Técnicas de aprendizaje profundo para la predicción de series temporales de monitoreo de cultivos agrícolas

Abstract

Este Trabajo de Fin de Grado presenta un enfoque integral que abarca el diseño, desarrollo y evaluación de modelos de redes neuronales para predecir la variación del diámetro de una planta. Se llevó a cabo una revisión teórica que abordó los fundamentos de las redes neuronales, explorando conceptos clave como las capas, la estructura y los diferentes tipos de redes neuronales, como las LSTM, recurrentes y convolucionales. Además, se analizaron diversas funciones de activación, como la sigmoide, ReLU y tangente hiperbólica. Los modelos de redes neuronales se desarrollaron en el entorno de Spyder, empleando una amplia variedad de configuraciones de capas, tamaños y funciones de activación. Para evaluar el rendimiento de los modelos, se utilizaron métricas de evaluación estándar, como el error cuadrático medio y el coeficiente de determinación. Posteriormente, se llevaron a cabo experimentos utilizando el modelo seleccionado como el más prometedor, evaluando su capacidad predictiva en diferentes horizontes de tiempo. Las conclusiones del estudio resaltaron los resultados experimentales obtenidos, destacando la efectividad del modelo propuesto en la predicción precisa de la variación del diámetro de la planta. Asimismo, se identificaron limitaciones y se plantearon posibles mejoras para futuros trabajos en esta área. Además, se discutieron las implicaciones prácticas de implementar este modelo en entornos relacionados con el estudio de las plantas y se presentaron recomendaciones para investigaciones posteriores en este campo. En conclusión, este Trabajo de Fin de Grado ha abordado de manera integral el diseño, desarrollo y evaluación de modelos de redes neuronales en la predicción del diámetro de las plantas. Los resultados obtenidos respaldan la utilidad de estas técnicas en la toma de decisiones agrícolas y plantean oportunidades para futuras investigaciones en este emocionante campo.

This Final Degree Project presents a comprehensive approach that covers the design, development and Evaluation of neural network models to predict the variation of the diameter of a plant. A theoretical review was carried out that addressed the fundamentals of neural networks, exploring key concepts such as layers, structure and different types of neural networks, such as LSTM, recurrent and convolutional. In addition, various functions of activation, such as sigmoid, ReLU, and hyperbolic tangent. Neural network models were developed in the Spyder environment, employing a wide variety of layer configurations, sizes, and activation functions. To evaluate the performance of the models, standard evaluation metrics, such as mean square error and coefficient of determination, were used. Subsequently, experiments were carried out using the model selected as the most promising, evaluating its predictive capacity in different time horizons. The conclusions of the study highlighted the experimental results obtained, highlighting the effectiveness of the proposed model in accurately predicting the variation of the diameter of the plant. Likewise, limitations were identified and possible improvements were proposed for future work in this area. In addition, the practical implications of implementing this model in environments related to the study of plants were discussed and recommendations for further research in this field were presented. In conclusion, this Final Degree Project has comprehensively addressed the design, development and evaluation of neural network models in the prediction of plant diameter. The results obtained support the usefulness of these techniques in agricultural decision-making and pose opportunities for future research in this exciting field.