Calderón Jessenia, Analuisa Ángel, Chango Wilson, Aguilar Pedro
38
Revista Mikarimin. Publicación cuatrimestral. Vol. X, Año 2024, No. 2 (mayo – agosto)
Aplicación web progresiva para gestionar pronósticos agrícolas en las plantaciones de
cacao en Orellana
Progressive web application to manage agricultural forecasts in cocoa plantations in Orellana
AUTORES: Calderón Vivanco, Jessenia Marlene
1
Analuisa Iza, Ángel Daniel
2
Chango Sailema, Wilson Gustavo
3
Aguilar Encarnación, Pedro Stalyn
4
Dirección para correspondencia: jessenia.calderon@espoch.edu.ec
Fecha de recepción: 2023/07/29
Fecha de aceptación: 2028/05/28
DOI: https://doi.org/10.61154/mrcm.v10i2.3211
RESUMEN
La industria del cacao se enfrenta a desafíos constantes para mejorar la producción y sostenibilidad
el cultivo de cacao depende de condiciones ambientales específicas y requiere un manejo cuidadoso
para obtener una alta calidad y rendimiento con el fin de superar estos desafíos, se ha adoptado la
tecnología de sensores y monitoreo automatizado en las plantaciones de cacao. El problema radica
en la falta de información en tiempo real sobre las condiciones del cultivo y la dificultad para
realizar ajustes precisos en las prácticas agrícolas esto puede llevar a una producción subóptima,
1
Estudiante, Facultad de Informática y Electrónica, Escuela Superior Politécnica de Chimborazo, Sede Orellana.
Orellana, Ecuador. Email: jessenia.calderon@espoch.edu.ec ) CÓDIGO ORCID https://orcid.org/0000-0002-6231-
3796
2
Estudiante, Facultad de Informática y Electrónica, Escuela Superior Politécnica de Chimborazo, Sede Orellana,
Orellana. Ecuador. Email: angel.analuisa@espoch.edu.ec )CÓDIGO ORCID https://orcid.org/0000-0003-2029-9858
3
Ph.D en Computación Avanzada, Facultad de Informática y Electrónica, Docente de la Carrera Tecnologías de la
Información, Escuela Superior Politécnica de Chimborazo, Sede Orellana. Orellana, Ecuador. E-mail:
wilson.chango@espoch.edu.ec )CÓDIGO ORCID https://orcid.org/0000-0003-3231-0153
4
Magister en Software, Ingeniero en Sistemas Informáticos, Docente de la Carrera Tecnologías de la Información,
Escuela Superior Politécnica de Chimborazo, Sede Orellana. Orellana, Ecuador. Email: pedro.aguilar@espoch.edu.ec)
CÓDIGO ORCID https://orcid.org/0009-0005-1664-2280
Mikarimin. Revista Científica Multidisciplinaria ISSN 2528-7842
Implementación de una PWA para gestionar pronósticos agrícolas en las plantaciones de cacao en Orellana.
Universidad Regional Autónoma de Los Andes - Sede Santo Domingo. Ecuador.
39
menor calidad del cacao y menor rentabilidad para los agricultores el enfoque adoptado es la
utilización estratégica de sensores ubicados en las plantaciones de cacao para recopilar datos en
tiempo real sobre variables críticas como la temperatura y la humedad del suelo. Estos datos se
envían a una Progressive Web App (PWA) dedicada, que proporciona información clara y
comprensible a los agricultores sobre las condiciones del cultivo el uso de sensores y la PWA
permite a los agricultores tomar decisiones informadas basadas en datos en tiempo real permitiendo
realizar ajustes precisos en el riego, la fertilización y otras prácticas agrícolas para optimizar la
producción y calidad del cacao la optimización del cultivo de cacao ofrece beneficios significativos
para los agricultores al mejorar la eficiencia, productividad, calidad y sostenibilidad de su
producción esta tecnología innovadora brinda una ventaja competitiva en el mercado como también
impulsar el éxito a largo plazo en la industria del cacao.
PALABRAS CLAVE: Cacao; Sensores; Monitoreo automatizado; Producción; Sostenibilidad;
previsión. (Tesauro de la UNESCO)
ABSTRACT
The cocoa industry faces constant challenges to improve production and sustainability. Cocoa
farming depends on specific environmental conditions and requires careful management to obtain
high quality and yield to overcome these challenges, sensor technology and automated monitoring
have been adopted in cocoa plantations. The problem lies in the lack of real-time information on
crop conditions and the difficulty to make accurate adjustments in farming practices this can lead
to suboptimal production, lower cocoa quality and lower profitability for farmers the approach
adopted is the strategic use of sensors located in cocoa plantations to collect real-time data on
critical variables such as temperature and soil moisture. This data is sent to a dedicated Progressive
Web App (PWA), which provides clear and understandable information to farmers on crop
conditions the use of sensors and the PWA allows farmers to make informed decisions based on
real-time data enabling accurate adjustments to irrigation, fertilization and other farming practices
to optimize cocoa production and quality the optimization of the cocoa crop offers significant
benefits to farmers by improving the efficiency, productivity, quality and sustainability of of their
production This innovative technology provides a competitive advantage in the marketplace as well
as drive long-term success in the cocoa industry.
Calderón Jessenia, Analuisa Ángel, Chango Wilson, Aguilar Pedro
40
Revista Mikarimin. Publicación cuatrimestral. Vol. X, Año 2024, No. 2 (mayo – agosto)
KEYWORDS: Cocoa; Sensors; Automated monitoring; Cocoa; Production; Sustainability;
Forecasting.
INTRODUCCIÓN.
En la industria del cacao la búsqueda de métodos innovadores para mejorar la producción y la
sostenibilidad se ha convertido en una prioridad según (Hayford, 2023) el cultivo de cacao enfrenta
diversos desafíos, como enfermedades, plagas, cambios climáticos y prácticas agrícolas
ineficientes, que afectan negativamente la productividad y calidad de los granos de cacao por lo
tanto es crucial buscar estrategias innovadoras que permitan optimizar el cultivo de cacao y
garantizar su sostenibilidad a largo plazo.
