Agricultura de Precisión Usando el Método de Ensamble por Votación Basado en Condiciones Climáticas y del Suelo

Precision Agriculture Using Voting Ensemble Method Based on Weather and Soil Conditions

La Agricultura de Precisión, esencial para optimizar los rendimientos de los cultivos y minimizar el desperdicio frente al crecimiento global de la población, depende de la tecnología y de enfoques basados en datos. Aplicar un modelo de aprendizaje automático que incorpore datos específicos del clima y del suelo se destaca como una estrategia clave para mejorar la eficiencia de la agricultura de precisión. Sin embargo, construir un modelo único y óptimo plantea desafíos, lo que requiere un enfoque matizado para lograr los objetivos agrícolas precisos. Para abordar esto, proponemos un modelo predictivo preciso utilizando el método de ensamble por votación dura, ayudando a los agricultores a tomar decisiones informadas sobre la selección y gestión de cultivos, reducción de costos y maximización de ganancias. Nuestro ensamble integra los modelos K-Nearest Neighbors, Random Forest y Gradient Boosting, aprovechando factores ambientales como la lluvia, la humedad y los niveles de fósforo para determinar el tipo de cultivo más adecuado. El modelo demostró una precisión excepcional, destacando su eficacia en la toma de decisiones agrícolas. En particular, el modelo presentó una precisión general destacada del 99.26%, una precisión del 99.12% y f-scores del 99.03%. Estos sólidos resultados subrayan la fiabilidad del modelo, confirmando su potencial para mejorar significativamente las decisiones sobre la selección de cultivos y optimizar los rendimientos en la agricultura de precisión.