Please use this identifier to cite or link to this item: https://rinacional.tecnm.mx/jspui/handle/TecNM/8983
Title: Cuantificación de horas-frío mediante modelos de aprendizaje automático
Authors: BARBOZA CASTAÑEDA, ERNESTO
metadata.dc.subject.other: aprendizaje automático, cultivos caducifolios, horas-frío, protocolo LoRa, redes neuronales, series de tiempo, sistemas IoT, variables climatológicas.
Issue Date: 2024-12-05
Publisher: Tecnológico Nacional de México
metadata.dc.publisher.tecnm: Instituto Tecnológico de Durango
Description: La cantidad de horas-frío influye de manera directa en el desarrollo de los árboles caducifolios. En zonas donde ya se encuentran huertas establecidas el conocimiento de esta información permite al agricultor prepararse para la recolección y para las actividades previas a la misma, por otra parte, la cuantificación de horas frio brinda la posibilidad de tomar una decisión respecto a la viabilidad para la producción de un tipo de cultivo en una zona determinada. Existen modelos matemáticos para la estimación de horas-frío que presentan una alta variabilidad en el coeficiente de determinación. En esta tesis se muestra el modelo de aplicación de redes neuronales para series de tiempo mediante regresión lineal multivariable para la estimación de la cantidad de horas-frío acumuladas en un huerto de manzano ubicado en el municipio de Canatlán, Durango. Se realizó el diseño e implementación de un sistema embebido que registra datos de temperatura y humedad relativa del aire cada 15 min, el sistema consiste en un nodo sensor que se comunica mediante protocolo LoRa a una puerta de enlace con conexión GSM para el envío de datos al servidor de Azure IoT Central ® mediante peticiones tipo POST del protocolo HTTPS. El entrenamiento supervisado en la plataforma Edge Impulse® para la predicción de horas- frío se realizó con los datos adquiridos del sistema de medición considerando los valores máximos y mínimos tanto de la temperatura como de la humedad relativa del aire, el modelo que considera las horas-frío como temperaturas inferiores a los 7.2°C obtuvo el mejor desempeño con 93.75% de precisión con un error cuadrático medio de 0.23 para una estimación diaria, con un error de 2.35 horas-frío por encima de las 116 horas-frío registradas por el sistema de medición.
metadata.dc.type: info:eu-repo/semantics/masterThesis
Appears in Collections:Maestría en Ingeniería

Files in This Item:
File Description SizeFormat 
ERNESTO BARBOZA CASTAÑEDA.pdfTexto completo7.13 MBAdobe PDFView/Open
LICENCIA DE USO OTORGADA POR ERNESTO BARBOZA CASTAÑEDA.pdf
  Until 9999-12-31
Carta de cesión de derechos3.8 MBAdobe PDFView/Open Request a copy


This item is protected by original copyright



This item is licensed under a Creative Commons License Creative Commons