Modelització matemàtica d’arbres fruitals per la seva optimització

Abstract

En el context actual de canvi climàtic i creixement demogràfic, l’optimització de la producció d’aliments ha esdevingut un dels reptes d’enginyeria del segle XXI. Aquest Treball de Fi d’Estudis aborda aquesta problemàtica mitjançant el disseny, desenvolupament i validació d’un sistema de modelització matemàtica basat en tècniques d’aprenentatge automàtic (Machine Learning) per a la predicció del rendiment agrícola. L'objectiu central és transformar dades edafoclimàtiques i de gestió en coneixement predictiu que permeti una presa de decisions més eficient i sostenible. La metodologia s'ha estructurat al voltant d'un flux de treball seqüencial (pipeline) robust integrat en l’ecosistema de Python. S'ha realitzat un preprocessament exhaustiu de dades mitjançant l’ús de ColumnTransformers per gestionar la naturalesa híbrida del dataset, aplicant estandardització numèrica i codificació categòrica. En l'apartat de modelització, s'han comparat diverses arquitectures: des de la regressió lineal com a base de referència fins a models d'aprenentatge en conjunt com el Random Forest i el mètode d'impuls de gradient extrem (XGBoost). L’estudi s’ha validat utilitzant un conjunt de dades de més de 100.000 registres basat en l'Institut Agronòmic de l'Índia (ICAR), cobrint variables clau com els nutrients del sòl (N, P, K), el pH, la pluviometria i l’estrès tèrmic. Els resultats demostren la superioritat dels models no lineals; en particular, l’algorisme XGBoost optimitzat mitjançant una cerca exhaustiva d'hiperparàmetres (Grid Search), el qual ha assolit un coeficient de determinació (R2) de 0,88 i un error mitjà (RMSE) de 517,94 kg/ha. Aquesta precisió permet identificar els factors limitants de la producció i predir resultats amb un marge d'error altament competitiu. Finalment, el treball conclou que l'arquitectura proposada és totalment escalable i transferible, oferint una prova de concepte sòlida per a la implementació de tecnologies d'agricultura 4.0 en explotacions reals.