Sistema de control de calidad de datos agroclimatológicos para agricultura de precisión

Abstract

Después de una extensa revisión de la literatura, se observa que el control de calidad de los datos es un proceso muy importante para la agricultura de precisión que puede ser considerado en la recolección de datos. En consecuencia esta propuesta permite definir una serie de mecanismos de control de calidad de datos, que son un componente principal en la arquitectura para un sistema de adquisición de datos SAD, además como se realiza en el sitio de observación se debe tener en cuenta la información que se genera en los sensores que toman datos de fenómenos ambientales y climatológicos que son muy relevantes para un sistema de control de calidad y es el conocimiento del ambiente que lo rodea. Este enfoque puede proporcionar a los SAD la capacidad de comprender las situaciones de su entorno con el fin de mejorar la calidad de datos para la toma de decisiones. Como resultado de esta propuesta se tiene un arquitectura validada en un ambiente real que proporción datos con un grado de calidad aceptable, haciendo uso de mecanismos de control de calidad definidos y evaluados en un ambiente simulado para después ser un componente principal dentro del motor de calidad de datos, además la inserción de información contextual a nivel del fabricante, sitio de observación y datos generados de los sensores. Todo esto sumado a ambiente de aprendizaje por reforzamiento realizado al interior del sistema de adquisición para convertir el proceso de control de calidad en un ciclo de mejora continua. Como conclusión se definieron una serie de mecanismos de control de calidad identificados, evaluados e implementados para ser accesible por todo el público. Incluyendo la información contextual modelada por estándares abiertos según la iniciativa SWE, además de su implementación y aporte al proceso de control de calidad en la selección y definición de parámetros, por ser un ambiente cambiante se permite generar un aprendizaje continuo que repercute en generar cada vez más datos de mayor calidad, el método usado es un aprendizaje por reforzamiento que se ejecuta localmente. La conclusión más importante es la definición de una arquitectura de referencia que incluye un motor de calidad, un motor de aprendizaje y un motor de conocimiento global y local que permita mejorar la calidad de los datos capturados por un sistema de adquisición SAD.

After an extensive review of the literature, it appears that the control of data quality is an important precision agriculture can be considered in the data collection process. Consequently the proposal to define a series of mechanisms of quality control data, which are a major component in the architecture for a system of data acquisition SAD, as well as performed at the observing site should take into account the information It generated in the sensors that takes data from environmental and climate phenomena that are very relevant to a system of quality control and knowledge of the surrounding environment. This approach can provide the SAD the ability to understand the situations of their environment in order to improve the quality of data for decision-making. As a result of this proposal has a validated architecture in a real environment to share data with an acceptable level of quality, using quality control mechanisms defined and evaluated in a simulated environment and then be a major component in the engine quality data, plus the inclusion of contextual information at the manufacturer level, site observation and data generated from the sensors. All this combined with reinforcement learning environment performed within the acquisition system to convert the quality control process in a cycle of continuous improvement. As a conclusion a number of quality control mechanisms identified, evaluated and implemented to be accessible by all public defined. In addition to the inclusion of contextual information for open standards modeled according to SWE initiative, in addition to its contribution to the process implementation and quality control in the selection and definition of parameters to be a changing environment can generate a continuous learning impact generate more data in better quality every time, the method used is a reinforcement learning running locally. The most important conclusion is the definition of a reference architecture that includes a quality motor, motor learning and motor of global and local knowledge to improve the quality of the data captured by an acquisition system SAD.