Uno de los enfoques más prometedores es el monitoreo inteligente del cultivo de cacao que utiliza
sensores y una PWA (Progressive Web App) para recopilar y analizar datos en tiempo real. Por
otro lado, (Bianchini, 2020) en su investigación manifiestan que el campo de la agricultura de
precisión la implementación de sensores en el cultivo de cacao brinda una valiosa fuente de datos
sobre variables críticas como la temperatura, la humedad del suelo. Estos sensores, ubicados
estratégicamente en la plantación monitorean continuamente estas variables y envían los datos
recopilados a una PWA dedicada los agricultores pueden acceder a información en tiempo real
sobre las condiciones del cultivo y realizar ajustes precisos en el riego, la fertilización y otras
prácticas agrícolas. De igual manera (Tech, 2023) analisa la importancia de optimizar el cultivo de
cacao va más allá de la simple mejora de la productividad. Un cultivo de cacao saludable y bien
manejado no solo aumenta la rentabilidad para los agricultores, sino que también contribuye a la
conservación del medio ambiente y a la mejora de las condiciones de vida. Además, el cacao de
calidad superior, obtenido a través de prácticas de cultivo óptimas, tiene un mayor valor en el
mercado internacional, lo que brinda oportunidades para mejorar la competitividad de los
productores.
En este contexto la optimización del cultivo de cacao a través de sensores y monitoreo
automatizado emerge como una solución prometedora los avances tecnológicos recientes en el
campo de la agricultura de precisión y la sonorización han abierto nuevas oportunidades para
mejorar la eficiencia y productividad de los cultivos el objetivo General de esta investigación es
mejorar la producción y calidad del cacao mediante el uso de sensores y sistemas de monitoreo
Mikarimin. Revista Científica Multidisciplinaria ISSN 2528-7842
Implementación de una PWA para gestionar pronósticos agrícolas en las plantaciones de cacao en Orellana.
Universidad Regional Autónoma de Los Andes - Sede Santo Domingo. Ecuador.
41
automatizado además la PWA proporciona una interfaz intuitiva y amigable que permite a los
agricultores visualizar los datos recopilados de manera clara y comprensible (Vanegas, 2023)
presentan una propuesta a través de gráficos tendencias y reportes generados por la aplicación, los
agricultores pueden identificar patrones, detectar problemas potenciales y recibir recomendaciones
personalizadas para optimizar la producción de cacao de manera sostenible la combinación de
sensores y una PWA en el monitoreo inteligente del cultivo de cacao ofrece una oportunidad única
para mejorar la eficiencia, la productividad y la sostenibilidad en la industria del cacao. De igual
manera (Lorente Sierra, 2023 ) nos menciona que, a través de esta tecnología innovadora, los
agricultores pueden aprovechar al máximo los datos recopilados y tomar decisiones fundamentadas
que impulsen su éxito en un mercado cada vez más competitivo.
Las preguntas de investigación que surgen en este estudio son:
Pregunta 1: ¿Cuál es el impacto de la optimización del cultivo de cacao a través de sensores y
monitoreo automatizado en la rentabilidad de los agricultores?
Pregunta 2: ¿Cómo se pueden utilizar los resultados del monitoreo automatizado para tomar
decisiones informadas y mejorar las prácticas de manejo del cultivo de cacao?
Estas preguntas de investigación guiarán el desarrollo del estudio y la búsqueda de respuestas que
contribuyan al conocimiento y avance en el campo de la optimización del cultivo de cacao mediante
el uso de sensores y monitoreo automatizado.
Optimizar el cultivo de cacao a través de sensores y monitoreo automatizado ha demostrado ser
eficaz en incrementar la productividad y reducir el uso de recursos. Sin embargo, (Flores, 2015)
destacó que este método también presenta desafíos relacionados con la implementación tecnológica
y la necesidad de capacitación especializada para los agricultores. A pesar de estos retos, el uso de
sensores puede ayudar a garantizar condiciones de crecimiento óptimas para maximizar el
rendimiento, permite una gestión más eficiente del agua y los nutrientes, evita el estrés de las
plantas debido a condiciones adversas y reduce el riesgo de plagas. Finalmente, (Rios & Levano,
2022) menciona que al proporcionar datos precisos y en tiempo real, los agricultores pueden tomar
decisiones basadas en evidencia, mejorando así la rentabilidad de su cultivo.
Calderón Jessenia, Analuisa Ángel, Chango Wilson, Aguilar Pedro
42
Revista Mikarimin. Publicación cuatrimestral. Vol. X, Año 2024, No. 2 (mayo – agosto)
METODOLOGÍA.
Este proyecto se llevó a cabo en la Provincia de Orellana, cantón Francisco de Orellana, con una
muestra intencional de 10 familias cacaoteras. Utilizando la metodología de Ciencia del Diseño, se
desarrolló e implementó una Progressive Web App (PWA) para gestionar pronósticos agrícolas en
las plantaciones de cacao. Esta tecnología permite a los agricultores optimizar el uso de recursos y
mejorar la rentabilidad de sus cultivos mediante decisiones basadas en datos precisos y en tiempo
real.
Sensores para el estudio del Cultivo del Cacao
Cherlinka (2022) muestra que existen diferentes tipos de sensores que se pueden utilizar para el
monitoreo y control del cultivo de cacao.
1. Sensor de humedad del suelo: Este tipo de sensor se utiliza para medir el contenido de
agua en el suelo, lo que ayuda a determinar el momento adecuado para regar las plantas de
cacao.
2. Sensor de temperatura y humedad ambiental: Estos sensores miden la temperatura y la
humedad del aire en la zona de cultivo, lo que permite conocer las condiciones ambientales
y ajustar las prácticas de cultivo en consecuencia.
3. Sensor de luz: Este tipo de sensor mide la cantidad de luz solar que llega a las plantas de
cacao para que las plantas puedan orientarse y asegurarse de que reciben la cantidad
correcta de luz.
4. Sensor de nutrientes: Estos sensores miden los niveles de nutrientes en el suelo, como
nitrógeno, fósforo y potasio, lo que ayuda a determinar el momento adecuado para fertilizar
las plantas de cacao.
