Mostrar el registro sencillo del ítem

dc.contributor.authorCuastumal Tepud, Lida Yisely
dc.contributor.authorSalazar Canacuan, Yerinson Ayendi
dc.coverage.spatialColombia, Nariño, Pasto
dc.date.accessioned2025-02-06T18:22:23Z
dc.date.available2025-02-06T18:22:23Z
dc.date.issued2023-02-20
dc.date.submitted2024-12-11
dc.identifier.urihttps://hdl.handle.net/20.500.14112/29268
dc.description.abstractEl cultivo de papa es fundamental para la seguridad alimentaria y la economía de Colombia, destacándose el departamento de Nariño como una de las regiones productoras más importantes. Según Fedepapa, Nariño produce anualmente 585.202 toneladas de variedades como papa criolla, Diacol capira, ICA-unica, parda pastusa, pastusa suprema y superior, contando con 255.000 hectáreas aptas para su cultivo. Sin embargo, la falta de acceso a análisis avanzados de suelo lleva a muchos agricultores a fertilizar de manera empírica, aplicando un bulto de abono por bulto de papa sembrado sin considerar un previo análisis de suelo que brinda las condiciones fisicoquímicas y nutricionales del suelo. Este enfoque genera ineficiencias en el uso de fertilizantes, reduce la productividad y ocasiona impactos ambientales significativos, como la erosión del suelo y la contaminación del agua. La agricultura de precisión, impulsada por la inteligencia artificial (IA), emerge como una solución sostenible y eficiente para optimizar la gestión de cultivos. Este estudio presenta el desarrollo de un dispositivo basado en IA, capaz de evaluar los niveles de nitrógeno, fósforo y potasio (NPK) en el suelo, utilizando variables como humedad, pH, conductividad eléctrica y temperatura. Este enfoque permite obtener tres variables cruciales a partir de cuatro variables del suelo. Para este propósito, se construyó una base de datos con 3,200 registros, utilizando sensores como el CTW NPK y el CTW multiparámetros, calibrados mediante cinco análisis realizados en el municipio de Valle del Guamuez, Putumayo. El dispositivo fue entrenado en Google Colab utilizando cinco algoritmos de aprendizaje automático, y el modelo de redes neuronales mostró el mejor desempeño, alcanzando una precisión en campo del 78.5 %. Los datos de prueba se recolectaron en un terreno de cultivo ubicado en la vereda Bolívar, municipio de Iles, Nariño. Este dispositivo, diseñado para ser accesible y práctico, apoya la toma de decisiones informadas por parte de los agricultores, promoviendo un manejo más eficiente de los nutrientes del suelo y contribuyendo a un proceso de producción de papa más sostenible y respetuoso con el medio ambiente.es_ES
dc.format.mimetypeapplication/pdfes_ES
dc.language.isospaes_ES
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.titleDispositivo inteligente para determinar porcentajes de macronutrientes presentes en el suelo para cultivos de papa a partir de pH, conductividad eléctrica y humedad.es_ES
dc.title.alternativeIntelligent device to determine percentages of macronutrients present in the soil for potato crops based on pH, electrical conductivity and humidity.es_ES
dcterms.bibliographicCitationAbdullahi, & Madhieddine, S. (2015). Technology Impact on Agricultural Productivity: A Review of Precision Agriculture Using Unmanned Aerial Vehicles. 388-400. doi:10.1007/978-3-319-25479-1_29es_ES
dcterms.bibliographicCitationAndrade, Mancini, Santos, & Silva. (2022). Proximal sensor data fusion for Brazilian soil properties prediction: Exchangeable/available macronutrients, aluminum, and potential acidity. Geoderma Regional. Obtenido de https://doi.org/10.1016/j.geodrs.2022.e00573 Araujo, Cartajena, & Castillo, .. a. (2021). Manual de papa para péqueños productores. INIAPes_ES
dcterms.bibliographicCitationAraujo, Cartajena, & Castillo, .. a. (2021). Manual de papa para péqueños productores. INIAP. Mejía-Ecuado. Obtenido de https://hdl.handle.net/10568/111534es_ES
dcterms.bibliographicCitationAshina, Khaydukova, & Kirsanov. (2021). One shot evaluation of NPK in soils by “electronic tongue”,. ScienceDirect. Obtenido de https://www.sciencedirect.com/science/article/pii/S0168169921002258es_ES
dcterms.bibliographicCitationBah, Balasundram, & Husni. (2012). Sensor technologies for precision soil nutrient management and monitoring. American Journal of Agricultural and Biological Sciences, 43-39. Obtenido de http://thescipub.com/abstract/10.3844/ajabssp.2012.43.49es_ES
dcterms.bibliographicCitationBollero, Bullock, & Sudduth. (2003). Comparison of electromagnetic induction and direct sensing of soil electrical conductivity. Agronomy Journal, 472-482. Obtenido de https://doi.org/10.2134/agronj2003.4720es_ES
