Aplicación en la agricultura de técnicas de explicabilidad del aprendizaje de máquinas: Aclarando la caja negra

Vista sencilla de ítem
dc.creatorJaimes, Diana
dc.creatorGonzalez, Carlos Arturo
dc.creatorLlanos, Lizeth
dc.creatorEstrada, Oscar
dc.creatorBarrios, Camilo
dc.creatorAgudelo, Diego
dc.creatorNavarro Racines, Carlos
dc.creatorJimenez, Daniel
dc.creatorGardeazabal, Andrea
dc.creatorRamírez Villegas, Julián Armando
dc.date2023-12-12
dc.date2023-12-21T07:02:05Z
dc.date2023-12-21T07:02:05Z
dc.date.accessioned2026-06-27T13:34:23Z
dc.descriptionEl maíz es esencial para la seguridad alimentaria en Guatemala, pero su producción enfrenta desafíos como la sequía y prácticas agronómicas inadecuadas. Para mejorar la producción ante la variabilidad climática, es crucial optimizar las prácticas agronómicas. Sin embargo, hay un conocimiento limitado sobre los factores que influyen en la producción de maíz. Los procesos analíticos de grandes volúmenes de datos pueden identificar patrones de rendimiento en relación con el clima y el manejo agronómico, mejorando así la toma de decisiones de los productores. Los algoritmos de aprendizaje automático tienen un gran potencial, pero su naturaleza de "caja negra" limita su aplicabilidad práctica. La explicabilidad de estos modelos es necesaria, especialmente en la agricultura de pequeña escala, donde múltiples factores climáticos y de manejo interactúan afectando el rendimiento del maíz. Este estudio propone un enfoque para abordar la explicabilidad de los algoritmos de aprendizaje automático, que incluye la extracción, transformación y carga de datos (ETL), selección y ajuste de algoritmos, y técnicas para profundizar en la interpretabilidad. el abordaje busca explicar el efecto de las variables independientes-predictoras y sus interacciones en el rendimiento del maíz. El caso de estudio en Guatemala utiliza datos de 4264 observaciones a nivel de parcelas para un período de 4 años (2016–2018), abarcando rendimiento, manejo, terreno y clima. El informe se estructura en secciones que abordan el enfoque general, proceso ETL y técnicas de explicabilidad. Los resultados ofrecen hallazgos y recomendaciones basados en los modelos y datos, mientras que en conclusiones resumen los puntos clave, las implicaciones prácticas del análisis tratando de hacer más transparente los modelos de aprendizaje automático en la agronomía, mejorando de esta forma la confianza y la aplicabilidad de las recomendaciones basados en datos.
dc.formatapplication/pdf
dc.identifierhttps://hdl.handle.net/10568/135694
dc.identifier.urihttp://hdl.handle.net/123456789/63629
dc.languagees
dc.rightsOpen Access
dc.sourceJaimes, D.; Gonzalez, C.A.; Llanos, L.; Estrada, O.; Barrios, C.; Agudelo, D.; Navarro Racines, C.; Jimenez, D.; Gardeazabal, A.; Ramirez Villegas, J. (2023) Aplicación en la agricultura de técnicas de explicabilidad del aprendizaje de máquinas: Aclarando la caja negra. Technical Report. 9 p.
dc.subjectagriculture
dc.subjectcrop management
dc.subjectmachine learning
dc.subjectaprendizaje automático
dc.subjectagricultura
dc.subjectmaize
dc.subjectartificial intelligence
dc.subjectinteligencia artificial
dc.subjectcrop yield
dc.subjectmaíz
dc.subjectrendimiento de cultivos
dc.titleAplicación en la agricultura de técnicas de explicabilidad del aprendizaje de máquinas: Aclarando la caja negra
dc.typeCase Study

Archivos

Colecciones

Alianza Bioversity International y CIAT