5. Sensor de humedad de las hojas: Este tipo de sensor mide la cantidad de humedad en las
hojas de las plantas de cacao, lo que ayuda a detectar la presencia de plagas y enfermedades.
Es importante tener en cuenta que la elección del tipo de sensor dependerá de las necesidades
específicas del cultivo y de los objetivos de monitoreo y control del agricultor el diseño del estudio
Mikarimin. Revista Científica Multidisciplinaria ISSN 2528-7842
Implementación de una PWA para gestionar pronósticos agrícolas en las plantaciones de cacao en Orellana.
Universidad Regional Autónoma de Los Andes - Sede Santo Domingo. Ecuador.
43
se basa en la utilización de una PWA (Progressive Web App) para medir y monitorear diferentes
variables relacionadas con el cultivo de cacao.
Sensor de Temperatura y Humedad Ambiental
Los sensores de temperatura y humedad ambiental suelen estar compuestos por dos sensores
separados, uno para la temperatura y otro para la humedad (Marcos, 2020) nos menciona que el
sensor de temperatura mide la temperatura ambiente en grados Celsius o Fahrenheit, mientras que
el sensor de humedad mide la cantidad de vapor de agua presente en el aire y lo expresa como un
porcentaje de la humedad relativa.
Para Ramírez (2020) corroborra que estos sensores pueden ser utilizados en la producción de cacao
para medir la temperatura y la humedad ambiental en los invernaderos o las áreas de
almacenamiento. Los sensores pueden ayudar a los productores de cacao a mantener un ambiente
óptimo para el cultivo, asegurando que las condiciones sean adecuadas para el crecimiento y
desarrollo del cacao. Además, los sensores pueden ser utilizados para monitorear las condiciones
ambientales en las áreas de almacenamiento, asegurando que el cacao se mantenga en las
condiciones adecuadas para su almacenamiento a largo plazo.
Las variables y medidas se pueden inferir algunas posibles variables a partir de los tipos de sensores
mencionados, como la humedad del suelo, la temperatura y humedad ambiental, la cantidad de luz
solar, los niveles de nutrientes en el suelo y la humedad de las hojas.
Pluviómetro S-RGF-M002
Es un dispositivo utilizado para medir la cantidad de precipitación que cae en una determinada
área. Este pluviómetro es un modelo de tipo convencional, es decir, consta de un recipiente
cilíndrico de paredes verticales con una sección transversal uniforme y un diámetro de boca de
entrada estándar de 200 mm. Este modelo de pluviómetro es utilizado comúnmente en estaciones
meteorológicas, campos agrícolas, estaciones hidrológicas y en otras aplicaciones donde se
requiere la medición precisa de la precipitación. La medición de la precipitación es importante para
prever sequías, inundaciones y otros eventos climáticos que pueden afectar la agricultura, la gestión
del agua y la planificación urbana.
Calderón Jessenia, Analuisa Ángel, Chango Wilson, Aguilar Pedro
44
Revista Mikarimin. Publicación cuatrimestral. Vol. X, Año 2024, No. 2 (mayo – agosto)
HOBO RX3000
Un Datalogger inalámbrico es un dispositivo utilizado para la monitorización y registro en tiempo
real de datos ambientales esenciales, como temperatura, humedad, velocidad del viento, radiación
solar y lluvia. Este equipo se conecta a sensores específicos que capturan los datos y los envía de
manera inalámbrica a un ordenador o dispositivo móvil para su análisis y visualización su
funcionalidad permite configurar alertas de alarma vía correo electrónico o mensajes de texto si se
exceden ciertos límites en los parámetros medidos, lo que posibilita tomar medidas preventivas
para evitar daños o pérdidas. Su versatilidad lo hace particularmente útil en áreas como la
agricultura, gestión del agua, energía y estudios de impacto ambiental, donde la monitorización
continua de las condiciones es fundamental.
MongoDB
Es una base de datos NoSQL (no relacional) que se utiliza para almacenar y recuperar grandes
cantidades de datos de manera eficiente y escalable. A diferencia de las bases de datos relacional
(Treviño-Villalobos, 2019) MongoDB utiliza un modelo de documentos que permite almacenar
datos estructurados y no estructurados los datos se almacenan en colecciones, que son similares a
las tablas en una base de datos relacional, y cada documento en una colección puede tener su propio
conjunto de campos y valores. Esto permite una mayor flexibilidad en la organización de los datos
y permite la incorporación de nuevos campos sin tener que modificar la estructura de la base de
datos.
Base de Datos: Clave – Valor
Es un tipo de base de datos NoSQL (no relacional) que utiliza un modelo de datos simple en el que
cada registro se almacena como un par de valores: una clave única y un valor asociado. Estos pares
de clave-valor se almacenan en una tabla o espacio de nombres, y se pueden recuperar mediante la
clave.
PWA (Progressive Web Apps)
Las PWA se basan en estándares web abiertos, como HTML, CSS y JavaScript, y están diseñadas
para funcionar en cualquier dispositivo que tenga un navegador web moderno Aguirre (2020) las
Mikarimin. Revista Científica Multidisciplinaria ISSN 2528-7842
Implementación de una PWA para gestionar pronósticos agrícolas en las plantaciones de cacao en Orellana.
Universidad Regional Autónoma de Los Andes - Sede Santo Domingo. Ecuador.
45
PWA utilizan un enfoque progresivo para mejorar la funcionalidad de la aplicación a medida que
el navegador y el dispositivo permiten más capacidades.
Las PWA se basan en tres principios fundamentales: progresividad, conectividad y accesibilidad.
La progresividad significa que las PWA funcionan en cualquier navegador web,
independientemente del dispositivo o plataforma en el que se ejecuten. La conectividad se refiere
a la capacidad de trabajar sin conexión, lo que significa que las PWA pueden seguir funcionando
incluso cuando no hay conexión a Internet Sánchez Jaque (2022) La accesibilidad se refiere a la
facilidad de acceso a la aplicación, lo que significa que las PWA se pueden instalar en el dispositivo
del usuario y se pueden acceder desde la pantalla de inicio como cualquier otra aplicación nativa.
