Aplicaciones de aprendizaje automático para el análisis industrial de la provisión azucarera en Matanzas, Cuba
Machine learning application to industrial analysis of the sugar provision in Matanzas, Cuba
Barra lateral del artículo
XML
PDF
FLIP
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Contenido principal del artículo
Resumen
El análisis de los servicios ecosistémicos puede aportar conocimientos importantes sobre cómo se procesan y se obtienen los bienes del sistema agroindustrial azucarero. Para este trabajo, se recopilaron 346 datos del procesamiento industrial de la caña de azúcar en tres zafras, en la agroindustria del municipio Calimete, Provincia Matanzas (Cuba), con el objetivo de emplear algoritmos de aprendizaje automáticos, para predicciones relacionadas a datos biofísicos y económicos. Se analizaron siete predictores y mediante best subset selection, se identificó la combinación de rendimiento potencial en caña y pérdidas industriales totales, para predecir el servicio de provisión azucarera, mediante la regresión lineal múltiple. Se ajustó, también, un segundo modelo, que predice el efecto económico de las pérdidas industriales. En ambos modelos, se logró explicar por encima del 70 % de la variabilidad observada, en las variables dependientes, con un test F significativo (p-value: < 0,05), además de cumplirse con las condiciones de diagnóstico y validación.
Palabras clave:
Descargas
Detalles del artículo
Referencias (VER)
ANDRADE SALTOS, V.A.; FLORES M., P. 2018. Comparativa entre classification trees, random forest y gradient boosting, en la predicción de la satisfacción laboral en Ecuador. Ciencia Digital. 2(4.1):42-54. https://doi.org/10.33262/cienciadigital.v2i4.1..189
AZADI, H.; VAN PASSEL, S.; COOLS, J. 2021. Rapid economic valuation of ecosystem services in man and biosphere reserves in Africa: A review. Global Ecology and Conservation. 28:e01697. https://doi.org/10.1016/j.gecco.2021.e01697
AZCUBA. 2020. Evaluación diaria para dirigir económicamente. Empresa Azucarera, Matanzas. Informe No. 096. Matanzas, Cuba.
BHATT, R. 2020. Resources management for sustainable sugarcane production. In: Kumar, S.; Meena, R.S.; Jhariya, M.K. (eds.), Resources use efficiency in agriculture. Springer. Singapore. p.647-693. https://doi.org/10.1007/978-981-15-6953-1_18
BULL, J.W.; JOBSTVOGT, N.; BÖHNKE-HENRICHS, A.; MASCARENHAS, A.; SITAS, N.; BAULCOMB, C.; LAMBINI, C.K.; RAWLINS, M.; BARAL, H.; ZÄHRINGER, J.; CARTER-SILK, E.; BALZAN, M.V.; KENTER, J.O.; HÄYHÄ, T.; PETZ, K.; KOSS, R. 2016. Strengths, Weaknesses, Opportunities and Threats: A SWOT analysis of the ecosystem services framework. Ecosystem Services. 7:99-111. http://dx.doi.org/10.1016/j.ecoser.2015.11.012
CARRASQUILLA-BATISTA, A.; CHACÓN-RODRÍGUEZ, A.; NÚÑEZ-MONTERO, K.; GÓMEZ-ESPINOZA, O.; VALVERDE-CERDAS, J.; GUERRERO-BARRANTES, M. 2016. Regresión lineal simple y múltiple: aplicación en la predicción de variables naturales relacionadas con el crecimiento microalgal. Tecnología en Marcha. Encuentro de Investigación y Extensión. 33-45. https://doi.org/10.18845/tm.v29i8.2983
CONTRERAS JUÁREZ, A.; ATZIRY ZUÑIGA, C.; MARTÍNEZ FLORES, J.L.; SÁNCHEZ PARTIDA, D. 2016. Análisis de series de tiempo en el pronóstico de la demanda de almacenamiento de productos perecederos. Estudios Gerenciales. 32(141):387-396. http://dx.doi.org/10.1016/j.estger.2016.11.002
