1
REVISTA CUBANA
DE TRANSFORMACIÓN DIGITAL
RNPS 2487 • ISSN 2708-3411
Vol. 5 • Nro. 1 • ene-mar 2024 • e251
ARTÍCULO ORIGINAL
Transformación digital en la Unidad Docente
Productiva «El Guayabal»
Digital transformation in the Productive Teaching Enit «El Guayabal»
Neili Machado García
neili.machado@gmail.com • https://orcid.org/0000-0001-6294-6481
Gabriel Alberto Pérez Guerra
gabrielpg@unah.edu.cu • https://orcid.org/0000-0001-6438-3627
Claudia Aguilar Rajme
claudiaar@unah.edu.cu • https://orcid.org/0000-0002-1733-2867
UNIVERSIDAD AGRARIA DE LA HABANA
Recibido: 2023/10/25 • Aceptado: 2024/02/21
RESUMEN
La agricultura es una actividad fundamental para la supervivencia de la humanidad, ya que
proporciona alimentos, materias primas y recursos naturales para la vida cotidiana, además
de su importancia económica; la agricultura también tiene un gran impacto en el medio
ambiente y la sociedad. Es una actividad que debe ser gestionada de manera responsable y
sostenible, para garantizar el bienestar de las generaciones presentes y futuras. Los sistemas
de soporte a la toma de decisiones son herramientas valiosas para este sector, que pueden
ayudar a mejorar ese proceso y aumentar la eficiencia y la productividad del sector agrícola.
En esta investigación se define el procedimiento que se debe seguir para apoyar la toma de
decisiones sobre la producción agrícola, en la Unidad Docente Productiva «El Guayabal». En
este procedimiento se tienen en cuenta los indicadores medioambientales de esa área
geográfica y los resultados productivos históricos, para ayudar a los expertos y productores a
decidir dónde y cuándo sembrar qué cultivos, para obtener los mejores resultados. Se hace
necesario entonces almacenar, de forma estructurada, la información de los cultivos del
centro y vincularla con los datos de la zona que están disponibles en un Sistema de
Información Geográfica, para luego analizarlo de conjunto y que se pueda llegar a conclusiones
basadas en los resultados de ese análisis.
Palabras clave:
transformación digital, toma de decisiones, agricultura, datos espaciales,
sistemas de información geográfica.
ABSTRACT
Agriculture is a fundamental activity for the survival of humanity, as it provides food, raw
materials and natural resources for daily life. In addition to its economic importance,
agriculture also has a great impact on the environment and society. It is an activity that must
2
REVISTA CUBANA
DE TRANSFORMACIÓN DIGITAL
Transformación digital en la Unidad Docente Productiva «El Guayabal»
Machado García, N., Pérez Guerra, G. A.,
Aguilar Rajme, C.
be managed in a responsible and sustainable manner to ensure the well-being of present and
future generations. Decision support systems are valuable tools for this sector, which can help
improve decision making and increase the efficiency and productivity of the agricultural sector.
This research defines the procedure to be followed to support decision making on agricultural
production in the Productive Teaching Unit «El Guayabal». This procedure takes into account
the environmental indicators of this geographical area and the historical production results to
help experts and producers decide where and when to plant which crops to obtain the best
results. For this purpose, it is necessary to store in a structured way the information of the
crops of the center and link it with the data of the area that are already available in a
Geographic Information System in order to analyze it together and reach conclusions based on
the results of such analysis.
Keywords:
digital transformation, decision support, agriculture, spatial data, geographic
information systems.
INTRODUCCIÓN
Según informe Programa Mundial de Alimentos de las Naciones Unidas (PMA o WFP, por sus siglas en inglés),
el número de personas que padecen hambre en el mundo alcanzaba los 828 millones en 2021, mientras que el
sobrepeso y la obesidad continúan aumentando en todas las regiones del mundo (WFP, 2023). Esto evidencia un
marcado desbalance en las condiciones de vida y alimentación. Según los expertos de la Organización de las Naciones
Unidas para la Alimentación y la Agricultura (FAO, por sus siglas en inglés), el crecimiento y la transformación continua
del sector agropecuario ofrecen oportunidades sustanciales para el desarrollo agrícola, la reducción de la pobreza,
los avances en materia de seguridad alimentaria y la mejora de la nutrición humana (World Health Organization,
2020).
