Resultados preliminares de gestión de riego para mango con redes neuronales LSTM e IoT
DOI:
https://doi.org/10.17533/udea.redin.20240725Palabras clave:
Cultivo de mango, gestión del riego, pronóstico de tendencias, redes neuronales LSTM, IoTResumen
El mango (Mangifera indica L.) es un fruto tropical ampliamente comercializado en varios continentes y el cultivo de mango en Colombia se ve afectado por la variabilidad climática regional. Para mejorar el desarrollo del fruto y minimizar los impactos ambientales y económicos, se requiere un riego eficiente y tecnologías de manejo del agua adecuadas. En este estudio, se desarrolló un sistema de pronóstico de tendencias basado en una red neuronal LSTM y tecnologías como ThingsBoard, LoRA y MQTT. El objetivo fue mejorar las prácticas de riego en el cultivo de mango mediante decisiones informadas, basadas en el monitoreo y la predicción de las variables de potencial mátrico y evapotranspiración. Este artículo describe el desarrollo y aplicación de dicho sistema en el manejo del riego del cultivo de mango. Los resultados validaron la efectividad del sistema propuesto para el cultivo de mango, con índices de RMSE de 1.56 y 0.0019, y coeficientes de determinación (R2) de 0.9989 y 0,9971 para el potencial mátrico y la evapotranspiración, respectivamente. Estos hallazgos respaldan la mejora de las condiciones de crecimiento y la promoción de prácticas sostenibles. Aunque se reconoce la limitación de datos, la eficacia del sistema en la predicción y la gestión de riego ofrece un potencial significativo para maximizar la productividad y reducir los impactos ambientales y económicos asociados a una gestión inadecuada del agua.
Descargas
Citas
X. Liu, Y. Peng, Q. Yang, X. Wang, and N. Cui, “Determining optimal deficit irrigation and fertilization to increase mango yield, quality, and wue in a dry, hot environment based on topsis,” Agricultural Water Management, vol. 245, Feb. 2021. [Online]. Available: https://doi.org/10.1016/j.agwat.2020.106650
J. A. Martinez-Chiguachi, A. G. Fajardo, J. S. Esquivel, D. M. González, . G. Prieto, and D. Rincón, “Manejo integrado del cultivo de mango mangifera indica l.” Ciencias agropecuarias, vol. 6, no. 1, Oct. 2020.
Cadena del mango indicadores e instrumentos, Ministerio de Agricultura y Desarrollo Rural, Colombia, 2021, accessed May 16, 2023. [Online]. Available: https://tinyurl.com/2y7cpyuf
Á. M. Arcila-Cardona, G. P. Castillo-Urquiza, L. Pérez-Artiles, C. A. Abaunza-González, M. J. Yacomelo-Hernández, and R. I. León-Pacheco, “Modelo productivo de mango de azúcar (mangifera indica l.) para el departamento del magdalena,” Agrosavia, Apr. 2022. [Online]. Available: https://doi.org/10.21930/agrosavia.model.7405170
J. A. Bernal, C. Díaz, A. Tamayo, D. Kondo, N. Mesa, R. Ochoa, and et al., Tecnología para el cultivo del mango con énfasis en mangos criollos, primera ed. Rionegro, Colombia: Corpoica, 2009.
Y. Peng, L. Fei, X. Liu, G. Sun, K. Hao, N. Cui, and et al., “Coupling of regulated deficit irrigation at maturity stage and moderate fertilization to improve soil quality, mango yield and water-fertilizer use efficiency,” Scientia Horticulturae, vol. 307, Jan. 2023. [Online]. Available: https://doi.org/10.1016/j.scienta.2022.111492
X. Liu, Y. Zhang, X. Leng, Q. Yang, H. Chen, X. Wang, and et al., “Exploring the optimisation of mulching and irrigation management practices for mango production in a dry hot environment based on the entropy weight method,” Scientia Horticulturae, vol. 291, Jan. 2022. [Online]. Available: https://doi.org/10.1016/j.scienta.2021.110564
G. Sun, T. Hu, X. Liu, Y. Peng, X. Leng, Y. Li, and et al., “Optimizing irrigation and fertilization at various growth stages to improve mango yield, fruit quality and water-fertilizer use efficiency in xerothermic regions,” Agricultural Water Management, vol. 260, Feb. 2022. [Online]. Available: 1https://doi.org/10.1016/j.agwat.2021.107296
E. Luján, A. Otero, S. Valenzuela, L. A. Steffenel, and S. Nesmachnow, “An integrated platform for smart energy management: The ccsem project,” Revista Facultad de ingeniería Universidad de Antioquia, no. 97, Nov. 2020. [Online]. Available: https://doi.org/10.17533/udea.redin.20191147
R. Cantini, F. Marozzo, and A. Orsino, “Deep learning meets smart agriculture: Using lstm networks to handle anomalous and missing sensor data in the compute continuum,” in Device-Edge-Cloud Continuum. Springer, 2023, pp. 141–153.