dcterms.bibliographicCitationCastellanos, & Morales. (2016). Análisis crítico sobre la conceptualización de la agricultura de precisión. Ciencia en su PC, 23-33. Obtenido de https://www.redalyc.org/journal/1813/181349391004/html/es_ES
dcterms.bibliographicCitationChenzhen, Guaozhong, & Zhang. (2022). Quantifying the relationships of soil properties and crop growth with yield in a NPK fertilizer application maize field. Computers and Electronics in Agriculture. Obtenido de https://www.sciencedirect.com/science/article/pii/S0168169922003283es_ES
dcterms.bibliographicCitationDepartment of Soil Science, F. o. (2013). Evaluating long-term impact of land use on selected soil physical quality indicators. Obtenido de https://doi.org/10.1071/SR12360es_ES
dcterms.bibliographicCitationFAO. (2023). Portal de Suelos de la FAO. Obtenido de https://www.fao.org/soils-portal/soil- survey/clasificacion-de-suelos/sistemas-numericos/propiedades-quimicas/es/es_ES
dcterms.bibliographicCitationFAO, & MADS. (2018). Ministerio de Ambiente y Desarrollo. Obtenido de https://archivo.minambiente.gov.co/images/AsuntosambientalesySectorialyUrbana/pdf/suelo/Guia_de_buenas_practicas_para_la_gestion_y_uso_sostenible_de_los_suelos_en_areas_rurales.pdfes_ES
dcterms.bibliographicCitationGarcia, Huang, M., He, Y., Hernández, & Song. (2007). Prediction of soil macronutrients content using near-infrared spectroscopy. Computers and Electronics in Agriculture,, 144-153. Obtenido de https://www.sciencedirect.com/science/article/pii/S0168169907001019es_ES
dcterms.bibliographicCitationGuido, & Müller. (2017). Introduction to Machine Learning whit Python:. doi:9781449369897es_ES
dcterms.bibliographicCitationHalvin, J. L. (2022). Soil Fertility and Fertilizers.es_ES
dcterms.bibliographicCitationIslam, Kabir, & Oliullah. (2023). Sistema de IoT con aprendizaje automático habilitado para monitoreo de nutrientes del suelo y recomendación de cultivos. Journal of Agriculture and Food Research. Obtenido de https://www.sciencedirect.com/science/article/pii/S2666154323003873es_ES
dcterms.bibliographicCitationJhoan, Q. (2023). La inteligencia artificial en la agricultura y el cultivo de la caña de azúcar. Revista General. Obtenido de https://procana.org/site/la-inteligencia-artificial-en-la-agricultura-y-el-cultivo-de-la-cana-de-azucar/es_ES
dcterms.bibliographicCitationKhaydukova, Kirsanov, Sarkar, & Mukherjee. (2021). One shot evaluation of NPK in soils by “electronic tongue”. Computers and Electronics in Agriculture. doi:10.1016/j.compag.2021.106208es_ES
dcterms.bibliographicCitationLaboratorio GEydsa. (s.f.). Propiedades Biológicas en el Suelo.es_ES
dcterms.bibliographicCitationMekala, & Viswanathan. (2020). Sensor Stipulation with THAM Index for Smart Agriculture Decision-Making IoT System. 1909–1940. Obtenido de https://doi.org/10.1007/s11277-019-06964-0es_ES
dcterms.bibliographicCitationNoguera, Ros, & Serna. (2010). Guia Practica de Sensores. Obtenido de https://books.google.es/books?hl=es&lr=&id=CuoXCd6ZZqwC&oi=fnd&pg=PR9&dq=sensores++es_ES
dcterms.bibliographicCitationPaul, E. A. (2007). Soil Microbiology, Ecology, and Biochemistry. (E. A. Paul, Ed.)es_ES
dcterms.bibliographicCitationPaul, E. A. (2014). Soil Microbiology, Ecology, and Biochemistry. Academic Press (parte de Elsevier).es_ES
dcterms.bibliographicCitationPerret, Villalobos, Bolaños, & Fuentes. (2020). Desarrollo de métodos de análisis de espectroscopia y algoritmos de aprendizaje automático para la evaluación de algunas propiedades del suelo en Costa Rica. Agronomía Costarricense, págs. 139-154. Obtenido de https://doi.org/10.15517/RAC.V44I2.43108es_ES
datacite.rightshttp://purl.org/coar/access_right/c_16eces_ES
oaire.resourcetypehttp://purl.org/coar/resource_type/c_7a1fes_ES
oaire.versionhttp://purl.org/coar/version/c_71e4c1898caa6e32es_ES
dc.contributor.tutorPatiño Teran Carlos
dc.identifier.instnameUniversidad Marianaes_ES
dc.identifier.reponameRepositorio Clara de Asíses_ES
dc.publisher.placePasto - Nariñoes_ES
dc.rights.accessrightsinfo:eu-repo/semantics/restrictedAccesses_ES
dc.rights.ccAtribución 4.0 Internacional*
dc.rights.ccAttribution-NonCommercial-NoDerivatives 4.0 Internacional*
dc.subject.keywordsAgricultura, macronutrientes, propiedades fisicoquímicas, suelos, cultivos, predicción, inteligencia artificial, sensores, dispositivo, algoritmos, redes neuronales, regresión lineal, análisis de suelos, bases de datos.es_ES
dc.type.driverinfo:eu-repo/semantics/bachelorThesises_ES
dc.type.hasversioninfo:eu-repo/semantics/submittedVersiones_ES
dc.type.spaTesises_ES


Ficheros en el ítem

Thumbnail
Thumbnail
Thumbnail

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem

http://creativecommons.org/licenses/by-nc-nd/4.0/
Excepto si se señala otra cosa, la licencia del ítem se describe como http://creativecommons.org/licenses/by-nc-nd/4.0/