EVERINGHAM, Y.; SEXTON, J.; SKOCAJ, D.; INMAN-BAMBER, G. 2016. Accurate prediction of sugarcane yield using a random forest algorithm. Agronomy for Sustainable Development. 36(27):1-9. https://doi.org/10.1007/s13593-016-0364-z
GABA, S.; LESCOURRET, F.; BOUDSOCQ, S.; ENJALBERT, J.; HINSINGER, P.; JOURNET, E.-P.; NAVAS, M.-L.; WERY, J.; LOUARN, G.; MALÉZIEUX, E.; PELZER, E.; PRUDENT, M.; OZIER-LAFONTAINE, H. 2015. Multiple cropping systems as drivers for providing multiple ecosystem services: from concepts to design. Agronomy for Sustainable Development. 35:607-623. https://doi.org/10.1007/s13593-014-0272-z
GRUNEWALD, K.; BASTIAN, O.; MANNSFELD, K. 2015. Development and Fundamentals of the ES Approach. En: Grunewald, K.; Bastian, O. (eds.) Ecosystem Services - concept, methods and case studies. Springer (Germany). p.13-34. https://doi.org/10.1007/978-3-662-44143-5_2
HAMMER, R.G.; SENTELHAS, P.C.; MARIANO, J.C.Q. 2019. Sugarcane yield prediction through data mining and crop simulation models. Sugar Tech. 22:216-225. https://doi.org/10.1007/s12355-019-00776-z
JAMES, G.; WITTEN, D.; HASTIE, T.; TIBSHIRANI, R. 2013. An Introduction to Statistical. With Applications in R. Springer (New York). 426p. https://doi.org/10.1007/978-1-4614-7138-7
KAUP, F. 2015. The sugarcane complex in Brazil. The role of innovation in a dynamic sector on its path towards sustainability. Contributions to Economics. Springer (Switzerland). 280p. https://doi.org/10.1007/978-3-319-16583-7
KEITH, A.M.; SCHMIDT, O.; MCMAHON, B.J. 2016. Soil stewardship as a nexus between Ecosystem Services and One Health. Ecosystem Services. 17:40-42. http://dx.doi.org/10.1016/j.ecoser.2015.11.008
KUMAR VERMA, A.; KUMAR GARG, P.; HARI PRASAD, K.S.; KUMAR DADHWAL, V.; KUMAR DUBEY, S.; KUMAR, A. 2020. Sugarcane yield forecasting model based on weather parameters. Sugar Tech. 23:158-166. https://doi.org/10.1007/s12355-020-00900-4
LIQUETE, C.; UDIAS, A.; CONTE, G.; GRIZZETTI, B.; MASI, F. 2016. Integrated valuation of a nature-based solution for water pollution control. Highlighting hidden benefits. Ecosystem Services. 22:392-401. http://dx.doi.org/10.1016/j.ecoser.2016.09.011
MARTÍNEZ PÉREZ, C.M.; DE LEÓN BENÍTEZ, J.B. 2012. Influencia de la calidad de la materia prima en el proceso tecnológico, calidad del producto final, y el rendimiento industrial en una fábrica de azúcar. Revista Centro Azúcar. 39(3):28-34.
NASHIRUDDIN, N.I.; FADZIYANA MANSOR, A.; RAHMAN, R.A.; ILIAS, R.M.D.; WAN YUSSOF, H. 2020. Process parameter optimization of pretreated pineapple leaves fiber for enhancement of sugar recovery. Industrial Crops and Products. 152:112514. https://doi.org/10.1016/j.indcrop.2020.112514
NATARAJAN, R.; SUBRAMANIAN, J.; PAPAGEORGIOU, E.I. 2016. Hybrid learning of fuzzy cognitive maps for sugarcane yield classification. Computers and Electronics in Agriculture. 127:147-157. http://dx.doi.org/10.1016/j.compag.2016.05.016
NAVARRO HERNÁNDEZ, H.; ROSTGAARD BELTRÁN, L. 2014. Impacto de la materia extraña en la calidad de los jugos de caña y en los indicadores de eficiencia de un central azucarero. Revista Centro Azúcar. 41:44-54.