El procedimiento del estudio puede implicar la instalación de sensores en la plantación de cacao,
la configuración de una PWA para recopilar y analizar los datos en tiempo real, y el monitoreo
continuo de las variables del cultivo. Los agricultores podrán acceder a la PWA para obtener
información sobre las condiciones del cultivo y realizar ajustes precisos en el riego, la fertilización
y otras prácticas agrícolas.
Docker
Es una plataforma de software poderoso y versátil que simplifica el proceso de implementación y
administración de aplicaciones en diferentes entornos y plataformas, y es una herramienta esencial
para los desarrolladores y operadores de sistemas que buscan una forma eficiente y escalable de
crear y gestionar aplicaciones modernas.
Framework React
Es una biblioteca de JavaScript popular y ampliamente utilizada que se utiliza para construir
interfaces de usuario reactivas y escalables. React utiliza componentes reutilizables y una técnica
de "virtual DOM" para actualizar la interfaz de usuario de manera eficiente y se utiliza en una
amplia variedad de aplicaciones web y móviles (Kopachovets, 2023).
Python
Para Zapata (2023) es un lenguaje de programación de alto nivel, interpretado y orientado a objetos,
que se utiliza en una amplia variedad de aplicaciones es conocido por su sintaxis clara y legible, su
Calderón Jessenia, Analuisa Ángel, Chango Wilson, Aguilar Pedro
46
Revista Mikarimin. Publicación cuatrimestral. Vol. X, Año 2024, No. 2 (mayo – agosto)
gran cantidad de bibliotecas y su compatibilidad multiplataforma, y es utilizado por una gran
comunidad de desarrolladores en todo el mundo.
Diseño conceptual.
Figura 1
Arquitectura Utilizada para la aplicación
Nota: Este esquema se utilizo para el diseño de la arquitectura de la aplicación
Para la PWA contaremos con un logo de Aplicación que es este llamado WEATHER SENSOR es
inspirado por la función principal del dispositivo, que es la detección y medición de variables
relacionadas con el clima y las condiciones atmosféricas. El término "Weather" hace referencia al
clima, es decir, el estado actual de la atmósfera en un lugar específico, incluyendo factores como
la temperatura, humedad, viento, precipitación, entre otros. Por otro lado, el término "Sensor" se
refiere a un dispositivo tecnológico diseñado para detectar y medir diferentes tipos de magnitudes
o variables en su entorno. En este caso, el "Weather Sensor" se encarga de recolectar datos sobre
el clima y las condiciones atmosféricas.
El nombre "Weather Sensor" sugiere la capacidad de este dispositivo para detectar y registrar
información sobre variables climáticas como temperatura, humedad, presión barométrica,
velocidad y dirección del viento, precipitación, entre otros. El sensor proporciona datos precisos
Mikarimin. Revista Científica Multidisciplinaria ISSN 2528-7842
Implementación de una PWA para gestionar pronósticos agrícolas en las plantaciones de cacao en Orellana.
Universidad Regional Autónoma de Los Andes - Sede Santo Domingo. Ecuador.
47
y en tiempo real sobre el clima, lo que permite realizar análisis, pronósticos y seguimiento de las
condiciones meteorológicas.
Figura 2
Logo de la Aplicación
Nota: Este es el logo de identificacion de la Aplicación
El análisis de datos puede incluir el uso de algoritmos como PCA (análisis de componentes
principales), kpca (kernel pca), robusta, bagging y boosting. estos algoritmos se pueden aplicar
para extraer patrones, identificar relaciones entre variables y proporcionar recomendaciones para
optimizar el cultivo de cacao.
Las consideraciones éticas pueden incluir obtener el consentimiento informado de los agricultores
participantes, garantizar la privacidad y seguridad de los datos recopilados, y cumplir con las
regulaciones y estándares éticos pertinentes en la investigación agrícola limitaciones del estudio
pueden incluir factores como la variabilidad natural en las condiciones ambientales, la necesidad
de calibrar y mantener adecuadamente los sensores, y las limitaciones técnicas o logísticas que
puedan surgir durante la implementación de la pwa y el monitoreo automatizado. la
reproducibilidad del estudio puede depender de la disponibilidad de los sensores utilizados, la
documentación detallada del procedimiento de instalación y configuración, así como la
transparencia en los métodos de análisis de datos. además, el uso de estándares y protocolos
abiertos puede facilitar la reproducibilidad de los resultados.
RESULTADOS
Con el fin de analizar y comparar el desempeño de distintos algoritmos en la predicción se utilizó
un conjunto de datos que comprendía información tanto del sensor como de la planta. este conjunto
de datos constaba de 10 variables características, entre las cuales se encontraban rain (lluvia),
temperature (temperatura), rh (humedad relativa), dewpoint (punto de rocío), windspeed (velocidad
Calderón Jessenia, Analuisa Ángel, Chango Wilson, Aguilar Pedro
48
Revista Mikarimin. Publicación cuatrimestral. Vol. X, Año 2024, No. 2 (mayo – agosto)
del viento), gustspeed (velocidad de las ráfagas de viento), winddirection (dirección del viento),
planta, fruto e incidencia. además, se incluyó una variable objetivo para la predicción, la cual
correspondía a la severidad (%) de la enfermedad.
Tabla 1.
Rendimiento de los algoritmos PCA e IPCA
Con base en los resultados obtenidos:
Datos originales: El PCA logro una precisión de 1.0, mientras IPCA obtuvo una precisión de 0,95
lo que significa que el modelo de regresión logística pudo ajustarse perfectamente a los datos
originales.
Datos normalizados: PCA obtuvo una precisión de 0.85, mientras que IPCA alcanzó 0.83. La
normalización mejoró la precisión en comparación con los datos originales, pero no alcanzó la
misma perfección.
Datos discretizados: La discretización mejoró significativamente el rendimiento de ambos
métodos de PCA: PCA obtuvo una precisión de 0.95, mientras que IPCA alcanzó 0.9. Esto sugiere
que la discretización de las características ha sido beneficiosa para el modelo de regresión logística.
En resumen, la discretización de los datos tuvo un efecto positivo en la precisión del modelo de
regresión logística en comparación con los datos originales y normalizados. Por lo tanto, la
discretización podría ser una estrategia útil para mejorar el rendimiento de los modelos de
aprendizaje automático en este conjunto de datos específico.
