El uso de tecnologías de bajo costo para la sustentabilidad del sector agrícola

Autores
García Menchaca, Levi Esteban; Guerra Sánchez, Carlos Alain; Cleva, Mario Sergio; González Ramírez, Efrén; Sifuentes Gallardo, Claudia; Durán Muñoz, Héctor Antonio
Año de publicación
2024
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
Este estudio explora el crecimiento de fresas (Fragaria × ananassa) en cultivo hidropónico bajo diferentes longitudes de onda de luz, con un enfoque en el uso de técnicas avanzadas de Machine Learning (ML) y Deep Learning (DL). Utilizando sensores de luz y temperatura, junto con plataformas como Arduino, se monitorizan en tiempo real las condiciones de cultivo. Los datos recopilados serán analizados mediante algoritmos de ML para modelar el crecimiento y predecir el comportamiento de las plantas. Además, se emplearán redes neuronales convolucionales (CNN) para el análisis de imágenes, permitiendo detectar plagas y optimizar el uso de fertilizantes, con el objetivo de mejorar la eficiencia y sostenibilidad en la producción de fresas.
Fil: García Menchaca, Levi Esteban. Universidad Autónoma de Zacatecas; México.
Fil: Guerra Sánchez, Carlos Alain. Universidad Autónoma de Zacatecas; México.
Fil: Cleva, Mario Sergio. Universidad Tecnológica Nacional. Facultad Regional Resistencia. Centro de Investigación Aplicada en Tecnologías de la Información y Comunicación; Argentina.
Fil: González Ramírez, Efrén. Universidad Autónoma de Zacatecas; México.
Fil: Sifuentes Gallardo, Claudia. Universidad Autónoma de Zacatecas; México.
Fil: Durán Muñoz, Héctor Antonio. Universidad Autónoma de Zacatecas. Unidad Académica de Ingeniería Eléctrica; México.
Materia
cultivo hidropónico
sustentabilidad
Machine Learning
Deep Learning
Nivel de accesibilidad
acceso abierto
Condiciones de uso
Acceso abierto
Repositorio
Repositorio Institucional Abierto (UTN)
Institución
Universidad Tecnológica Nacional
OAI Identificador
oai:ria.utn.edu.ar:20.500.12272/12349
Acceder
id RIAUTN_463ae87c932a0526ecabd12e8dbccdb2
oai_identifier_str oai:ria.utn.edu.ar:20.500.12272/12349
network_acronym_str RIAUTN
repository_id_str a
network_name_str Repositorio Institucional Abierto (UTN)
spelling El uso de tecnologías de bajo costo para la sustentabilidad del sector agrícolaGarcía Menchaca, Levi EstebanGuerra Sánchez, Carlos AlainCleva, Mario SergioGonzález Ramírez, EfrénSifuentes Gallardo, ClaudiaDurán Muñoz, Héctor Antoniocultivo hidropónicosustentabilidadMachine LearningDeep LearningEste estudio explora el crecimiento de fresas (Fragaria × ananassa) en cultivo hidropónico bajo diferentes longitudes de onda de luz, con un enfoque en el uso de técnicas avanzadas de Machine Learning (ML) y Deep Learning (DL). Utilizando sensores de luz y temperatura, junto con plataformas como Arduino, se monitorizan en tiempo real las condiciones de cultivo. Los datos recopilados serán analizados mediante algoritmos de ML para modelar el crecimiento y predecir el comportamiento de las plantas. Además, se emplearán redes neuronales convolucionales (CNN) para el análisis de imágenes, permitiendo detectar plagas y optimizar el uso de fertilizantes, con el objetivo de mejorar la eficiencia y sostenibilidad en la producción de fresas.Fil: García Menchaca, Levi Esteban. Universidad Autónoma de Zacatecas; México.Fil: Guerra Sánchez, Carlos Alain. Universidad Autónoma de Zacatecas; México.Fil: Cleva, Mario Sergio. Universidad Tecnológica Nacional. Facultad Regional Resistencia. Centro de Investigación Aplicada en Tecnologías de la Información y Comunicación; Argentina.Fil: González Ramírez, Efrén. Universidad Autónoma de Zacatecas; México.Fil: Sifuentes Gallardo, Claudia. Universidad Autónoma de Zacatecas; México.Fil: Durán Muñoz, Héctor Antonio. Universidad Autónoma de Zacatecas. Unidad Académica de Ingeniería Eléctrica; México.2025-03-11T21:56:05Z2024-10-24info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciapdfapplication/pdfIV Seminario Internacional de Investigación en Economía, Sustentabilidad y Desarrollo. Universidad de Zacatecas. Méxicohttps://www.uaz.edu.mx/iv-seminario-internacional-economia-sustentabilidad-y-desarrollo/http://hdl.handle.net/20.500.12272/12349spaPAECRE0008597TCModelado morfológico, reconocimiento y clasificación de granos de arroz postcosecha por procesamiento digital de imágenes empleando software de libre distribución y hardware de bajo costoinfo:eu-repo/semantics/openAccessAcceso abiertoreponame:Repositorio Institucional Abierto (UTN)instname:Universidad Tecnológica Nacional2026-09-24T12:44:36Zoai:ria.utn.edu.ar:20.500.12272/12349instacron:UTNInstitucionalhttp://ria.utn.edu.ar/Universidad públicaNo correspondehttp://ria.utn.edu.ar/oaigestionria@rec.utn.edu.ar; fsuarez@rec.utn.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:a2026-09-24 12:44:37.562Repositorio Institucional Abierto (UTN) - Universidad Tecnológica Nacionalfalse
dc.title.none.fl_str_mv El uso de tecnologías de bajo costo para la sustentabilidad del sector agrícola
title El uso de tecnologías de bajo costo para la sustentabilidad del sector agrícola
