Mostrar el registro sencillo del ítem
Dispositivo inteligente para determinar porcentajes de macronutrientes presentes en el suelo para cultivos de papa a partir de pH, conductividad eléctrica y humedad.
dc.contributor.author | Cuastumal Tepud, Lida Yisely | |
dc.contributor.author | Salazar Canacuan, Yerinson Ayendi | |
dc.coverage.spatial | Colombia, Nariño, Pasto | |
dc.date.accessioned | 2025-02-06T18:22:23Z | |
dc.date.available | 2025-02-06T18:22:23Z | |
dc.date.issued | 2023-02-20 | |
dc.date.submitted | 2024-12-11 | |
dc.identifier.uri | https://hdl.handle.net/20.500.14112/29268 | |
dc.description.abstract | El 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.mimetype | application/pdf | es_ES |
dc.language.iso | spa | es_ES |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
dc.title | Dispositivo 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.alternative | Intelligent device to determine percentages of macronutrients present in the soil for potato crops based on pH, electrical conductivity and humidity. | es_ES |
dcterms.bibliographicCitation | Abdullahi, & 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_29 | es_ES |
dcterms.bibliographicCitation | Andrade, 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. INIAP | es_ES |
dcterms.bibliographicCitation | Araujo, Cartajena, & Castillo, .. a. (2021). Manual de papa para péqueños productores. INIAP. Mejía-Ecuado. Obtenido de https://hdl.handle.net/10568/111534 | es_ES |
dcterms.bibliographicCitation | Ashina, Khaydukova, & Kirsanov. (2021). One shot evaluation of NPK in soils by “electronic tongue”,. ScienceDirect. Obtenido de https://www.sciencedirect.com/science/article/pii/S0168169921002258 | es_ES |
dcterms.bibliographicCitation | Bah, 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.2012.43.49 | es_ES |
dcterms.bibliographicCitation | Bollero, 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/agronj2003.4720 | es_ES |
dcterms.bibliographicCitation | Castellanos, & 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.bibliographicCitation | Chenzhen, 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/S0168169922003283 | es_ES |
dcterms.bibliographicCitation | Department 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/SR12360 | es_ES |
dcterms.bibliographicCitation | FAO. (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.bibliographicCitation | FAO, & 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.pdf | es_ES |
dcterms.bibliographicCitation | Garcia, 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/S0168169907001019 | es_ES |
dcterms.bibliographicCitation | Guido, & Müller. (2017). Introduction to Machine Learning whit Python:. doi:9781449369897 | es_ES |
dcterms.bibliographicCitation | Halvin, J. L. (2022). Soil Fertility and Fertilizers. | es_ES |
dcterms.bibliographicCitation | Islam, 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/S2666154323003873 | es_ES |
dcterms.bibliographicCitation | Jhoan, 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.bibliographicCitation | Khaydukova, Kirsanov, Sarkar, & Mukherjee. (2021). One shot evaluation of NPK in soils by “electronic tongue”. Computers and Electronics in Agriculture. doi:10.1016/j.compag.2021.106208 | es_ES |
dcterms.bibliographicCitation | Laboratorio GEydsa. (s.f.). Propiedades Biológicas en el Suelo. | es_ES |
dcterms.bibliographicCitation | Mekala, & Viswanathan. (2020). Sensor Stipulation with THAM Index for Smart Agriculture Decision-Making IoT System. 1909–1940. Obtenido de https://doi.org/10.1007/s11277-019-06964-0 | es_ES |
dcterms.bibliographicCitation | Noguera, 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.bibliographicCitation | Paul, E. A. (2007). Soil Microbiology, Ecology, and Biochemistry. (E. A. Paul, Ed.) | es_ES |
dcterms.bibliographicCitation | Paul, E. A. (2014). Soil Microbiology, Ecology, and Biochemistry. Academic Press (parte de Elsevier). | es_ES |
dcterms.bibliographicCitation | Perret, 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.V44I2.43108 | es_ES |
datacite.rights | http://purl.org/coar/access_right/c_16ec | es_ES |
oaire.resourcetype | http://purl.org/coar/resource_type/c_7a1f | es_ES |
oaire.version | http://purl.org/coar/version/c_71e4c1898caa6e32 | es_ES |
dc.contributor.tutor | Patiño Teran Carlos | |
dc.identifier.instname | Universidad Mariana | es_ES |
dc.identifier.reponame | Repositorio Clara de Asís | es_ES |
dc.publisher.place | Pasto - Nariño | es_ES |
dc.rights.accessrights | info:eu-repo/semantics/restrictedAccess | es_ES |
dc.rights.cc | Atribución 4.0 Internacional | * |
dc.rights.cc | Attribution-NonCommercial-NoDerivatives 4.0 Internacional | * |
dc.subject.keywords | Agricultura, 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.driver | info:eu-repo/semantics/bachelorThesis | es_ES |
dc.type.hasversion | info:eu-repo/semantics/submittedVersion | es_ES |
dc.type.spa | Tesis | es_ES |