Tabla 2.
Rendimiento de algoritmos KPC
TIPO DE DATOS
ALGORITMOS
VALOR OBTENIDO
Datos originales
PCA
1.0
IPCA
0.95
Datos Normalizados
PCA
0.9
IPCA
0.98
Datos discretizados
PCA
0.95
IPCA
0.9
ALGORITMO KPCA
VALOR OBTENIDO
Datos originales
1.0
1.0
0.68
Datos normalizados
0.85
0.81
0.86
0.935
Mikarimin. Revista Científica Multidisciplinaria ISSN 2528-7842
Implementación de una PWA para gestionar pronósticos agrícolas en las plantaciones de cacao en Orellana.
Universidad Regional Autónoma de Los Andes - Sede Santo Domingo. Ecuador.
49
Con base en los resultados obtenidos, se concluye lo siguiente:
Datos originales: El algoritmo Kernel PCA obtuvo una precisión de 1.0 con el kernel lineal, lo
que indica que el modelo de regresión logística se ajustó perfectamente a los datos originales
utilizando el primer componente principal. Sin embargo, cuando se utilizó el kernel polinomial, la
precisión fue de 0.99, lo que también indica un buen ajuste, pero no perfecto. Por otro lado, con el
kernel RBF, la precisión fue de 0.68, lo que sugiere que el modelo no se ajustó adecuadamente a
los datos utilizando este kernel.
Datos normalizados: La normalización de los datos mejoró la precisión en comparación con los
datos originales en la mayoría de los casos. Sin embargo, las precisiones aún no alcanzaron la
perfección. Con el kernel lineal, la precisión fue de 0.85, mientras que con el kernel polinomial fue
de 0.81 y con el kernel RBF fue de 0.86. Esto indica que, aunque la normalización ayudó, aún
existe cierto margen de mejora para ajustar mejor el modelo a los datos normalizados.
Datos discretizados: La discretización de los datos también mejoró el rendimiento en comparación
con los datos originales. Con el kernel lineal, la precisión fue de 0.935, con el kernel polinomial
fue de 0.938 y con el kernel RBF fue de 0.91. Esto sugiere que la combinación de discretización y
Kernel PCA puede ser una estrategia efectiva para mejorar el rendimiento del modelo de regresión
logística en este conjunto de datos.
En conclusión, la normalización y la discretización pueden ser técnicas útiles para mejorar el
rendimiento de los algoritmos de aprendizaje automático, especialmente cuando se utilizan junto
con el algoritmo Kernel PCA. Sin embargo, cada conjunto de datos es único, por lo que es
importante probar diferentes técnicas y ajustar los hiperparámetros para encontrar la combinación
óptima que se adapte mejor a los datos específicos en cuestión.
Comparando el rendimiento de varios algoritmos que nos dan un mejor resultado, incluyendo PCA,
IPCA, KPC con tres kernels. Los resultados de nuestras pruebas se presentan en la tabla 3.
Datos discretizados
0.938
0.91
Calderón Jessenia, Analuisa Ángel, Chango Wilson, Aguilar Pedro
50
Revista Mikarimin. Publicación cuatrimestral. Vol. X, Año 2024, No. 2 (mayo – agosto)
Tabla 3.
Cuadro comparativo Rendimiento de algoritmos PCA, IPCA y KPCA
Método
Kernel
Valor obtenido
PCA
--
1.0
IPCA
--
1.0
KPCA
Lineal
1.0
KPCA
Polynimial
0.99
KPCA
RBF
0.908
Algoritmos para abordar valores atípicos.
Datos originales
Tabla 4
Cuadro comparativo rendimiento de los algoritmos SVR, HUBER Y RANSAC
TIPOS DE DATOS
ALGORITMOS
MSE
ANALISIS
Datos originales
SVR
0.0203268742
Esto significa
que el algoritmo
SVR tiene un
mejor
rendimiento que
los algoritmos
HUBER y
RANSAC.
HUBER
0.3116666667
RANSAC
0.042811564
Datos normalizados
SVR
0.0174975231
HUBER
0.3116666667
RANSAC
0.349841120
Datos discretizados
SVR
0.0231894548
HUBER
0.3116666667
RANSAC
0.0418750013
Datos originales: El algoritmo svr obtuvo el menor error cuadrático medio (mse) de 0.0203, lo que
indica un buen ajuste a los datos originales los algoritmos huber y ransac también obtuvieron
errores cuadráticos medios razonables de 0.3117 y 0.0428, respectivamente.
Datos normalizados: Al normalizar los datos, el algoritmo svr mejoró ligeramente su rendimiento,
obteniendo un mse de 0.0175, lo que sugiere una mejor adaptación a los datos normalizados los
algoritmos huber y ransac mantuvieron sus errores cuadráticos medios sin cambios.
Datos discretizados: La discretización de los datos no mejoró significativamente el rendimiento
de los algoritmos el algoritmo svr obtuvo un mse de 0.0232, ligeramente peor que con los datos
Mikarimin. Revista Científica Multidisciplinaria ISSN 2528-7842
Implementación de una PWA para gestionar pronósticos agrícolas en las plantaciones de cacao en Orellana.
Universidad Regional Autónoma de Los Andes - Sede Santo Domingo. Ecuador.
51
originales y normalizados el algoritmo huber mantuvo su mse sin cambios, mientras que el
algoritmo ransac mejoró ligeramente su rendimiento con un mse de 0.0419.
La normalización de los datos tuvo un efecto positivo en el rendimiento del algoritmo svr, mientras
que la discretización no mostró mejoras significativas en general. es importante tener en cuenta
que cada conjunto de datos es único, por lo que los resultados pueden variar según las
características y la complejidad del problema. por lo tanto, es crucial experimentar con diferentes
técnicas y algoritmos para encontrar la mejor combinación que se ajuste a las necesidades
específicas del problema.
