Resumen

El objetivo de este estudio es realizar pronósticos climáticos con modelos de redes neuronales artificiales como herramienta en el proceso de toma de decisiones para la siembra de algunos tipos de productos agrícolas. Se construyó una base de datos con los principales elementos climáticos a partir del Instituto Nacional de Meteorología (INMET), y se encontraron los elementos que más influyeron en el valor medio de la temperatura a un nivel de significación de 0,05. Se elaboraron modelos de Redes Neuronales Artificiales y se probaron utilizando la Desviación Media Absoluta (DMA), el Error Cuadrático Medio (ECM), el Error Cuadrático Medio Raíz (ECRR) y el Error Porcentual Absoluto Medio (EAPM), antes de relacionarlos con el mejor valor de pronóstico de los cultivos agrícolas. Se elaboraron doce redes neuronales, ocho de ellas relacionadas con la previsión de la temperatura y las otras cuatro con la previsión de la precipitación. Las redes que mostraron el mejor rendimiento son las que consideran todos los elementos del clima. Es posible concluir que las redes neuronales artificiales mostraron un desempeño adecuado en la predicción de series temporales caóticas, por lo que sus resultados se relacionaron con el cultivo óptimo a utilizar para cada pronóstico. Al final se presenta un calendario que indica el momento ideal para plantar cada uno de los cultivos evaluados. Se comprueba que la zanahoria es el cultivo más adecuado para el intervalo pronosticado en los próximos cinco años.

1. INTRODUCCIÓN

Según los resultados del Instituto de Economía Agrícola (IEA) presentados en mayo de 2020 (IEA, 2020), el comercio exterior brasileño no fue deficitario sólo debido al desempeño del agronegocio, ya que otros sectores de la economía produjeron un déficit de US$21,02 mil millones en los primeros cinco meses de 2020, con exportaciones de US$42,52 mil millones e importaciones de US$63,54 mil millones. En el período analizado, el superávit de la agroindustria fue de 36.590 millones de dólares, lo que representa un aumento del 11,0% en comparación con el período comprendido entre enero y mayo de 2019. La participación de las exportaciones agropecuarias en el total nacional aumentó un 6,9%, mientras que la participación de las importaciones disminuyó un 0,6% durante el período estudiado (AIE, 2020).

Según Radin & Matzenauer (2016), el cambio climático y la temperatura ambiental tienen un impacto directo en la industria agrícola, ya que estos elementos podrían interferir en el suelo, la cosecha, el riego e incluso en el proceso de envío y almacenamiento de los productos.

Como se puede ver, el cambio climático tiene un impacto significativo en la agricultura, por lo que la previsión meteorológica es una parte clave del proceso de toma de decisiones. Según Sampaio & Dias (2014), los modelos de previsión meteorológica comenzaron en el siglo XIX, cuando el meteorólogo Cleveland Abbe utilizó aproximaciones matemáticas para obtener un modelo predictivo del estado de la atmósfera.

• Materias:Redes neuronales artificiales influencia del clima Métodos de cultivos
• Subjects:Artificial neural networks influence of the weather Crop methods
• Palabras claves:Redes neuronales artificiales; Pronóstico del clima; Cultivos de manzana; Cultivos de uva; Cultivos de zanahoria; Cultivos de tomate; Programa de cultivo
• Keywords:Artificial neural networks; Climate forecasting; Apple crops; Grape crops; Carrot crops; Tomato crops; Cultivation schedule