See

discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/301647538

APRENDIZAJE AUTOMTICO APLICADO A LA PREDICCIN DE LA FLORACIN DEL BANANO (Musa AAA) EN FINCAS DE COSTA RICA
Poster April 2016
DOI: 10.13140/RG.2.1.1796.6486

CITATIONS

READS

21

3 authors, including:
Luis Alexander Calvo-Valverde

Jos Antonio Guzmn-Alvarez

Costa Rican Institute of Technology (ITCR)

Corporacin Bananera Nacional (CORBANA)

10 PUBLICATIONS 1 CITATION

9 PUBLICATIONS 3 CITATIONS

SEE PROFILE

All in-text references underlined in blue are linked to publications on ResearchGate,

letting you access and read them immediately.

SEE PROFILE

Available from: Jos Antonio Guzmn-Alvarez

Retrieved on: 20 September 2016

VI Congreso Internacional sobre banano CORBANA y

XXI Reunin Internacional ACORBAT
Miami, USA
19-22 de Abril, 2016

APRENDIZAJE AUTOMTICO APLICADO A LA PREDICCIN DE LA FLORACIN DEL BANANO

(Musa AAA) EN FINCAS DE COSTA RICA
Luis-Alexander Calvo-Valverde1, Jos Miguel Gonzlez-Ziga2 y Jos-Antonio Guzmn-lvarez3
1 Coordinador del Programa Multidisciplinar eScience, Instituto Tecnolgico de Costa Rica, DOCINADE. Apdo. 159-7050, Cartago, Costa Rica.
2 Coordinador Agrofisiologa, Direccin de Investigaciones, Corporacin Bananera Nacional S.A. Gupiles, Costa Rica.
3 Programa BANACLIMA, Direccin de Investigaciones, Corporacin Bananera Nacional S.A. Gupiles, Costa Rica.

Resumen
Resumen
R2

0,5
0,4
0,3
0,2
0,1

0
1

10

Resultados
Resultados
Se resumen los resultados obtenidos en los siguientes grficos:

SVR-kernel lineal

25

30

25

30

Regresin lineal

Mejores R2 segn algoritmo - Peso-Neto-Kilo

1
0,9
0,8
0,7

0,6
0,5
0,4
0,3
0,2

0,1
0
1

10

15

Semanas adelante que se estn prediciendo

Echo State Networks

SVR-kernel lineal

Regresin lineal

Mejores R2 segn algoritmo - Racimos-Cortados

0,6

0,5

0,4

0,3

0,2

0,1

0
1

10

15

25

30

Semanas adelante que se estn prediciendo

Echo State Networks

SVR-kernel lineal

Regresin lineal

Mejores R2 segn cuntas semanas antes se requiren para la prediccin

1
0,8
R2

Materiales
y mtodos
Materiales
y mtodos
Datos de floracin de una finca localizada en 28 Millas, Cantn
de Matina, Costa Rica, relacionados con datos climatolgicos
obtenidos del programa BANACLIMA-CORBANA de la estacin
ubicada en 28 Millas. Banano Musa AAA.
Datos correspondientes a la semana 14 del 2011 a la semana 17
del 2014, un total de 160 observaciones.
Algoritmos probados: Regresin lineal por mnimos cuadrados
[3], Echo State Networks (es una red neuronal artificial
recurrente) [2] y Mquinas de soporte vectorial (SVR) con el
kernel lineal [1].
Pruebas con tres diferentes variables a predecir: peso neto kilo,
racimos cortados y embolse por hectrea.
Las variables incluidas en el modelo fueron: Promedio semanal
de la velocidad del tiempo, de la humedad y de la temperatura;
adems la precipitacin semanal total.
Se hicieron pruebas con rangos de observacin de 5, 10, 15 y 30
semanas antes de la prediccin; y para predecir 1, 5, 10, 15, 25 y
30 semanas adelante.
Como mtrica de comparacin de los algoritmos se utiliz el
coeficiente de determinacin, R2.
Se realiz la validacin con las ltimas 52 semanas con el fin de
mostrar la utilidad de los resultados en las condiciones actuales
del tiempo de cambio climtico.

15

Semanas adelante que se estn prediciendo

Echo State Networks

R2

Introduccin
Introduccin
Las floraciones en fincas productoras de banano estn
influenciadas por factores biticos y abiticos, no permitiendo
obtener una estimacin acertada de las mismas. Un pronstico
cercano a lo real permitira una mejor sincronizacin en las
actividades de cosecha y comercializacin de la fruta.
El aprendizaje mquina es el estudio de algoritmos de
computadora que mejoran automticamente a travs de la
experiencia. Este tipo de aprendizaje ha sido utilizado en diversas
aplicaciones, que van desde la minera de datos que descubre las
reglas en grandes conjuntos de datos, hasta sistemas de filtracin
de informacin que automticamente aprenden los intereses de
los usuarios [4] [5].

Mejores R2 segn algoritmo - Embolse-Hectrea

0,6

R2

La prediccin de la floracin en las fincas productoras de banano

representa una gran oportunidad de colaborar con el productor
para planificar la logstica asociada. En la presente investigacin
se aplicaron tcnicas de aprendizaje mquina para la prediccin
de la floracin en las semanas siguientes. Se evaluaron varios
tipos de algoritmos y patrones de estudio (cantidad de semanas
previas a la floracin requeridas para predecir las floraciones de
las semanas siguientes. Se requirieron datos histricos
climatolgicos y de las floraciones en una finca para entrenar los
modelos. Los resultados fueron comparados segn el R2 obtenido
en un proceso de validacin de 52 semanas).

0,7

0,6
0,4
0,2
0

embolse-hectrea

peso-neto-kg

racimos-cortados

Variable a predecir
5 10 15 30

Conclusiones
Conclusiones
Los R2 obtenidos varan segn el algoritmo y el patrn de
semanas a utilizar, pero los mejores resultados pueden
alcanzar un 85% en tiempo de validacin para el peso
neto kilo, 57% para racimos cortados y 64% para el
embolse por hectrea, para predecir una semana.
Como trabajo futuro se realizarn pruebas con ms
fincas y con una mayor cantidad de observaciones, a fin
de que el aprendizaje de maquina mejore
automticamente y se pueda ampliar el tiempo de
pronstico con mejores resultados.
Referencias
Referencias
[1] Demir, B., & Bruzzone, L. (2014). A multiple criteria active learning method for support vector
regression. Pattern Recognition, 25582567. doi:10.1016/j.patcog.2014.02.001
[2] Ferreria, A., Ludermir, T., & de Aquino, R. (2013). An approach to reservoir computing design
and training. Expert Systems with Applications, 40, 4172-4182.
[3] Murphy, K. P. (2012). Machine Learning. A probabilistic perspective. Massachusetts: MIT Press.
[4] Soares, J., Pasqual, M., & Lacerda, W. (2014). Comparison of techniques used in the prediction
of yield in banana plants. Scientia Horticulturae, 167, 8490. Scientia Horticulturae Journal, 167,
84-90.
[5] Witten, I., Eibe, F., & Hall, M. (2011). Data Mining. Practical machine learning tools and
techniques. USA: Morgan Kaufmann Publiisher.
Contactos: lcalvo@itcr.ac.cr , mgonzale@Corbana.co.cr y jguzman@Corbana.co.cr.