Desarrollo de un algoritmo para predecir la producción de maíz en el departamento del Meta a 5 años, utilizando el lenguaje de programación Python.
Cargando...
Fecha
Autores
Director
Enlace al recurso
DOI
Google Scholar
Cvlac
gruplac
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad Santo Tomás
Compartir
Documentos PDF
Descripción
La producción de maíz en el departamento del Meta presenta variaciones asociadas al área sembrada, área cosechada, rendimiento, municipio y sistema de producción, lo cual dificulta la planeación agrícola, logística y productiva de mediano plazo. En este contexto, el presente estudio desarrolló un algoritmo predictivo en Python para estimar la producción de maíz en el Meta, utilizando microdatos históricos de la Unidad de Planificación Rural Agropecuaria (UPRA) correspondientes al periodo 2006–2024.
La metodología incluyó la recolección, depuración y organización de los datos, así como la homologación de la información por año, municipio y desagregación del cultivo.
Posteriormente, se aplicó un modelo de aprendizaje automático basado en Random Forest Regressor, incorporando como variables de entrada el año, municipio codificado, técnica de cultivo codificada, área sembrada, área cosechada y rendimiento. El modelo fue entrenado y validado mediante una división de datos 80/20, optimización de hiperparámetros con GridSearchCV y evaluación mediante métricas como RMSE, MAPE y R².
Los resultados mostraron que el algoritmo propuesto presentó un mejor desempeño frente a un método tradicional de media móvil de tres años, logrando una reducción del RMSE del 97,91 %, un MAPE de 7,90 % y un coeficiente R² de 0,9943. Asimismo, el análisis de importancia de variables identificó el área cosechada y el rendimiento como los factores de mayor peso en la predicción de la producción. Finalmente, se generó una proyección para el periodo 2025–2030, diferenciando entre maíz tecnificado y maíz tradicional. El estudio concluye que el algoritmo desarrollado puede servir como herramienta de apoyo para la toma de decisiones en la planeación agrícola, logística, de insumos, almacenamiento y abastecimiento del maíz en el departamento del Meta.
Abstract
Maize production in the department of Meta shows variations associated with planted area, harvested area, yield, municipality, and production system, which makes medium-term agricultural, logistical, and productive planning more difficult. In this context, this study developed a predictive algorithm in Python to estimate maize production in Meta, using historical microdata from the Rural Agricultural Planning Unit (UPRA) for the 2006–2024 period.
The methodology included data collection, cleaning, and organization, as well as the standardization of information by year, municipality, and crop classification. Subsequently, a machine learning model based on Random Forest Regressor was applied, using year, encoded municipality, encoded production technique, planted area, harvested area, and yield as input variables. The model was trained and validated using an 80/20 data split, hyperparameter optimization with GridSearchCV, and performance evaluation through RMSE, MAPE, and R² metrics.
The results showed that the proposed algorithm performed better than a traditional three- year moving average method, achieving a 97.91% reduction in RMSE, a MAPE of 7.90%, and an R² coefficient of 0.9943. Likewise, the feature importance analysis identified harvested area and yield as the variables with the greatest influence on production prediction. Finally, a projection was generated for the 2025–2030 period, differentiating between technified and traditional maize. The study concludes that the developed algorithm can serve as a support tool for decision-making in agricultural planning, logistics, input management, storage, and maize supply planning in the department of Meta.
Idioma
spa
Palabras clave
Citación
Rojas Perea, N. A (2026). Desarrollo de un algoritmo para predecir la producción de maíz en el departamento del Meta a 5 años, utilizando el lenguaje de programación Python. {Trabajo de grado, Universidad Santo Tomas}. Repositorio Institucional
Colecciones
Licencia Creative Commons
Attribution 2.5 Colombia