En Cuba, debido a que existen dificultades para la adquisición de recursos, el Gobierno ha trazado el Plan
Nacional de Soberanía Alimentaria y Educación Nutricional (Plan SAN) (Consejo de Ministros de Cuba, 2020), el cual
se sustenta en la capacidad de la nación para producir alimentos de forma sostenible y dar acceso a la población a
una alimentación balanceada, nutritiva e inocua, al reducir la dependencia de medios e insumos externos, con
respeto a la diversidad cultural y responsabilidad ambiental. Así mismo, se aprobaron en abril de 2021 sesenta y tres
medidas (Castro, Ramos, Del Sol González, y Veloz Placencia, 2021), de las cuales treinta se consideran prioritarias y
algunas de implementación inmediata, todas orientadas al sector agropecuario, y se propone impulsar el desarrollo
local entre productores y cooperativas agropecuarias, para la gestión conjunta de actividades productivas que
incrementen el valor agregado de las producciones primarias.
Si a esto se suma la política de informatización de la sociedad (Consejo de Ministros de Cuba, 2017), que se
aplica actualmente en el país, se hace necesario dar un enfoque científico de la agricultura. La inteligencia artificial
(IA) tiene el potencial de mejorar significativamente la eficiencia y productividad de este sector, y proporcionar una
mayor seguridad alimentaria para la población mundial. Puede ayudar a los agricultores a tomar decisiones
informadas sobre el uso de recursos, como el agua y los nutrientes, y a identificar y controlar plagas y enfermedades.
Por otra parte, los avances tecnológicos han llevado al desarrollo de drones y sensores que generan grandes
3
REVISTA CUBANA
DE TRANSFORMACIÓN DIGITAL
Transformación digital en la Unidad Docente Productiva «El Guayabal»
Machado García, N., Pérez Guerra, G. A.,
Aguilar Rajme, C.
cantidades de datos y la IA permite procesar todo ese volumen de información más fácilmente, de forma tal que se
obtengan datos útiles para los agricultores (Ramón Fernández, 2020).
Existen varias formas de procesar y analizar esos datos, una de ellas es utilizar algoritmos de aprendizaje
automático (ML, por sus siglas en inglés) para detectar patrones y tendencias en los datos. Por ejemplo, los algoritmos
de ML pueden utilizarse para analizar imágenes de cultivos, detectar plagas o enfermedades, analizar datos
meteorológicos y predecir las condiciones climáticas futuras. Estas herramientas permiten a los agricultores visualizar
y analizar fácilmente los datos, lo que les ayuda a tomar decisiones informadas sobre el uso de recursos y el manejo
de cultivos. Además, algunas de estas herramientas y algoritmos están disponibles en plataformas en la nube, lo que
permite a los agricultores acceder a los datos y analizarlos desde cualquier lugar y en cualquier momento (Ponte,
Espinosa, Gibeaux de González, y González, 2021).
Al momento de tomar decisiones en el sector agrícola es importante poder analizar los diferentes factores que
inciden sobre una cosecha, como pueden ser tipo de suelo, los minerales presentes en él, la época del año,
características climatológicas, tipo de cultivo y fertilizantes utilizados, entre otros. En muchas ocasiones, estos datos
provienen de diferentes fuentes y la forma que existe para poder conocer cuáles corresponden al área de interés es
necesaria para ubicarlos geográficamente. La georreferencia es la ubicación concreta de un punto en un sistema de
coordenadas geográficas (ASALE, 2022), por lo que al tener la información georreferenciada se pueden visualizar en
un mapa y relacionar con otros datos, siempre y cuando estos también estén georreferenciados. La
georreferenciación de los datos permite a los agricultores ver cómo los factores ambientales (clima, suelo, relieve,
etc.) afectan a los cultivos en diferentes áreas. También ayuda a planificar y administrar mejor los recursos (agua,
fertilizantes, etc.), al poder identificar las áreas que requieren más atención y que los recursos necesarios para su
rendimiento sea mayor (Angulo Orobio, 2023). Los datos georreferenciados pueden ser utilizados como una fuente
valiosa de información para mejorar los procesos de toma de decisiones en la agricultura.