TÉCNICAS DE REGULARIZACIÓN
LASSO_RIDGET
Figura 3
Datos de técnicas de regularización
Los resultados y coeficientes corresponden a diferentes algoritmos de regresión lineal regularizada,
junto con las métricas de evaluación obtenidas en un conjunto de datos. aquí está la explicación
para cada uno de ellos:
Calderón Jessenia, Analuisa Ángel, Chango Wilson, Aguilar Pedro
52
Revista Mikarimin. Publicación cuatrimestral. Vol. X, Año 2024, No. 2 (mayo – agosto)
1. Linear loss: la pérdida lineal tiene un valor de 0.0000000000. esto indica que el modelo de
regresión lineal regularizada sin ninguna penalización tiene una pérdida de ajuste nula, lo
que significa que se ajusta perfectamente a los datos de entrenamiento.
2. Lasso loss: el lasso loss tiene un valor de 0.0444917066. esto indica que el modelo de
regresión lasso, que aplica una penalización l1 a los coeficientes, tiene una pérdida de ajuste
ligeramente más alta en comparación con el modelo lineal sin penalización. esto sugiere
que el modelo lasso tiene una ligera falta de ajuste a los datos en comparación con el modelo
lineal.
3. Ridge loss: el ridge loss tiene un valor de 0.0000107231. similar al modelo lineal sin
penalización, el modelo ridge, que aplica una penalización l2 a los coeficientes, tiene una
pérdida de ajuste muy baja. esto indica que el modelo ridge se ajusta muy bien a los datos.
4. elasticnet loss: el elasticnet loss tiene un valor de 0.0447129243. el modelo elasticnet
combina las penalizaciones l1 y l2, y muestra una pérdida de ajuste similar al modelo lasso,
lo que indica una falta de ajuste ligeramente mayor en comparación con el modelo lineal
sin penalización.
A continuación, se presentan los coeficientes obtenidos para cada modelo:
• coeficientes lineales: [1.88780889e-18, -1.63064007e-16, 1.00000000e+00, 8.67361738e-18]
• coeficientes lasso: [-0., -0., 0., 0.01107744]
• coeficientes ridge: [[-5.22839633e-06, -6.57701181e-05, 9.84463557e-01, 1.74440783e-04]]
• coeficientes elasticnet: [-0., -0., 0., 0.01085916]
cada conjunto de coeficientes representa los pesos asignados a las características en el modelo
correspondiente.
finalmente, se presentan las métricas de evaluación para cada modelo:
• score lineal: 1.0
• score lasso: 0.7948518666883062
• score ridge: 0.9999505563447281
Mikarimin. Revista Científica Multidisciplinaria ISSN 2528-7842
Implementación de una PWA para gestionar pronósticos agrícolas en las plantaciones de cacao en Orellana.
Universidad Regional Autónoma de Los Andes - Sede Santo Domingo. Ecuador.
53
• score elasticnet: 0.793831847178029
estas métricas de puntuación representan la bondad de ajuste de cada modelo, donde un valor más
cercano a 1 indica un mejor ajuste a los datos de entrenamiento.
MODELOS ENSAMBLADOS BASADOS EN BAGGING Y BOOSTING
Realizar pruebas con modelos ensamblados basados en bagging y boosting con datos sin
normalizar y normalizados, podemos determinar si la normalización tiene un impacto significativo
en la precisión y el rendimiento de estos enfoques de ensamblado. Esto nos permitirá elegir la mejor
combinación de técnica de ensamblado y escala de datos para obtener el mejor rendimiento y
precisión de predicción en nuestro conjunto de datos específico.
BAGGING
Tabla 5.
Resultados del modelo basado en Bagging
TIPOS DE DATOS
MODELO
RESULTADOS
Datos originales
LogisticRegression
1.0
SVC
0.9742
LinearSVC
1.0
SGD
1.0
KNN
0.98
DecisionTreeClf
1.0
RandomTreeFores
1.0
Datos normalizados
LogisticRegression
0.97
SVC
0.9671
LinearSVC
0.988
SGD
0.9857
KNN
0.9471
DecisionTreeClf
1.0
RandomTreeFores
1.0
Datos discretizados
LogisticRegression
0.9714
SVC
0.97
LinearSVC
0.9714
SGD
0.9714
KNN
0.9385
DecisionTreeClf
0.96
RandomTreeFores
0.97
Calderón Jessenia, Analuisa Ángel, Chango Wilson, Aguilar Pedro
54
Revista Mikarimin. Publicación cuatrimestral. Vol. X, Año 2024, No. 2 (mayo – agosto)
En los resultados obtenidos mediante Bagging con diferentes modelos y diferentes tipos de datos
(originales, normalizados y discretizados), podemos observar lo siguiente:
Datos originales: La mayoría de los modelos lograron una alta precisión (cercana al 1.0) en la
clasificación de los datos originales.
Datos normalizados: Después de normalizar los datos las precisiones de algunos modelos
disminuyeron ligeramente en comparación con los datos originales esto podría indicar que algunos
modelos pueden funcionar mejor con datos no normalizados, mientras que otros no se ven
afectados significativamente por la normalización.
Datos discretizados: Al discretizar los datos se observó una reducción en la precisión para la
mayoría de los modelos en comparación con los datos originales en este caso la discretización no
resultó en una mejora significativa en el rendimiento de los modelos de Bagging.
En este conjunto de datos y con la implementación específica de Bagging y los modelos utilizados,
los datos originales lograron la mayor precisión en general. Sin embargo, es importante tener en
cuenta que estos resultados pueden variar según el conjunto de datos y los modelos específicos
utilizados.
Mejor algoritmo según los datos
En base a los resultados proporcionados en los datos, el mejor algoritmo parece ser el
"DecisionTreeClf" (Decision Tree Classifier) cuando se utilizan los datos discretizados, ya que
logró una precisión de 0.96 en comparación con los otros modelos con datos discretizados.
Sin embargo, es importante tener en cuenta que la elección del mejor algoritmo puede depender de
varios factores, como el tamaño y la naturaleza del conjunto de datos, la calidad y la cantidad de
características, la distribución de las clases y la complejidad del problema en cuestión.
BOOSTING
Tabla 6.
