Predicción de heladas y variables meteorológicas relevantes en agricultura en la sabana de Bogotá usando Machine Learning

Abstract

A partir de información histórica de variables climatológicas y de las heladas, es posible mejorar las decisiones tomadas en las actividades de la agricultura, buscando determinar patrones que garanticen mayor rendimiento y calidad de los cultivos e implementando modelos de predicción basados en machine learning (ML). Se propone desarrollar un modelo ML que permita determinar el comportamiento de las variables meteorológicas temperatura, pluviosidad y humedad relativa, así como de las heladas en la Sabana de Bogotá. Se ha partido de la conformación de una base de datos históricos de estas variables desde 2010 hasta abril de 2023, considerando información de diez estaciones meteorológicas diferentes de la región. Ha sido necesario implementar técnicas de imputación de datos en los vacíos de información. Para determinar el modelo con la respuesta más cercana a la realidad, se desarrolló un modelo basado en regresión lineal múltiple y otro en redes neuronales artificiales. De acuerdo con los resultados obtenidos y el nivel de error absoluto, el segundo modelo aproxima sus predicciones más cerca a los datos reales. El trabajo desarrollado puede ser una herramienta esencial para generar un sistema de alerta temprana que ayude a los agricultores de la Sabana de Bogotá.

Alternate abstract:

Taking into account historical information on climatological and frost variables, it is possible to improve decisions made in agricultural activities, seeking to determine patterns that guarantee greater yield and quality of crops and implementing forecast models based on machine learning (ML). This work presents the development of a ML model that allows determining the behavior of the meteorological variables, temperature, rainfall and relative humidity, as well as frost in the Sabana de Bogotá. The starting point was the creation of a historical database of these variables from 2010 to April 2023, considering information from ten different meteorological stations in the region. It has been necessary to implement data imputation techniques in information gaps. To determine the model with the response closest to reality, a model based on multiple linear regression and another on artificial neural networks were developed. According to the results obtained and the level of absolute error, the second model approximates its forecasts closer to the real data. The work developed can be an essential tool to generate an early warning system that helps farmers in the Sabana de Bogotá.