Conclusiones Finales
En esta sección se presentan las conclusiones finales del estudio:
-
Eficacia de los Modelos: Los modelos predictivos desarrollados han
sido sometidos a una exhaustiva evaluación, demostrando ser herramientas
fundamentales para la gestión eficiente del olivar. Estos modelos han
permitido mejorar significativamente la toma de decisiones y han
contribuido a la sostenibilidad de las explotaciones agrícolas.
-
Integración de Tecnología: La integración de tecnologías
avanzadas, como IoT, imágenes satelitales y algoritmos sofisticados, ha
potenciado la capacidad de predicción y gestión agrícola. Estas
tecnologías han permitido obtener una visión precisa y completa de las
condiciones de los cultivos, optimizando las prácticas agrícolas y
asegurando una gestión más eficiente.
-
Evaluación de Algoritmos Clasificatorios: A lo largo del proyecto,
se trabajó exhaustivamente en la búsqueda del modelo más adecuado para
la clasificación de los estados fenológicos. Tras probar varios
algoritmos clasificatorios, se determinó que las Redes Neuronales fueron
la solución más eficaz. Aunque estos modelos exigían un alto nivel de
recursos computacionales, el clúster utilizado pudo soportar su
operación de manera eficiente. Aunque la velocidad de procesamiento no
siempre fue óptima, los resultados obtenidos fueron extremadamente
precisos y confiables, lo que justificó su elección como el mejor modelo
disponible.
-
Desarrollo de Modelos Predictivos: En el proyecto se
desarrollaron dos modelos predictivos principales: uno para la
predicción de precipitaciones y otro para la clasificación de estados
fenológicos. Ambos modelos arrojaron resultados muy prometedores,
demostrando su valor en la predicción precisa y en la gestión agrícola.
Estos modelos han sido fundamentales para la planificación y la
optimización de las actividades en el olivar. Como ejemplo se expone a
continuación una gráfica de modelo predictivo de precipitaciones usando
el algoritmo de redes neuronales:
Y ahora expondremos un calendario de cultivo predictivo creado también usando este modelo de Redes Neuronales:
- Configuración y Reentrenamiento de Redes Neuronales: Durante el desarrollo, no se implementó backtracking en la configuración de los pesos de las diferentes capas de las redes neuronales. Sin embargo, se planificó un reentrenamiento semanal del modelo, acorde con las actualizaciones de datos proporcionadas cada cinco días por el programa Copernicus. Esta estrategia asegurará que el modelo mantenga su precisión y relevancia, ajustándose continuamente a la información más reciente.
Estas conclusiones reflejan el éxito del proyecto en su objetivo de mejorar la gestión agrícola mediante el uso de tecnologías avanzadas y modelos predictivos, destacando la efectividad de las redes neuronales en el proceso de clasificación fenológica y la fiabilidad del modelo de predicción de precipitaciones.
