-1649.
Patel, H., Mehta, N., & Desai, K. (2022). Evolutionary computing and neural networks for irrigation optimization in sugarcane production. Agricultural Water Management, 271, 107784.
Rodríguez, L. F., Valencia, J. A., Castro, A. P., & González, M. B. (2019). Artificial neural networks for sugarcane yield prediction: A comparative study with traditional statistical methods. Agricultural Systems, 172, 101-113.
Santos, D. L., Fernandes, P. A., Alvarez, C. E., Hernandez, M. R., & López, B. S. (2021). Climate change impacts on sugarcane productivity in tropical regions: An application of machine learning models. Journal of Agricultural Science, 159(1), 79-94.
Sharma, V., & Gupta, R. (2022). Neural network models for optimizing deficit irrigation strategies in semi-arid sugarcane production systems. Agricultural Water Management, 267, 107622.
Wang, L., Zhang, H., & Lin, Y. (2022). LSTM networks for predicting extreme climate impacts on sugarcane production. Agricultural and Forest Meteorology, 322, 109026.
Yao, H., Chen, Y., & Li, X. (2022). Early warning system for sugarcane production using seasonal climate forecasts and neural networks. Weather and Climate Extremes, 36, 100459.
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2025 Kevin Gabriel Castillo Villegas, Juan Carlos Concha Arrieta
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores conservan los derechos morales y patrimoniales de sus obras.
Se permite el autoarchivo de la versión final (maquetada tal como saldrá publicada en la revista).
Véase también "Derechos de autor y licencias".