Algunas de las herramientas para ayudar a que las personas tomen mejores decisiones se conocen como
Sistemas de Soporte de Decisión (DSS, por sus siglas en inglés). El apoyo a una decisión significa auxiliar a las personas
para que reúnan conocimientos, generen alternativas y sugieran decisiones, basados fundamentalmente en IA y ML.
A nivel internacional, se pueden encontrar múltiples ejemplos de estos sistemas, algunos de ellos en las
investigaciones de Jacobs (2019); Charania y Li (2020); Trichkova y Paunova (2021); Malvar, Badam y Chandra (2022);
y Climate FieldView (2023).
En el contexto de Cuba, los procesos de digitalización de la sociedad se enfocan hacia la llamada
transformación digital (TD); sin embargo, en el sector de la agricultura esas transformaciones son mucho más lentas,
aunque se aprecian avances. Ejemplos de estos avances se pueden encontrar en los trabajos de Machado, González,
y Balmaseda (2014); Molina, Pereira y García (2015); Machado, Machado, Rodríguez y Balmaseda (2016); Franco,
Guerra, García y Pérez (2022); y Martínez, Molina, García y López (2022).
La Universidad Agraria de La Habana Fructuoso Rodríguez Pérez (UNAH) cuenta con la Unidad Docente
Productiva (UDP) «El Guayabal», la cual es una granja agrícola ubicada en el municipio de San José de Las Lajas, que
posee áreas de producción agropecuaria centradas fundamentalmente en mostrar la aplicación de la ciencia y la
tecnología en el campo agrario. En estas áreas se llevan a cabo investigaciones que contribuyen a la formación teórica
y práctica de estudiantes y al mejoramiento de la producción de alimentos. La UDP cuenta con un registro histórico
de las producciones obtenidas desde 2001 hasta la actualidad. Estos valores no están georreferenciados, por lo que
actualmente no se puede establecer relación alguna entre esos resultados productivos y las características del
entorno que pueden o no incidir sobre ellos y, por tanto, solo se puede llevar el registro de lo que ya se produjo sin
4
REVISTA CUBANA
DE TRANSFORMACIÓN DIGITAL
Transformación digital en la Unidad Docente Productiva «El Guayabal»
Machado García, N., Pérez Guerra, G. A.,
Aguilar Rajme, C.
posibilidad de valorar la incidencia de otros factores para decisiones futuras, por lo que esta investigación se propone
como objetivo desarrollar una infraestructura capaz de integrar datos geográficos de fuentes heterogéneas en un
SIG, con un procedimiento para el apoyo a la toma de decisiones en la producción agrícola de la UDP «El Guayabal».
Esta investigación tiene especial relevancia, ya que genera herramientas informáticas que contienen
información correspondiente al área de la granja. Entre ellas destaca la base de datos del SIG, con todas las capas de
información georreferenciada que posee de la zona. El clima y los recursos naturales son factores que afectan la
producción agrícola; su influencia en un cultivo determinado depende de las características de la localidad geográfica
y las condiciones específicas de producción, por lo que tener conocimiento de estas puede hacer la diferencia a la
hora de obtener resultados en la producción.
METODOLOGÍA
En este capítulo se realiza una caracterización del área de estudio y se presentan las características de la
información que fue utilizada durante esta investigación. Luego se presenta el procedimiento que se debe seguir
para el apoyo a la toma de decisiones y, finalmente, las herramientas de software utilizadas para el almacenamiento
y la gestión de la información.
Caracterización del área de estudio
La investigación se realizó en la UDP «El Guayabal», la cual se encuentra ubicada en las coordenadas
22°59′57.49″N y 82°10′09.42″W, a las afueras del poblado de San José de las Lajas. Pertenece a la provincia
Mayabeque, específicamente a la UNAH, de la cual se encuentra a solo 5,3 km. Esta unidad docente combina el
trabajo de investigación de estudiantes y profesores del Complejo Científico Docente
1
con la producción
agropecuaria y permite la validación de esas investigaciones en un escenario controlado. Las producciones
resultantes de esta entidad se destinan fundamentalmente para contribuir a la alimentación de los estudiantes,
profesores y trabajadores del complejo (Pérez, Franco, Ruiz, y García, 2022).