Resultados del modelo basado en boosting
TIPO DE DATOS
PRECISIÓN
NUMEROS DE
ESTIMADORES
Originales
1.0
298
Normalizados
1.0
4
Mikarimin. Revista Científica Multidisciplinaria ISSN 2528-7842
Implementación de una PWA para gestionar pronósticos agrícolas en las plantaciones de cacao en Orellana.
Universidad Regional Autónoma de Los Andes - Sede Santo Domingo. Ecuador.
55
Discretizados
0.96
4
VALIDACIÓN DEL MUESTREO MODELO USANDO CROSS VALIDATION
TIPOS DE VALIDACIÓN
Hold-On
Una precisión del modelo de 0.9825 en el tipo de validación Hold-On significa que el modelo ha
alcanzado una tasa de acierto del 98.25% en los datos de prueba. Esto indica que el modelo es
capaz de predecir correctamente la clase o etiqueta del 98.25% de las muestras que nunca ha visto
antes, lo que es un resultado bastante bueno. En Hold-On validation, dividimos el conjunto de datos
en dos partes: el conjunto de entrenamiento y el conjunto de prueba. Utilizamos el conjunto de
entrenamiento para entrenar el modelo y luego evaluamos su rendimiento en el conjunto de prueba,
que contiene datos que no han sido utilizados en el entrenamiento.
K-FOLDS CV
En k-folds cross-validation (cv), el MSE (mean squared error) es una métrica que mide el error
cuadrático medio del modelo en cada uno de los folds (particiones) utilizados en la validación
cruzada es una medida común para evaluar la calidad del rendimiento del modelo en problemas de
regresión en este caso, el resultado obtenido es un MSE promedio de 0.14347773889676482 esto
significa que en promedio, el modelo ha cometido un error cuadrático medio de aproximadamente
0.1435 en cada una de las particiones de datos utilizadas en la validación cruzada cuanto menor
sea el valor del MSE, mejor será el rendimiento del modelo, ya que indica que las predicciones
están más cerca de los valores reales el hecho de que el MSE promedio sea relativamente bajo
(0.1435) sugiere que el modelo está realizando buenas predicciones en general.
LOOCV
El LOOCV (Leave-One-Out Cross-Validation) es una técnica de validación cruzada en la cual se
divide el conjunto de datos en k pliegues, pero con k igual al número total de muestras en el
conjunto de datos. Es decir, en cada iteración, se utiliza una única muestra como conjunto de prueba
y el resto de las muestras como conjunto de entrenamiento en el MSE promedio obtenido fue de
Calderón Jessenia, Analuisa Ángel, Chango Wilson, Aguilar Pedro
56
Revista Mikarimin. Publicación cuatrimestral. Vol. X, Año 2024, No. 2 (mayo – agosto)
0.03739776545498873. El MSE (Mean Squared Error) es una métrica que mide la diferencia
promedio entre los valores predichos por el modelo y los valores reales en el conjunto de prueba.
Un MSE promedio bajo en el LOOCV indica que el modelo tiene una buena capacidad de
generalización y es capaz de hacer predicciones precisas en datos no vistos, lo cual es una señal
positiva de su rendimiento.
OPTIMIZACIÓN PARAMÉTRICA
RandomizedSearchCV
El randomforestregressor es un modelo de regresión basado en la técnica de random forest, que
combina múltiples árboles de decisión para realizar predicciones más precisas. los hiperparámetros
que se han utilizado para construir este modelo son:
• n_estimators: número de árboles en el bosque. en este caso, se han utilizado 12 árboles.
• max_depth: profundidad máxima de los árboles en el bosque. la profundidad máxima de
los árboles se ha establecido en 9 niveles.
• criterion: criterio utilizado para medir la calidad de una división en los árboles. en este
caso, se ha utilizado el criterio 'squared_error', que corresponde al error cuadrático medio
(mse) para problemas de regresión.
El resultado obtenido es un arreglo con un solo valor [0.]. esto indica que el modelo ha logrado una
precisión perfecta en la predicción, ya que el valor del error cuadrático medio (mse) es cero el
RandomForestRegressor con n_estimators=12 y max_depth=9 ha sido capaz de hacer
predicciones perfectas en este conjunto de datos
DISCUSIÓN
Un enfoque prometedor es el monitoreo inteligente del cultivo de cacao, utilizando sensores y una
Progressive Web App (PWA) para recopilar y analizar datos en tiempo real ofrece una oportunidad
única para mejorar la eficiencia, la productividad y la sostenibilidad en la industria del cacao. Los
agricultores pueden aprovechar al máximo los datos recopilados y tomar decisiones fundamentadas
que impulsen su éxito en un mercado cada vez más competitivo.
Mikarimin. Revista Científica Multidisciplinaria ISSN 2528-7842
Implementación de una PWA para gestionar pronósticos agrícolas en las plantaciones de cacao en Orellana.
Universidad Regional Autónoma de Los Andes - Sede Santo Domingo. Ecuador.
57
La metodología utilizada en este estudio involucra el uso de diferentes tipos de sensores para el
monitoreo y control del cultivo de cacao. Algunos ejemplos de sensores mencionados son el sensor
de humedad del suelo, sensor de temperatura y humedad ambiental, sensor de luz, sensor de
nutrientes y sensor de humedad de las hojas. La elección de los sensores dependerá de las
necesidades específicas del cultivo y de los objetivos de monitoreo y control del agricultor.
Además, se mencionan herramientas y tecnologías utilizadas en este estudio, como el uso de
Datalogger inalámbricos, bases de datos NoSQL (como MongoDB y base de datos clave-valor),
Progressive Web Apps (PWA), Docker, el framework React y el lenguaje de programación Python.
Los resultados obtenidos destacan la importancia del uso de técnicas de aprendizaje supervisado
en la detección de enfermedades en los cultivos de cacao, con el objetivo de reducir pérdidas y
mejorar la productividad.
En primer lugar, los resultados de nuestro estudio demuestran que el modelo desarrollado presenta
una precisión significativa en la predicción de la presencia de enfermedades en las plantas de cacao.
Esta capacidad predictiva resulta fundamental para los agricultores, ya que les permite tomar
medidas preventivas y aplicar tratamientos específicos en etapas tempranas, contribuyendo así a
reducir la propagación de las enfermedades y minimizar las pérdidas.
