Sistema lstm de diagnóstico predictivo de riesgos ambientales en el vivero Lastenia Vera Uleam el Carmen.

Abstract

El presente proyecto tiene como objetivo general desarrollar un sistema de diagnóstico predictivo de riesgos ambientales mediante redes LSTM, aplicado al monitoreo automatizado en el Vivero Lastenia Vera (ULEAM, extensión El Carmen). La problemática central radica en la vulnerabilidad de las plántulas de Theobroma cacao ante variaciones climáticas extremas; la carencia de instrumentación en tiempo real y la dependencia de decisiones empíricas incrementan significativamente el riesgo de estrés hídrico y térmico. Para la recolección de datos, se definió una población de 88 miembros de la comunidad técnica y académica, determinando una muestra de 72 estudiantes de Ingeniería Agropecuaria evaluados mediante encuestas, complementada con una entrevista a profundidad aplicada al coordinador del vivero. Para solucionar esta problemática, se construyó un motor de inferencia basado en Aprendizaje Profundo (Deep Learning). Desarrollado en Python utilizando TensorFlow/Keras, el ecosistema extrae historiales satelitales mediante la API de Open-Meteo, normaliza las variables y entrena una red neuronal LSTM empleando secuencias temporales de 7 días. Las pruebas de evaluación demostraron que la topología LSTM asimiló exitosamente la inercia térmica del microclima local, minimizando el Error Cuadrático Medio (MSE) y previniendo el sobreajuste. El algoritmo clasifica proactivamente el riesgo ambiental en niveles (Alto, Medio, Bajo), confirmando que la Inteligencia Artificial reemplaza y supera con precisión matemática al deficiente monitoreo empírico tradicional.