Posee una extensión de 665,7 ha, equivalente a 49,6 caballerías. Su área agrícola es de 72,2 ha y sus suelos son
predominantemente ferralíticos rojos. En este centro se desarrollan procesos de ingeniería, agrícolas, de salud y
reproducción animal. Así mismo, se trabaja en la ceba de toros, recría, apicultura, acuicultura y en la comercialización
de estos. Su área productiva cuenta con cría de ganado mayor y menor, como: vacas, cerdos, aves, conejos y peces.
El centro se caracteriza por la labor investigativa y científica, así como por la producción agropecuaria que se
pretende sea cada vez mayor (Franco, 2022). En ella predominan los suelos de tipo ferralítico rojo con una
erodabilidad baja, lo cual indica que el factor generador del fenómeno en esta localidad está asociado básicamente
a la erosión por impacto y al efímero escurrimiento producido durante las precipitaciones (Vega, Febles, y Tolón,
2011).
De acuerdo con el Instituto de Meteorología (INSMET) (2022), el clima de la zona, comprende dos épocas o
estaciones perfectamente definidas: una de abundantes lluvias y temperatura, humedad relativa, evaporación y
horas/sol más altas, que comprende los meses de mayo a octubre, y otra que se caracteriza por valores menores a
los indicadores señalados, que incluye de noviembre a abril. En la época de lluvias, las precipitaciones alcanzan 67,2
% del total anual, con un promedio de precipitación anual de 87 mm; sin embargo, hay una gran variación entre
1
El Complejo Científico Docente está formado por la UNAH, el Centro Nacional de Sanidad Agropecuaria (CENSA), el Instituto
Nacional de Ciencias Agrícolas (INCA) y el Instituto de Ciencia Animal (ICA).
5
REVISTA CUBANA
DE TRANSFORMACIÓN DIGITAL
Transformación digital en la Unidad Docente Productiva «El Guayabal»
Machado García, N., Pérez Guerra, G. A.,
Aguilar Rajme, C.
épocas del año, lo que permite dividir los meses de muy secos a muy húmedos. La temperatura media del aire alcanza
sus valores mayores en julio y agosto (32 ºC) y los valores inferiores en enero y febrero (16 ºC y 18 ºC). El promedio
mensual de evaporación alcanza su valor máximo en mayo (230,6 mm) y su valor mínimo en diciembre (113,6 mm).
En general, los valores de máxima evaporación se corresponden con los de máxima insolación.
Para el desarrollo de esta investigación, los directivos del centro facilitaron los siguientes documentos: Reporte
Anual de la Producción Agrícola (2020-2021), Resumen Mensual de la Producción Agrícola en Proceso (2018-2021) y
los Boletines Económicos (2011-2019).
Estos documentos permitieron determinar los productos que se cultivan en la UDP y las fechas de siembra y
cosecha. Para determinar las ubicaciones geográficas de las principales áreas productivas, los directivos del centro
guiaron un recorrido por las áreas. Se utilizó la herramienta informática para dispositivos móviles Fields Area Measure
Pro
2
,la cual permitió —con la ayuda del GPS y las imágenes satelitales— mapear áreas de producción agropecuaria.
Utilizando esta técnica se marcaron y etiquetaron las diferentes áreas de producción agrícola de la UDP «El
Guayabal», así como la localización y extensión de la máquina de riego (tipo Fregat).
Toda la información espacial obtenida se almacenó en ficheros de información geográfica (SHP, KML y OSM),
con sus respectivas fechas de creación. Por otro lado, el Departamento de Suelos de la Facultad de Agronomía de la
UNAH facilitó los mapas de suelo del área, los cuales contienen los tipos de suelo presentes en el área y la
concentración de fósforo, magnesio, potasio y pH de los suelos.
En la Facultad de Ciencias Económicas y Empresariales (FCEE) de la UNAH, como parte del proyecto no asociado
a programa «Desarrollo del escenario tecnológico-científico-docente-productivo de la agricultura cubana en la Granja
Universitaria Guayabal», se confecciona el Anuario Estadístico del Guayabal, con la información brindada por los
directivos del centro. Este anuario, en su primera versión, comprende datos entre 2002 y 2011, de los cincuenta
indicadores (tabla 1) asociados a la producción en este período, conteniendo así un total de 2 380 registros.
