Hacia una agricultura resiliente al cambio climático hostil en la región del Sahel: un estudio de caso sobre predicción meteorológica basada en aprendizaje automático en Senegal
Autores: Nyasulu, Chimango; Diattara, Awa; Traore, Assitan; Deme, Abdoulaye; Ba, Cheikh
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Hacia una agricultura resiliente al cambio climático hostil en la región del Sahel: un estudio de caso sobre predicción meteorológica basada en aprendizaje automático en Senegal
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Ciencias Agrícolas y Biológicas Generales
Palabras clave
Cambio climático
Agricultura
Información meteorológica
Aprendizaje automático
Modelo de conjunto
Pronóstico de temperatura
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 20
Citaciones: Sin citaciones
Para garantizar la seguridad alimentaria y el desarrollo económico continuo en África, es muy importante abordar y adaptarse al cambio climático. La dependencia excesiva de la producción agrícola dependiente de la lluvia hace que África sea más vulnerable a los efectos del cambio climático. La información y los servicios meteorológicos son esenciales para que los agricultores sobrevivan de manera más efectiva a la creciente ocurrencia de eventos climáticos extremos debido al cambio climático. La información meteorológica es importante para la gestión de recursos en la producción agrícola y ayuda a los agricultores a planificar sus actividades agrícolas con anticipación. El Aprendizaje Automático es una de las tecnologías utilizadas en la agricultura para el pronóstico del tiempo y la detección de enfermedades de los cultivos, entre otros. El objetivo de este estudio es desarrollar modelos basados en Aprendizaje Automático adaptados al contexto del pronóstico diario del tiempo para la Lluvia, la Humedad Relativa y las Temperaturas Máximas y Mínimas en Senegal. En este estudio, hicimos una comparación de diez Regresores de Aprendizaje Automático con nuestro Modelo de Conjunto. Estos modelos fueron evaluados en función del Error Absoluto Medio, Error Cuadrático Medio, Error Cuadrático Medio y Coeficiente de Determinación. Los resultados muestran que el Modelo de Conjunto funciona mejor que los diez modelos base. Los resultados del Modelo de Conjunto para cada parámetro son los siguientes; Humedad Relativa: Error Absoluto Medio fue de 4.0126, Error Cuadrático Medio fue de 29.9885, Error Cuadrático Medio fue de 5.4428 y Coeficiente de Determinación fue de 0.9335. Para la Temperatura Mínima: Error Absoluto Medio fue de 0.7908, Error Cuadrático Medio fue de 1.1329, Error Cuadrático Medio fue de 1.0515 y Coeficiente de Determinación fue de 0.9018. Para la Temperatura Máxima: Error Absoluto Medio fue de 1.2515, Error Cuadrático Medio fue de 2.8038, Error Cuadrático Medio fue de 1.6591 y Coeficiente de Determinación fue de 0.8205. Para la Lluvia: Error Absoluto Medio fue de 0.2142, Error Cuadrático Medio fue de 0.1681, Error Cuadrático Medio fue de 0.4100 y Coeficiente de Determinación fue de 0.7733. A partir del presente estudio, se ha observado que el Modelo de Conjunto es un modelo factible para ser utilizado en el pronóstico de Lluvia, Humedad Relativa y Temperaturas Máximas y Mínimas.
Descripción
Para garantizar la seguridad alimentaria y el desarrollo económico continuo en África, es muy importante abordar y adaptarse al cambio climático. La dependencia excesiva de la producción agrícola dependiente de la lluvia hace que África sea más vulnerable a los efectos del cambio climático. La información y los servicios meteorológicos son esenciales para que los agricultores sobrevivan de manera más efectiva a la creciente ocurrencia de eventos climáticos extremos debido al cambio climático. La información meteorológica es importante para la gestión de recursos en la producción agrícola y ayuda a los agricultores a planificar sus actividades agrícolas con anticipación. El Aprendizaje Automático es una de las tecnologías utilizadas en la agricultura para el pronóstico del tiempo y la detección de enfermedades de los cultivos, entre otros. El objetivo de este estudio es desarrollar modelos basados en Aprendizaje Automático adaptados al contexto del pronóstico diario del tiempo para la Lluvia, la Humedad Relativa y las Temperaturas Máximas y Mínimas en Senegal. En este estudio, hicimos una comparación de diez Regresores de Aprendizaje Automático con nuestro Modelo de Conjunto. Estos modelos fueron evaluados en función del Error Absoluto Medio, Error Cuadrático Medio, Error Cuadrático Medio y Coeficiente de Determinación. Los resultados muestran que el Modelo de Conjunto funciona mejor que los diez modelos base. Los resultados del Modelo de Conjunto para cada parámetro son los siguientes; Humedad Relativa: Error Absoluto Medio fue de 4.0126, Error Cuadrático Medio fue de 29.9885, Error Cuadrático Medio fue de 5.4428 y Coeficiente de Determinación fue de 0.9335. Para la Temperatura Mínima: Error Absoluto Medio fue de 0.7908, Error Cuadrático Medio fue de 1.1329, Error Cuadrático Medio fue de 1.0515 y Coeficiente de Determinación fue de 0.9018. Para la Temperatura Máxima: Error Absoluto Medio fue de 1.2515, Error Cuadrático Medio fue de 2.8038, Error Cuadrático Medio fue de 1.6591 y Coeficiente de Determinación fue de 0.8205. Para la Lluvia: Error Absoluto Medio fue de 0.2142, Error Cuadrático Medio fue de 0.1681, Error Cuadrático Medio fue de 0.4100 y Coeficiente de Determinación fue de 0.7733. A partir del presente estudio, se ha observado que el Modelo de Conjunto es un modelo factible para ser utilizado en el pronóstico de Lluvia, Humedad Relativa y Temperaturas Máximas y Mínimas.