Un nuevo conjunto de datos para la detección de roya en cultivos de café Colombianos basado en clasificadores

No hay miniatura disponible

Fecha

2014-04-01

Director de tesis/Asesor

Título de la revista

ISSN de la revista

Título del volumen

Publicador

Universidad Icesi

Editor

Compartir

Resumen

La producción de café es la principal actividad agrícola en Colombia. Más de 350.000 familias colombianas dependen de la cosecha de café. En este sentido, la roya fue reportada por primera vez en el país en 1983, y desde entonces estas familias han tenido que enfrentar graves consecuencias. Recientemente, diversos enfoques basados en aprendizaje automático han construido un conjunto de datos para el monitoreo de la incidencia de la roya del café, teniendo en cuenta las condiciones climáticas y las propiedades físicas de los cultivos. Estas investigaciones motivaron la creación de un conjunto de datos para la detección de la roya en cultivos Colombianos a través del proceso de minería de datos CRISP-DM. En este trabajo se definió un conjunto de datos con el objetivo de generar clasificadores precisos; una vez construido el conjunto de datos, fue probado mediante tres clasificadores: Maquinas de vector de regresión, Redes neuronales con propagación hacia atrás y Árboles de regresión.


Coffee production is the main agricultural activity in Colombia. More than 350.000 Colombian families depend on coffee harvest. Since coffee rust disease was first reported in the country in 1983, these families have had to face severe consequences. Recently, machine learning approaches have built a dataset for monitoring coffee rust incidence that involves weather conditions and physic crop properties. This background encouraged us to build a dataset for coffee rust detection in Colombian crops through data mining process as Cross Industry Standard Process for Data Mining (CRISP-DM). In this paper we define a proper data to generate accurate models; once the dataset is built, this is tested using classifiers as: Support Vector Regression, Backpropagation Neural Networks and Regression Trees.

Descripción

Palabras clave

Citación

ARK

ARXIV

Barcode

Bibcode

EAN13

DOI

EISSN

GOVDOC

Handle

IGSN

ISBN

ISMN

ISSN

16925238

ISTC

ISSN-L

LSID

Local

Other

http://hdl.handle.net/10906/76736

OLIB

http://biblioteca2.icesi.edu.co/cgi-olib/?infile=details.glu&loid=267806

PISSN

PMID

PURL

SICI

Slug

SoundCloud

UPC

URL

URN

YouTube

WOS