Tabla 1. Indicadores presentes en el Anuario Estadístico del Guayabal
No.
Indicador
Unidad de medida
1
Producción de huevo
unidad
2
Cantidad de gallinas ponedoras a inicios del mes
cabezas
3
Cantidad de gallinas ponedoras a finales del mes
cabezas
4
Cantidad de gallinas ponedoras promedio en el mes
cabezas
5
Rendimiento de gallinas ponedoras
unidad/cabezas
6
Carne de gallina
kg
7
Gallinas sacrificadas
unidad
8
Rendimiento de gallinas sacrificadas
cabezas
9
Peso promedio total de gallinas sacrificadas
kg
10
Cantidad de pollos de ceba
cabezas
11
Pollos de ceba sacrificados
cabezas
12
Rendimiento de pollos de ceba sacrificados
cabezas
13
Cantidad carne de conejo
kg
2
Herramienta para dispositivos móviles desarrollada por la empresa Farmis, dedicada a la medición de terrenos, utilizando la
ayuda de dispositivos GPS e imágenes satelitales.
6
REVISTA CUBANA
DE TRANSFORMACIÓN DIGITAL
Transformación digital en la Unidad Docente Productiva «El Guayabal»
Machado García, N., Pérez Guerra, G. A.,
Aguilar Rajme, C.
No.
Indicador
Unidad de medida
14
Cantidad de conejos sacrificados
cabezas
15
Rendimiento de conejos sacrificados
cabezas
16
Peso promedio de conejos sacrificados
kg
17
Cantidad carne de cerdo
kg
18
Cantidad de cerdos sacrificados
cabezas
19
Rendimiento de cerdos sacrificados
cabezas
20
Peso total de cerdos sacrificados
cabezas
21
Cantidad de carne vacuna
kg
22
Cantidad de sacrificios vacunos
cabezas
23
Rendimiento de sacrificios vacunos
kg/cabezas
24
Peso total de vacunos sacrificados
kg
25
Cantidad de carne de búfalos
kg
26
Cantidad de sacrificios de búfalo
cabezas
27
Rendimiento de sacrificios de búfalos
kg/cabezas
28
Peso total de sacrificios de búfalos
kg
29
Plan de producción de leche
litros
30
Producción real de leche
litros
31
Rendimiento de vacas en ordeño
litros/cabeza
32
Nacimientos
cabezas
33
Existencias de vacas
cabezas
34
Muertes de vacas
cabezas
35
Cantidad de carne ovinos-caprinos
kg
36
Cantidad de ovinos-caprinos sacrificados
cabezas
37
Rendimiento de ovinos-caprinos sacrificados
kg/cabezas
38
Peso total de ovinos-caprinos sacrificados
kg
39
Cantidad de carne equina
kg
40
Cantidad de equinos sacrificados
cabezas
41
Rendimiento de equinos sacrificados
kg/cabezas
42
Peso total de equinos sacrificados
kg
43
Cantidad de viandas en huertos y organopónicos
kg
44
Cantidad de hortalizas en huertos y organopónicos
kg
45
Cantidad de granos en huertos y organopónicos
kg
46
Cantidad de frutales en huertos y organopónicos
kg
47
Cantidad de viandas en áreas de hasta 100 ha
kg
48
Cantidad de hortalizas en áreas de hasta 100 ha
kg
49
Cantidad de granos en áreas de hasta 100 ha
kg
50
Cantidad de frutales en áreas de hasta 100 ha
kg
Procesamiento de ficheros espaciales, datos climáticos e indicadores para la toma de decisiones
Para procesar los ficheros espaciales y almacenar su contenido en una base de datos espacial, se utilizaron las
herramientas proporcionadas por PostGIS. Los programas shp2sql y ogr2ogr, incorporados en PostGIS, contienen las
7
REVISTA CUBANA
DE TRANSFORMACIÓN DIGITAL
Transformación digital en la Unidad Docente Productiva «El Guayabal»
Machado García, N., Pérez Guerra, G. A.,
Aguilar Rajme, C.
herramientas necesarias para la importación de ficheros de mapas a una base espacial PostgreSQL. Estos pueden ser
ejecutados desde la terminal del sistema
3
.