NWANGANGA, F.; CHAPPLE, M. 2020. Practical Machine Learning in R. John Wiley and Sons (Indiana). 464p. https://doi.org/10.1002/9781119591542
PÉREZ IGLESIAS, H.; SANTANA AGUILAR, I.; RODRÍGUEZ DELGADO, I. 2015. Manejo sostenible de tierras en la producción de caña de azúcar. Ediciones UTMACH (Ecuador). 188p. Disponible desde Internet en: http://repositorio.utmachala.edu.ec/bitstream/48000/6649/1/16%20MANEJO%20SOSTENIBLE%20DE%20LA%20TIERRA%20EN%20LA%20PRODUCCION%20DE%20CA%C3%91A%20DE%20AZUCAR%20VOL%20II.pdf
R CORE TEAM. 2019. R: A language and environment for statistical computing. R Foundation for Statistical Computing. Austria. Disponible desde Internet en: https://www.R-project.org/
RAHMAN, M.M.; ROBSON, A.J. 2016. A novel approach for sugarcane yield prediction using landsat time series imagery: A case study on bundaberg region. Advances in Remote Sensing. 5(2):93-102. http://dx.doi.org/10.4236/ars.2016.52008
RAMASUBRAMANIAN, K.; SINGH, A. 2019. Machine learning Using R: With time series and industry-based use cases in R. Second Edition. Springer. New York. 724p. https://doi.org/10.1007/978-1-4842-4215-5
RIBAS GARCÍA, M.; CONSUEGRA DEL REY, R.; ALFONSO ALFONSO, M. 2016. Análisis de los factores que más inciden sobre el rendimiento industrial azucarero. Revista Centro Azúcar. 43(1):51-60.
ROY, M.M.; CHANDRA, A. 2020. Optimizing sugar recovery in India: Need for an integrated approach. Acta Scientific Agriculture. 4(3):1-6. https://doi.org/10.31080/ASAG.2020.04.0806
SHAHZAD, S.; SHOKAT, S.; FIAZ, N.; HAMEED, A. 2017. Impact of yield and quality-related traits of sugarcane on sugar recovery. Journal of Crop Science and Biotechnology. 20:1-7. https://doi.org/10.1007/s12892-016-0048-2
SMITH, R.I.; DICK, J.; SCOTT, E.M. 2011. The role of statistics in the analysis of ecosystem services. Environmetrics. 22(5):608-617. https://doi.org/10.1002/env.1107
SUNDERLAND, T.; BUTTERWORTH, T. 2016. Meeting local economic decision-maker's demand for environmental evidence: The local environment and economic development (LEED) toolkit. Ecosystem Services. 17:197-207. http://dx.doi.org/10.1016/j.ecoser.2015.12.007
TARAFDAR, A.; KAUR, B.P.; NEMA, P.K.; BABAR, O.A.; KUMAR, D. 2020. Using a combined neural network - genetic algorithm approach for predicting the complex rheological characteristics of microfluidized sugarcane juice. LWT. 123:109058. https://doi.org/10.1016/j.lwt.2020.109058
VANG RASMUSSEN, L.; MERTZ, O.; CHRISTENSEN, A.E.; DANIELSEN, F.; DAWSON, N.; XAYDONGVANH, P. 2016. A combination of methods needed to assess the actual use of provisioning ecosystem services. Ecosystem Services. 17:75-86. http://dx.doi.org/10.1016/j.ecoser.2015.11.005
VILLASANTE, S.; LOPES, P.F.M.; COLL, M. 2016. The role of marine ecosystem services for human well-being: Disentangling synergies and trade-offs at multiple scales. Ecosystem Services. 17:1-4. http://dx.doi.org/10.1016/j.ecoser.2015.10.022
WAWERU WANGAI, P.; BURKHARD, B.; MULLER, F. 2016. A review of studies on ecosystem services in Africa. International Journal of Sustainable Built Environment. 5:225-245. http://dx.doi.org/10.1016/j.ijsbe.2016.08.005
WILLCOCK, S.; MARTÍNEZ-LÓPEZ, J.; HOOFTMAN, D.A.P.; BAGSTAD, K.J.; BALBI, S.; MARZO, A.; PRATO, C.; SCIANDRELLO, S.; SIGNORELLO, G.; VOIGT, B.; VILLA, F.; BULLOCK, J.M.; ATHANASIADIS, I.N. 2018. Machine learning for ecosystem services. Ecosystem Services. 33:165-174. https://doi.org/10.1016/j.ecoser.2018.04.004
ZIMMERMAN, D.L. 2020. Linear model theory. With examples and exercises. Springer. Switzerland. 525p. https://doi.org/10.1007/978-3-030-52063-2
Citado por