spellingShingle El uso de tecnologías de bajo costo para la sustentabilidad del sector agrícola
García Menchaca, Levi Esteban
cultivo hidropónico
sustentabilidad
Machine Learning
Deep Learning
title_short El uso de tecnologías de bajo costo para la sustentabilidad del sector agrícola
title_full El uso de tecnologías de bajo costo para la sustentabilidad del sector agrícola
title_fullStr El uso de tecnologías de bajo costo para la sustentabilidad del sector agrícola
title_full_unstemmed El uso de tecnologías de bajo costo para la sustentabilidad del sector agrícola
title_sort El uso de tecnologías de bajo costo para la sustentabilidad del sector agrícola
dc.creator.none.fl_str_mv García Menchaca, Levi Esteban
Guerra Sánchez, Carlos Alain
Cleva, Mario Sergio
González Ramírez, Efrén
Sifuentes Gallardo, Claudia
Durán Muñoz, Héctor Antonio
author García Menchaca, Levi Esteban
author_facet García Menchaca, Levi Esteban
Guerra Sánchez, Carlos Alain
Cleva, Mario Sergio
González Ramírez, Efrén
Sifuentes Gallardo, Claudia
Durán Muñoz, Héctor Antonio
author_role author
author2 Guerra Sánchez, Carlos Alain
Cleva, Mario Sergio
González Ramírez, Efrén
Sifuentes Gallardo, Claudia
Durán Muñoz, Héctor Antonio
author2_role author
author
author
author
author
dc.subject.none.fl_str_mv cultivo hidropónico
sustentabilidad
Machine Learning
Deep Learning
topic cultivo hidropónico
sustentabilidad
Machine Learning
Deep Learning
dc.description.none.fl_txt_mv Este estudio explora el crecimiento de fresas (Fragaria × ananassa) en cultivo hidropónico bajo diferentes longitudes de onda de luz, con un enfoque en el uso de técnicas avanzadas de Machine Learning (ML) y Deep Learning (DL). Utilizando sensores de luz y temperatura, junto con plataformas como Arduino, se monitorizan en tiempo real las condiciones de cultivo. Los datos recopilados serán analizados mediante algoritmos de ML para modelar el crecimiento y predecir el comportamiento de las plantas. Además, se emplearán redes neuronales convolucionales (CNN) para el análisis de imágenes, permitiendo detectar plagas y optimizar el uso de fertilizantes, con el objetivo de mejorar la eficiencia y sostenibilidad en la producción de fresas.
Fil: García Menchaca, Levi Esteban. Universidad Autónoma de Zacatecas; México.
Fil: Guerra Sánchez, Carlos Alain. Universidad Autónoma de Zacatecas; México.
Fil: Cleva, Mario Sergio. Universidad Tecnológica Nacional. Facultad Regional Resistencia. Centro de Investigación Aplicada en Tecnologías de la Información y Comunicación; Argentina.
Fil: González Ramírez, Efrén. Universidad Autónoma de Zacatecas; México.
Fil: Sifuentes Gallardo, Claudia. Universidad Autónoma de Zacatecas; México.
Fil: Durán Muñoz, Héctor Antonio. Universidad Autónoma de Zacatecas. Unidad Académica de Ingeniería Eléctrica; México.
description Este estudio explora el crecimiento de fresas (Fragaria × ananassa) en cultivo hidropónico bajo diferentes longitudes de onda de luz, con un enfoque en el uso de técnicas avanzadas de Machine Learning (ML) y Deep Learning (DL). Utilizando sensores de luz y temperatura, junto con plataformas como Arduino, se monitorizan en tiempo real las condiciones de cultivo. Los datos recopilados serán analizados mediante algoritmos de ML para modelar el crecimiento y predecir el comportamiento de las plantas. Además, se emplearán redes neuronales convolucionales (CNN) para el análisis de imágenes, permitiendo detectar plagas y optimizar el uso de fertilizantes, con el objetivo de mejorar la eficiencia y sostenibilidad en la producción de fresas.
publishDate 2024
dc.date.none.fl_str_mv 2024-10-24
2025-03-11T21:56:05Z
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv IV Seminario Internacional de Investigación en Economía, Sustentabilidad y Desarrollo. Universidad de Zacatecas. México
https://www.uaz.edu.mx/iv-seminario-internacional-economia-sustentabilidad-y-desarrollo/
http://hdl.handle.net/20.500.12272/12349
identifier_str_mv IV Seminario Internacional de Investigación en Economía, Sustentabilidad y Desarrollo. Universidad de Zacatecas. México
url https://www.uaz.edu.mx/iv-seminario-internacional-economia-sustentabilidad-y-desarrollo/
http://hdl.handle.net/20.500.12272/12349
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv PAECRE0008597TC
Modelado morfológico, reconocimiento y clasificación de granos de arroz postcosecha por procesamiento digital de imágenes empleando software de libre distribución y hardware de bajo costo
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
Acceso abierto
eu_rights_str_mv openAccess
rights_invalid_str_mv Acceso abierto
dc.format.none.fl_str_mv pdf
application/pdf
dc.source.none.fl_str_mv reponame:Repositorio Institucional Abierto (UTN)
instname:Universidad Tecnológica Nacional
reponame_str Repositorio Institucional Abierto (UTN)
collection Repositorio Institucional Abierto (UTN)
instname_str Universidad Tecnológica Nacional
repository.name.fl_str_mv Repositorio Institucional Abierto (UTN) - Universidad Tecnológica Nacional
repository.mail.fl_str_mv gestionria@rec.utn.edu.ar; fsuarez@rec.utn.edu.ar
_version_ 1877230884670668800
score 13.265058

Publicaciones similares