Aplicación de un modelo de aprendizaje supervisado para analizar el comportamiento de variables medioambientales en un cultivo de café

Context: The collection and storage of data on environmental variables in a coffee crop, through wireless sensor networks allow the transformation of said data and the application of a supervised learning model to establish its behavior. Method: For the present work, an architecture of 3 wireless sensor nodes was developed. Each node consists of a Lucy3 programmable card, to which the temperature, environmental humidity, and soil moisture sensors were connected. The measurement terrain is located in El Cortijo coffee farm. Measurements were made over a period of two weeks, three hours a day, sending the information from the nodes described above to a gateway that then transmitted the information to a base station. Finally, the data was loaded on an online platform for transformation and predictive analytics through a supervised learning model. Results: The tests allowed demonstrating the effectiveness of the design of the wireless network in the collection and transmission of data. It was later found that the application of the supervised learning model through the analysis of classification with decision trees allowed predicting the behavior of the variables, which were evaluated in specific time frames and conditions. Conclusions: By applying predictive models, the conditions of the crop can be improved, allowing the yield of the analyzed variables to be optimized, thus minimizing the loss of resources and improving the efficiency of processes such as sowing and harvesting the grain.Contexto: La recolección y almacenamiento de datos sobre variables medioambientales en un cultivo de café mediante el uso de redes inalámbricas de sensores permiten transformar dichos datos y aplicar un modelo de aprendizaje supervisado para establecer su comportamiento. Método: Para el presente trabajo, se desarrolló una arquitectura con 3 nodos sensores inalámbricos. Cada uno consistía en una tarjeta programable Lucy3, a la cual se conectaron sensores de temperatura, humedad ambiental y humedad del suelo. El terreno de medición se encuentra ubicado en la finca de café El Cortijo, y las mediciones se realizaron durante un período de dos semanas, tres horas al día, enviando la información de los nodos descritos anteriormente a un Gateway que luego transmitió la información a una estación base. Finalmente, los datos se cargaron en una plataforma en línea para transformación y análisis predictivo a través de un modelo de aprendizaje supervisado. Resultados: Las pruebas realizadas permitieron demostrar la efectividad del diseño de la red inalámbrica en la recolección y transmisión de datos. Además se encontró que la aplicación del modelo de aprendizaje supervisado a través del análisis de clasificación con árboles de decisión permitió predecir el comportamiento de las variables evaluadas en plazos y condiciones específicas. Conclusiones: Mediante la aplicación de modelos predictivos se pueden mejorar las condiciones del cultivo, lo que permite optimizar el rendimiento de las variables analizadas, minimizar la pérdida de recursos y mejorar la eficiencia de procesos como la siembra y la cosecha del grano