Mediante el uso de los comandos de la terminal, los ficheros se procesan y adicionan en la base de datos como
tablas independientes, pudiéndose visualizar como capas en el SIG (PostGIS, 2022).
El estado del tiempo se obtuvo a partir de la información suministrada por INSMET. Las características de su
sitio web y la carencia de servicios web hacen imposible ejecutar esta tarea de forma automatizada. La información
fue obtenida de su sitio web institucional y formateada a la estructura JSON. Se seleccionaron como valores para
almacenar: las temperaturas máxima y mínima, el porcentaje de humedad, la velocidad del viento y el acumulado de
lluvias en 24 horas.
Teniendo en cuenta los datos que ya se recogían para el anuario, y tras realizar varios análisis de conjunto con
los directivos y especialistas de la granja, fue necesario añadir otros valores que se manejan en el centro, pero que
no se llevaban al reporte final de producción, como son el desglose por tipo de cultivo para que, además de la
producción total de viandas, granos, frutas y hortalizas, sea posible determinar, por ejemplo, cuánto corresponde a
boniato y cuánto a malanga, siendo estos cultivos los que se relacionan directamente con el área donde están
sembrados en el SIG y no el tipo de cultivo en sí. También es necesario almacenar qué cultivo hay sembrado en las
áreas y la fecha de siembra y cosecha. Esto se utiliza para enmarcar el período de tiempo en que estuvo sembrado y
poder asociarlo a los registros del clima diarios de la granja. Se debe registrar, además, el plan de producción de esa
siembra, para luego cuando se coseche y se calcule el total de producción real determinar si este se cumplió o no, y
tomarlo como variable de referencia para la toma de decisiones.
Relaciones entre los datos de las diferentes fuentes
A partir de las investigaciones de Agarwal y Rajan (2016) y Deprizio (2020), que demuestran la fiabilidad y
posibilidades que brinda PostgreSQL, con su extensión PostGIS para el almacenamiento y procesamiento de
información espacial, se seleccionaron estas herramientas para administrar la información espacial. Con el objetivo
de visualizar la información espacial se utilizó QGIS. Las investigaciones de Ruiz Fernández (2016) y Olivo Bermeo
(2019) demuestran la utilidad de QGIS como software SIG de código abierto y su gran cantidad de funcionalidades
disponibles.
A partir de los datos que se recopilan para el anuario se diseñó una base de datos (cultivos_guayabal), la cual
cuenta con cuatro entidades: producción, área, cultivo y área_cultivo. En producción se almacenan los tipos de
producción: viandas, frutas, hortalizas y granos. Los registros de área y área_cultivo se corresponden con las áreas
geográficas, en las cuales se encuentra dividida la UDP, geográficamente delimitadas en el SIG, y los cultivos que hay
sembrados en cada una de ellas según la fecha. Los cultivos responderán a un tipo de producción y podrán estar
sembrados en diferentes áreas, así como en un área se podrán tener varios cultivos en diferente fecha. Para un
cultivo sembrado en un área en una fecha específica, se debe almacenar la fecha de recogida, el plan de producción
y una vez cosechado se debe registrar la producción real, la cual se divide en producción de cultivos permanentes y
temporales: la suma de estos será la producción real que habrá que valorar con respecto al plan de producción para
determinar si se cumplió o no.
3
Programa informático que provee una interfaz de usuario para acceder a los servicios del sistema operativo. Dependiendo del
tipo de interfaz que empleen, las terminales pueden ser: De líneas texto, Gráficos, De lenguaje natural.
8
REVISTA CUBANA
DE TRANSFORMACIÓN DIGITAL
Transformación digital en la Unidad Docente Productiva «El Guayabal»
Machado García, N., Pérez Guerra, G. A.,
Aguilar Rajme, C.