G. Sun, X. Liu, Q. Yang, X. Wang, and N. Cui, “Alternate infiltration irrigation improves photosynthetic characteristics and water use efficiency in mango seedlings,” Journal of Plant Growth Regulation, vol. 41, no. 3, Apr. 2021. [Online]. Available: https://doi.org/10.1007/s00344-021-10373-8
J. Wei, G. Liu, D. Liu, and Y. Chen, “Influence of irrigation during the growth stage on yield and quality in mango (mangifera indica l),” PLoS One, vol. 12, no. 4, Apr. 2017. [Online]. Available: https://doi.org/10.1371/journal.pone.0174498
C. Gonzalez-Amarillo, C. Cardenas-Garcia, M. Mendoza-Moreno, G. Ramirez-Gonzalez, and J. C. Corrales, “Blockchain-iot sensor (biots): A solution to iot-ecosystems security issues,” Sensors, vol. 21, no. 13, Jun. 2021. [Online]. Available: https://doi.org/10.3390/s21134388
C. Gonzalez-Amarillo, J. C. Corrales-Muñoz, M. Mendoza-Moreno, A. M. González-Amarillo, A. F. Hussein, and N. Arunkumar, “Aniot-based traceability system for greenhouse seedling crops,” IEEE Access, vol. 6, 2018. [Online]. Available: https://doi.org/10.1109/ACCESS.2018.2877293
C. Jordan, G. Donoso, and S. Speelman, “Measuring the effect of improved irrigation technologies on irrigated agriculture. a study case in central chile,” Agricultural Water Management, vol. 257, Nov. 2021. [Online]. Available: https://doi.org/10.1016/j.agwat.2021.107160
H. C. O. Barraza and G. Y. C. Henao, “Estado del agua del río cesar por vertimientos residuales de la ciudad de valledupar. Bioindicación por índice bmwp/col,” Tecnura, vol. 24, no. 65, Jul. 2020. [Online]. Available: https://doi.org/10.14483/22487638.15766
F. F. O. Angarita, J. P. S. Castilla, B. Giraldo, and J. S. Luna, Plan ambiental del PAP-PDA del departamento del Cesar 2016-2019, Aguas del Cesar, Valledupar, Colombia, 2019.
ThingsBoard, “What is thingsboard,” 2023, accessed May 16, 2023. [Online]. Available: https://tinyurl.com/yc5ddjjr
Z. Kegenbekov and A. Saparova, “Using the mqtt protocol to transmit vehicle telemetry data,” Transportation Research Procedia, vol. 61, Feb. 2022. [Online]. Available: https://doi.org/10.1016/j.trpro.2022.01.067
K. Niles, J. Ray, K. Niles, A. Maxwell, and A. Netchaev, “Monitoring for analytes through lora and lorawan technology,” Procedia Computer Science, vol. 185, Jun. 2021. [Online]. Available: https://doi.org/10.1016/j.procs.2021.05.041
R. G. Allen, L. S. Pereira, D. Raes, and M. Smith, “Evapotranspiración del cultivo: Guías para la determinación de los requerimientos de agua de los cultivos,” Roma, 2006, accessed: May 16, 2023. [Online]. Available: https://www.fao.org/3/x0490s/x0490s00.htm
R. G. Allen, L. S. Pereira, D. Raes, and M. Smith”, “Crop evapotranspiration: guidelines for computing crop requirements. irrigation and drainage paper 56,” Irrigation and Water Management, vol. 56, Jan. 1998. [Online]. Available: https://tinyurl.com/yykdt7a7
J. R. Hilera and V. J. Martínez, Redes neuronales artificiales: fundamentos, modelos y aplicaciones. Madrid: RA-MA Editorial, 1995. [Online]. Available: https://www.researchgate.net/publication/44343683
J. Hu, “Application of deep learning in smart agriculture research,” Applied and Computational Engineering, vol. 5, no. 1, Jun 2023. [Online]. Available: https://doi.org/10.54254/2755-2721/5/20230630
J. Noguera, N. Portillo, and L. Hernandez, “Redes neuronales, bioinspiración para el desarrollo de la ingeniería,” ingeniare, no. 17, 2014. [Online]. Available: https://doi.org/10.18041/1909-2458/ingeniare.17.584
R. Peirano, W. Kristjanpoller, and M. C. Minutolo, “Forecasting inflation in latin american countries using a sarima–lstm combination,” Soft Computing, vol. 25, no. 16, Aug 2021.
J. Li and S. J. Qin, “Applying and dissecting lstm neural networks and regularized learning for dynamic inferential modeling,” Computers & Chemical Engineering, vol. 175, Jul 2023. [Online]. Available: https://doi.org/10.1016/j.compchemeng.2023.108264
G. Ma, C. Jin, H. Wang, P. Li, and H. S. Kang, “Study on dynamic tension estimation for the underwater soft yoke mooring system with lstm-am neural network,” Ocean Engineering, vol. 267, Jan 2023. [Online]. Available: https://doi.org/10.1016/j.oceaneng.2022.113287
C. J. Willmott, S. G. Ackleson, R. E. Davis, J. J. Feddema, K. M. Klink, D. R. Legates, and et al., “Statistics for the evaluation and comparison of models,” Journal of Geophysical Research: Oceans, vol. 90, no. C5, Sep. 1985. [Online]. Available: https://doi.org/10.1029/JC090iC05p08995
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2024 Revista Facultad de Ingeniería Universidad de Antioquia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Los artículos disponibles en la Revista Facultad de Ingeniería, Universidad de Antioquia están bajo la licencia Creative Commons Attribution BY-NC-SA 4.0.
Eres libre de:
Compartir — copiar y redistribuir el material en cualquier medio o formato
Adaptar : remezclar, transformar y construir sobre el material.
Bajo los siguientes términos:
Reconocimiento : debe otorgar el crédito correspondiente , proporcionar un enlace a la licencia e indicar si se realizaron cambios . Puede hacerlo de cualquier manera razonable, pero no de ninguna manera que sugiera que el licenciante lo respalda a usted o su uso.
No comercial : no puede utilizar el material con fines comerciales .
Compartir igual : si remezcla, transforma o construye a partir del material, debe distribuir sus contribuciones bajo la misma licencia que el original.
El material publicado por la revista puede ser distribuido, copiado y exhibido por terceros si se dan los respectivos créditos a la revista, sin ningún costo. No se puede obtener ningún beneficio comercial y las obras derivadas tienen que estar bajo los mismos términos de licencia que el trabajo original.
Twitter