Barón Velandia, JulioVanegas Ayala, Sebastián CamiloSierra Forero, Brayan Leonardo2024-10-232024-10-232024-05-29http://hdl.handle.net/11349/41939Este documento presenta los resultados obtenidos en la construcción de un modelo predictivo del rendimiento de cultivos de maíz en Colombia para estimar con precisión el rendimiento que se obtendrá al final de la cosecha, basado en un conjunto de variables climáticas. Utilizando como marco de referencia la metodología CRISP-DM, se lleva a cabo una revisión sistemática de literatura relacionada con el caso de estudio, con el fin de identificar los elementos esenciales para la investigación. Se recopila un conjunto de datos climático que consiste en un registro histórico de datos aparentemente no relacionados entre sí, y a partir de este, se determinan las variables con mayor influencia en la estimación del rendimiento mediante análisis estadísticos, cálculos de correlación y evaluación de relevancia. Luego, se desarrolla un modelo predictivo con tres variantes implementadas utilizando herramientas computacionales y diversos algoritmos de aprendizaje profundo (DL), con el propósito de identificar la que ofrece el mejor desempeño a través de su entrenamiento y validación. El modelo final utiliza el brillo solar, la precipitación, la presión de vapor y las temperaturas máxima y mínima como variables de entrada, y se fundamenta en el algoritmo DNN para estimar el rendimiento de los cultivos. Este modelo proporciona resultados altamente precisos que, comparados con los obtenidos por modelos encontrados en trabajos de investigación relacionados, destacan por su relevancia y exactitud.This document presents the results obtained in the construction of a predictive model for the yield of corn crops in Colombia to accurately estimate the yield that will be obtained at the end of the harvest, based on a set of climatic variables. Using the CRISP-DM methodology as a framework, a systematic review of literature related to the case study is carried out, in order to identify the essential elements for the research. A climate data set consisting of a historical record of seemingly unrelated data is compiled, and from this, the variables with the greatest influence on performance estimation are determined through statistical analysis, correlation calculations, and relevance assessment. Then, a predictive model is developed with three variants implemented using computational tools and various deep learning (DL) algorithms, with the purpose of identifying the one that offers the best performance through its training and validation. The final model uses sunshine, precipitation, vapor pressure, and maximum and minimum temperatures as input variables, and is based on the DNN algorithm to estimate crop yield. This model provides highly precise results that, compared to those obtained by models found in related research works, stand out for their relevance and accuracy.pdfspaAttribution-NonCommercial-NoDerivatives 4.0 Internacionalhttp://creativecommons.org/licenses/by-nc-nd/4.0/Aprendizaje profundoCultivosMaízModelo predictivoRendimientoVariables climáticasmasterThesisMaestría en Ciencias de la Información y las Comunicaciones -- Tesis y disertaciones académicasModelos de aprendizaje -- EvaluaciónVariables climáticas -- AnálisisOptimización de modelos de aprendizaje profundoOpenAccessDeep learningCropsCornPredictive modelYieldClimate variablesAbierto (Texto Completo)