Asimismo, la recopilación de datos detallados sobre las características de las plantas de cacao y las
condiciones ambientales, tanto a través de sensores como de registros manuales, resultó de vital
importancia para entrenar nuestro modelo de manera efectiva. Estos hallazgos enfatizan la
necesidad de obtener información precisa y completa, a fin de mejorar la precisión de los modelos
predictivos en el ámbito agrícola.
CONCLUSIONES
En conclusión, la optimización del cultivo de cacao a través de sensores y monitoreo automatizado
tiene el potencial de revolucionar la industria cacaotera al mejorar la eficiencia, la productividad y
la calidad de los cultivos. al utilizar sensores para recopilar datos en tiempo real sobre las
condiciones del suelo, la humedad, la temperatura y otros factores clave, los agricultores pueden
tomar decisiones informadas y precisas para maximizar el rendimiento de sus plantaciones.
Calderón Jessenia, Analuisa Ángel, Chango Wilson, Aguilar Pedro
58
Revista Mikarimin. Publicación cuatrimestral. Vol. X, Año 2024, No. 2 (mayo – agosto)
El monitoreo automatizado permite a los agricultores detectar rápidamente cualquier problema o
enfermedad en las plantas, lo que facilita la toma de medidas preventivas o correctivas de manera
oportuna. esto reduce los riesgos y las pérdidas asociadas con enfermedades y plagas, así como la
necesidad de utilizar grandes cantidades de productos químicos para combatirlas.
Esta tecnología es su capacidad para recopilar datos a gran escala y generar información detallada
sobre las condiciones del cultivo. esto permite a los agricultores tomar decisiones basadas en datos
sobre la fertilización, el control de malezas y otros aspectos de la gestión del cultivo, lo que resulta
en una mejor planificación y uso eficiente de los recursos.
REFERENCIAS BIBLIOGRÁFICAS
Aguirre, V. D. (2020). PWA and TWA: Recent development trends. Obtenido de
https://link.springer.com/chapter/10.1007/978-3-030-48325-8_14
Bianchini, G. (02 de Febrero de 2020). Desarrollo de un API Rest para transmisión de datos de
sensores. Obtenido de https://riunet.upv.es/handle/10251/107770#
Cherlinka, V. (03 de Agosto de 2022). Sensores De Humedad Del Suelo Para Usos Agrícolas.
Obtenido de EOS Data Analytics: https://eos.com/es/blog/sensores-de-humedad-del-suelo/
Flores, C. (11 de Junio de 2015). La temperatura del ambiente afecta el proceso de fermentación
del cacao”. Obtenido de https://www.udep.edu.pe/hoy/2015/06/la-temperatura-del-
ambiente-afecta-el-proceso-de-fermentacion-del-cacao/
Hayford, k. (24 de Julio de 2023). Innovations in Cocoa Industry Stirring Up Chocolate Business.
Obtenido de https://thecocoapost.com/innovations-in-cocoa-industry-stirring-up-
chocolate-business/
Kopachovets, O. (. (02 de Marzo de 2023). benefits of ReactJS: Is it worth usin. Obtenido de
https://procoders.tech/blog/advantages-of-using-reactjs/
Lorente Sierra, D. (2023 ). Estudio de mercado y plan de actuación para la introducción de la
Cooperativa Navaoliva en el mercado valenciano de aceite de oliva. Universitat Politècnica
de València. http://hdl.handle.net/10251/196270
Marcos, R. (Agosto de 2020). Sensores agrícolas. Obtenido de https://buitech.es/sensores-
agricolas/
Mikarimin. Revista Científica Multidisciplinaria ISSN 2528-7842
Implementación de una PWA para gestionar pronósticos agrícolas en las plantaciones de cacao en Orellana.
Universidad Regional Autónoma de Los Andes - Sede Santo Domingo. Ecuador.
59
Ramírez, G. P. (2020). Tecnologías innovadoras para la agricultura sostenible y el desarrollo
económico regional. . Revista Internacional de Desarrollo Sostenible,, 45-55. Obtenido de
Ramírez, G., Pérez, R., & Sánchez, L. (2020). Tecnologías innovadoras para la agricultura
sostenible y el desarrollo económico regional. Revista Internacional de Desarrollo
Sostenible, 9(1), 45-55.
Rios, J., & Levano, D. (2022). Importancia de los dispositivos usados en la fermentación de Cacao
(Theobroma cacao L.). doi: https://doi.org/10.51252/raa.v2i1.281
Sánchez Jaque, J. M. (2022). Desarrollo de una aplicación web progresiva para incentivar el
turismo en las parroquias rurales del cantón Latacunga. Ecuador: Universidad Técnica de
Cotopaxi (UTC). Obtenido de http://repositorio.utc.edu.ec/handle/27000/9159
Tech, I. (01 de Enero de 2023). Solución Tecnológica para Mejorar la Producción del Cacao.
Obtenido de de https://iottech.com.co/sector-agro
Treviño-Villalobos, M. V.-A. (2019). Una comparación de rendimiento entre bases de datos
NoSQL: MongoDB y ArangoDB. Treviño-Villalobos, M., Víquez-Acuña, L., Quirós-
Oviedo, R., & Esquivel-Vega, G. (2019). Una comparación de rendimiento entre bases de
datos NoSQL: MongoDB y Revista Tecnología En Marcha, 5–15. doi:
https://doi.org/10.18845/tm.v32i6.4223
Vanegas, J. (16 de Junio de 2023). Centroamérica apuesta por cacao climáticamente inteligente.
Obtenido de https://latinoamerica.rikolto.org/es/noticias/centroamerica-apuesta-por-cacao-
climaticamente-inteligente
Zapata., J. R. (2023). Ciencia de datos con Python. Obtenido de
https://joserzapata.github.io/courses/python-ciencia-datos/
©2024 por los autores. Este artículo es de acceso abierto y distribuido según los términos y condiciones de la licencia Creative
Commons Atribución-No Comercial-Compartir Igual 4.0 Internacional (CC BY-NC-SA 4.0)
( https://creativecommons.org/licenses/by-nc-sa/4.0/ ).