Modelo predictivo agroclimático para detectar cambios climatológicos con machine learning e IoT para el sector agrario de la Región Puno
El riesgo agroclimático en la vertiente del lago Titicaca para los cultivos de quinua y papa son esenciales para las distintas campañas agrícolas, ya que se requiere del pronóstico para diferentes épocas del año. La presente investigación tiene como objetivo, Implementar un modelo predictivo para de...
Guardado en:
| Autores principales: | , |
|---|---|
| Otros Autores: | |
| Formato: | Tesis de pregrado |
| Lenguaje: | español |
| Publicado: |
Universidad Peruana Unión
2020
|
| Materias: | |
| Acceso en línea: | Enlace permanente (DOI o Handle) |
| Etiquetas: |
Sin Etiquetas, Sea el primero en etiquetar este registro!
|
| _version_ | 1881510667992694784 |
|---|---|
| author | Yana Puma, John Wagner Quispe Merma, María Dolores |
| author2 | Condori Coaquira, Angel Rosendo |
| author_browse | Condori Coaquira, Angel Rosendo Quispe Merma, María Dolores Yana Puma, John Wagner |
| author_facet | Condori Coaquira, Angel Rosendo Yana Puma, John Wagner Quispe Merma, María Dolores |
| author_sort | Yana Puma, John Wagner |
| collection | Repositorio institucional |
| description | El riesgo agroclimático en la vertiente del lago Titicaca para los cultivos de quinua y papa son esenciales para las distintas campañas agrícolas, ya que se requiere del pronóstico para diferentes épocas del año. La presente investigación tiene como objetivo, Implementar un modelo predictivo para detectar cambios climatológicos con machine learning e IoT para el sector agrario de la región Puno; a través de algoritmos de clasificación y regresión de Machine Learning y como parte de IoT se construyó una mini estación meteorológica para capturar datos meteorológicos en tiempo real, esto con el fin de comparar con los resultados del modelo predictivo; los datos que servirán para dicho propósito son proporcionados por la institución de Servicio Nacional de Meteorología e Hidrología del Perú (SENAMHI). Para lograr el objetivo se trabaja con las siguientes variables: temperatura, humedad y del balance hídrico: precipitación. La metodología aplicada para el desarrollo de la presente investigación es CRISP-DM, que divide el proceso de minería de datos en seis fases, la metodología establece un conjunto de actividades en cada fase, pero sin especificar del cómo realizarlas. Cuyo resultado se genera los pronósticos de riesgo agroclimático para el sector agrario, dependiendo de las temporadas de variedad climática marcadas para la humedad entre diciembre, enero, febrero y marzo y secas otros meses. |
| escuela_str_mv | Escuela Profesional de Ingeniería de Sistemas |
| format | info:eu-repo/semantics/bachelorThesis |
| id | oai:repositorio.upeu.edu.pe:20.500.12840/4621 |
| institution | UPeU |
| language | Spanish |
| linea_str_mv | Tecnología de información e innovación tecnológica |
| ocde_area_str_mv | Ingeniería y tecnología |
| ocde_disciplina_str_mv | Ingeniería eléctrica, electrónica e informática |
| ocde_str_mv | 2.02.04 |
| programa_nombre_str_mv | Ingeniería de Sistemas |
| programa_pxx_str_mv | P27 |
| programa_uri_str_mv | http://upeu.edu.pe/sys/programas/programa/ingenieria-de-sistemas |
| publishDate | 2020 |
| publishDateRange | 2020 |
| publishDateSort | 2020 |
| publisher | Universidad Peruana Unión |
| publisherStr | Universidad Peruana Unión |
| record_format | dspace |
| sede_str_mv | Juliaca |
| spelling | Modelo predictivo agroclimático para detectar cambios climatológicos con machine learning e IoT para el sector agrario de la Región Puno Yana Puma, John Wagner Quispe Merma, María Dolores Condori Coaquira, Angel Rosendo Machine learning IoT Modelo predictivo Predicción agroclimática SENAMHI El riesgo agroclimático en la vertiente del lago Titicaca para los cultivos de quinua y papa son esenciales para las distintas campañas agrícolas, ya que se requiere del pronóstico para diferentes épocas del año. La presente investigación tiene como objetivo, Implementar un modelo predictivo para detectar cambios climatológicos con machine learning e IoT para el sector agrario de la región Puno; a través de algoritmos de clasificación y regresión de Machine Learning y como parte de IoT se construyó una mini estación meteorológica para capturar datos meteorológicos en tiempo real, esto con el fin de comparar con los resultados del modelo predictivo; los datos que servirán para dicho propósito son proporcionados por la institución de Servicio Nacional de Meteorología e Hidrología del Perú (SENAMHI). Para lograr el objetivo se trabaja con las siguientes variables: temperatura, humedad y del balance hídrico: precipitación. La metodología aplicada para el desarrollo de la presente investigación es CRISP-DM, que divide el proceso de minería de datos en seis fases, la metodología establece un conjunto de actividades en cada fase, pero sin especificar del cómo realizarlas. Cuyo resultado se genera los pronósticos de riesgo agroclimático para el sector agrario, dependiendo de las temporadas de variedad climática marcadas para la humedad entre diciembre, enero, febrero y marzo y secas otros meses. 2020-12-28 2021-08-02T11:13:30Z 2021-08-02T11:13:30Z info:eu-repo/semantics/bachelorThesis https://hdl.handle.net/20.500.12840/4621 spa info:eu-repo/semantics/openAccess http://creativecommons.org/licenses/by-nc-sa/3.0/es/ application/pdf Universidad Peruana Unión PE oai:repositorio.upeu.edu.pe:20.500.12840/4621 2026-11-10T17:45:09Z |
| spellingShingle | Machine learning IoT Modelo predictivo Predicción agroclimática SENAMHI Yana Puma, John Wagner Quispe Merma, María Dolores Modelo predictivo agroclimático para detectar cambios climatológicos con machine learning e IoT para el sector agrario de la Región Puno |
| title | Modelo predictivo agroclimático para detectar cambios climatológicos con machine learning e IoT para el sector agrario de la Región Puno |
| title_full | Modelo predictivo agroclimático para detectar cambios climatológicos con machine learning e IoT para el sector agrario de la Región Puno |
| title_fullStr | Modelo predictivo agroclimático para detectar cambios climatológicos con machine learning e IoT para el sector agrario de la Región Puno |
| title_full_unstemmed | Modelo predictivo agroclimático para detectar cambios climatológicos con machine learning e IoT para el sector agrario de la Región Puno |
| title_short | Modelo predictivo agroclimático para detectar cambios climatológicos con machine learning e IoT para el sector agrario de la Región Puno |
| title_sort | modelo predictivo agroclimatico para detectar cambios climatologicos con machine learning e iot para el sector agrario de la region puno |
| topic | Machine learning IoT Modelo predictivo Predicción agroclimática SENAMHI |
| topic_facet | Machine learning IoT Modelo predictivo Predicción agroclimática SENAMHI |
| url | https://hdl.handle.net/20.500.12840/4621 |
| work_keys_str_mv | AT yanapumajohnwagner modelopredictivoagroclimaticoparadetectarcambiosclimatologicosconmachinelearningeiotparaelsectoragrariodelaregionpuno AT quispemermamariadolores modelopredictivoagroclimaticoparadetectarcambiosclimatologicosconmachinelearningeiotparaelsectoragrariodelaregionpuno |