Enfoques avanzados de ciencia de datos para la predicción en agricultura inteligente y la atenuación del ruido

• Autores: Juan Miguel Martín Santos
• Directores de la Tesis: José Antonio Sáez Muñoz (dir. tes.) , Emilio Santiago Corchado Rodríguez (codir. tes.)
• Lectura: En la Universidad de Salamanca ( España ) en 2025
• Idioma: español
• Tribunal Calificador de la Tesis: Pablo García Bringas (presid.) , Alfonso González Briones (secret.) , Hilde Pérez García (voc.)
• Enlaces
  • Tesis en acceso abierto en: TESEO
• Resumen

  • La tesis desarrollada explora en profundidad el problema de la predicción de la evapotranspiración, así como la presencia de ruido en los datos y su impacto, ambos factores cruciales en la gestión sostenible de los recursos naturales dentro de la agricultura inteligente. De hecho, la agricultura inteligente depende cada vez más de tecnologías avanzadas que le permitan la gestión eficiente de los recursos hídricos y energéticos. En este sentido, una predicción precisa de la evapotranspiración es fundamental para optimizar el uso y la gestión del agua empleada en la agricultura, lo cual impacta directamente en el consumo energético, ya que unos requerimientos hídricos más precisos minimizan la necesidad de extracción y distribución de agua, lo que se traduce en un menor consumo de energía en los sistemas de riego, generando por tanto sistemas más sostenibles.

    En este contexto, se proponen nuevos modelos predictivos diseñados específicamente para abordar los diferentes desafíos de los problemas de regresión. Estos modelos han sido desarrollados y ajustados para manejar las complejidades inherentes a los datos reales, donde el ruido y las imperfecciones pueden comprometer significativamente la precisión de las predicciones. La investigación se centra en un análisis profundo de cómo diferentes tipos y niveles de ruido afectan el rendimiento de los modelos de regresión, con un enfoque particular en la evapotranspiración, subrayando la importancia de implementar estrategias eficaces de mitigación de ruido para elevar la precisión y fiabilidad de estos modelos. Se han abordado tres objetivos principales en esta investigación:

    - Desarrollar y validar modelos predictivos para la evapotranspiración, optimizando su capacidad para manejar la variabilidad y las complejidades de los datos de evapotranspiración, asegurando su aplicabilidad en diferentes contextos hídricos y escenarios agrícolas.

    - Investigar y desarrollar mecanismos robustos para la mitigación del impacto del ruido en datos de regresión, con especial atención en cómo estas imperfecciones afectan las predicciones, con el objetivo de mejorar la precisión y estabilidad de los modelos de regresión, incluyendo su aplicación potencial en la predicción del fenómeno de la evapotranspiración.

    - Estudiar el impacto del ruido en datos de sensores IoT en agricultura inteligente y desarrollar un paquete software para su tratamiento en datos de evapotranspiración.

    Cada uno de estos objetivos se abordó a través de investigaciones exhaustivas y metodológicamente rigurosas que demostraron la eficacia y versatilidad de diferentes enfoques y tecnologías. Para enfrentar la complejidad inherente a la predicción de la evapotranspiración, se ha desarrollado y validado un modelo predictivo avanzado que emplea técnicas de ensemble, con un enfoque particular en el stacking. Esta estrategia permite combinar la fortaleza de múltiples modelos base para capturar mejor las relaciones no lineales presentes en los datos, logrando resultados sobresalientes en términos de precisión, robustez y capacidad de generalización en escenarios diversos. Además, se diseñaron e implementaron múltiples técnicas de filtrado de ruido, cuidadosamente adaptadas del campo de la clasificación a problemas de regresión, las cuales han demostrado ser sumamente efectivas en la mejora de la calidad de los datos.

    Finalmente, se examinó el impacto del ruido en las predicciones de evapotranspiración, evaluando cómo los filtros desarrollados contrarrestan este fenómeno. Los resultados confirmaron la eficacia de las diferentes técnicas de filtrado, siendo particularmente efectivas contra altos niveles de ruido, que pueden presentarse en datos recopilados a través de sensores IoT. Estas técnicas son especialmente valiosas dado que existen muy pocas opciones de métodos específicos para el filtrado de ruido en el campo de la regresión, permitiendo eliminar errores en datasets y mejorar significativamente el rendimiento de los modelos predictivos. Para facilitar la aplicación práctica de estos descubrimientos, se desarrolló y publicó el software rgnoisefilt. Este paquete de R ofrece hasta 22 técnicas de filtrado de ruido diseñadas específicamente para datos de regresión. Este software es públicamente accesible, proporcionando una herramienta valiosa para investigadores y profesionales.

    Estos hallazgos representan avances significativos en la investigación sobre evapotranspiración, extendiéndose además a otros contextos de regresión, lo que posibilita posteriormente una gestión más eficiente y sostenible de los recursos energéticos en diversas aplicaciones de agricultura inteligente y medioambientales.