Finalmente, para el análisis de los datos se emplea el software Weka en su versión de escritorio 3.8.6, al cual
se le deben introducir los datos mediante un archivo ARFF. Como se tienen los datos almacenados en dos bases de
datos diferentes, fue necesario implementar una arquitectura orientada a servicios que se comunicaran con ambas,
extrajera la información necesaria y creara el archivo ARFF. Para la clasificación se utiliza el algoritmo J48 y para el
agrupamiento el algoritmo SimpleKMeans. Los resultados del procesamiento de los datos sirven para que los
encargados de tomar decisiones en la granja puedan hacerlo sobre la base del conocimiento. Esto es posible por las
estadísticas y relaciones que se observan en los resultados expuestos por Weka.
RESULTADOS Y DISCUSIÓN
En este capítulo se presentan los resultados obtenidos con la infraestructura desarrollada. Se ejemplifica el
uso de esa infraestructura con varios ficheros de información geográfica, conseguidos por el estudio en el centro. Se
muestra la realización del proceso desde la entrada de datos y su captura mediante la aplicación móvil, hasta su
visualización en el software SIG, además del tratamiento de la información climática que es introducida al software.
Infraestructura de software para el almacenamiento y la visualización de información espacial
Las fuentes de información disponibles nutrieron la base de datos por medio de una herramienta desarrollada
utilizando Spring Boot. Los trabajos de Jayawardana et al. (2018) y Dinh-Tuan et al. (2020) realizan una comparación
entre diferentes marcos de microservicios y concluyen que Spring Boot es uno de los más útiles y estandarizados de
los últimos años. Los servicios web permiten procesar los diferentes formatos de ficheros espaciales (SHP, KML y
OSM) y adicionar la información al servidor geoDataImporter. Además, se incluye en la base de datos el estado del
tiempo proveniente de un fichero en formato JSON.
Se adicionó a los nombres de las capas una marca de fecha y hora, que permitió converger en la misma base
de datos varios objetos geográficos de la misma zona a lo largo del tiempo, añadiendo así una marca de tiempo a las
capas. Se utilizó el siguiente formato de fecha y hora: YYYY-MM-DDHHmm, donde YYYY es el año actual (cuatro
cifras), MM el mes actual (dos cifras), DD el día actual (dos cifras), HH la hora actual en formato de 24 horas (dos
cifras) y mm los minutos actuales (dos cifras).
Información geográfica de la UDP «El Guayabal»
Para obtener ficheros espaciales con información de las áreas de producción agropecuaria de la UDP, se utilizó
la herramienta Fields Area Measure Pro con uso del GPS, donde se localizaron las áreas de producción agrícola del
centro y el área que abarca la máquina de riego y el brazo mecánico. Una vez incorporados los datos en la base de
datos se procedió a su visualización mediante QGIS. La figura 1a muestra un ejemplo de varias capas importadas,
utilizando la infraestructura desarrollada. En este ejemplo fueron incluidas dos capas: áreas agrícolas guayabal y área
de la máquina de riego. Se incorporó además una capa compuesta por las imágenes satelitales de la zona
provenientes de los servicios de Google Maps. En la figura 1b se pueden apreciar las áreas de producción agrícola y
el tipo de suelo sobre el que se encuentran ubicadas, así como la información de los datos del clima de la zona. En
QGIS se puede alternar entre las capas y realizar consultas especializadas sobre esta.
9
REVISTA CUBANA
DE TRANSFORMACIÓN DIGITAL
Transformación digital en la Unidad Docente Productiva «El Guayabal»
Machado García, N., Pérez Guerra, G. A.,
Aguilar Rajme, C.
(a) (b)
Fig. 1 Áreas productivas de la UDP Guayabal.
Inteligencia Artificial en la UDP «El Guayabal»
A partir de los datos almacenados en las bases de datos presentadas en el capítulo anterior (cultivos_guayabal
y geo_guayabal), se implementó una arquitectura orientada a servicios, que permite extraer la información necesaria
de ambas fuentes y crear el archivo ARFF. En este caso se generó el fichero data-2022-8.arff, que incluye la
información de agosto de 2022. Una vez se tiene la información en este formato se procede a cargarlo con el software
Weka para su análisis. Lo primero que se puede conocer es la cantidad de instancias y atributos presentes en el
archivo, en este caso 372 y 22 respectivamente. Del atributo que esté seleccionado se puede observar el nombre,
tipo de dato, cantidad de instancias y porcentaje que representan del total, cantidad de valores distintos que toma
el atributo en el conjunto de datos y porcentaje de valores que están en solo una de las instancias, o sea, que son
únicos. Por cada uno de los atributos se puede conocer los valores que toman y observar sus histogramas. Además,
se puede visualizar una matriz donde se ve la relación que existe entre todos los atributos.
Para la clasificación se crea un árbol de decisión con el algoritmo J48. En los datos de salida del algoritmo se
puede observar que el grado de confiabilidad del árbol es de 100 %, ya que de un total de 372 instancias fueron
ignoradas 93 (tenían asignado como valor una clase desconocida, debido a que en esas áreas no se sembró y, por
tanto, no había un plan de producción que cumplir) y las 279 restantes fueron clasificadas correctamente, teniendo
186 en el grupo de las que sí cumplieron el plan y 93 en el de las que no cumplieron (figura 2). Con este análisis se
identificó que la variable que realmente influye en que se cumpla o no el plan de producción es la concentración de
magnesio en el suelo, ya que en los casos donde el valor es menor o igual a 1,71 sí se cumplió la producción, pero
cuando era mayor no.
10
REVISTA CUBANA
DE TRANSFORMACIÓN DIGITAL
Transformación digital en la Unidad Docente Productiva «El Guayabal»
Machado García, N., Pérez Guerra, G. A.,
Aguilar Rajme, C.
Fig. 2 Análisis de los resultados del algoritmo de clasificación J48.
Posteriormente, se realizó el agrupamiento o clústers, donde al aplicar el algoritmo SimpleKMeans se obtuvo
un total de dos clústers, luego de tres iteraciones; se encontraron 186 instancias en cada uno de ellos, lo que significa
que en cada uno se puede ubicar 50 % del total de instancias (figura 3).
Fig. 3 Análisis de los resultados del algoritmo de agrupamiento SimpleKMeans.
También se puede visualizar esta información mediante gráficos para su mejor comprensión, lo que permite
seleccionar qué variables se desea obtener en cada uno de los ejes de coordenadas, así como la posibilidad de
11
REVISTA CUBANA
DE TRANSFORMACIÓN DIGITAL
Transformación digital en la Unidad Docente Productiva «El Guayabal»
Machado García, N., Pérez Guerra, G. A.,
Aguilar Rajme, C.
aumentar el número de instancias (las genera con valores similares a los de los datos reales y los ubica en el clúster
que le corresponde), para ver cómo sería el comportamiento de los clústers. Esta es solo una parte de la información
que se puede obtener de un conjunto de datos utilizando Weka y que puede servir como punto de partida para tomar
decisiones sobre la base del conocimiento.
CONCLUSIONES
El despliegue de la infraestructura conformada por el software SIG QGIS, el SGBD PostgreSQL (con su extensión
PostGIS para la manipulación de información espacial) y el software desarrollado geoDataImporter permite crear un
entorno colaborativo de intercambio de información espacial, y facilita la actualización y visualización de la
información espacial de las áreas de producción agrícola a los directivos de la UDP «El Guayabal» y a los estudiantes
y profesores que desarrollan investigaciones en este centro.
Se estableció el procedimiento que se debe seguir para el apoyo a la toma de decisiones en el área agrícola de
la UDP «El Guayabal», que consta de cinco pasos:
1. Identificar indicadores que determinan el cumplimiento o no del plan de producción.
2. Almacenar la información de producción, asociándola al área geográfica donde está sembrada.
3. Relacionar esa información con el resto de indicadores mediante el componente espacial.
4. Procesar el conjunto de datos resultante.
5. Tener en cuenta los resultados durante la toma de decisiones.
Se analizaron las técnicas y los algoritmos que posee Weka para el procesamiento de datos, resultando
elegidos el árbol de decisión J48 para la técnica de clasificación y el SimpleKMeans para el agrupamiento, sus
resultados constituyen los elementos para el apoyo a la toma de decisiones en el área agrícola de la UDP.
REFERENCIAS
Agarwal, S., y Rajan, K. S. (2016). Performance analysis of MongoDB versus PostGIS/PostGreSQL databases for line
intersection and point containment spatial queries. Spatial Information Research, 24(6): 671-677. Springer.
Angulo Orobio, J. R. (2023). El papel de la georreferenciación y las tecnologías en el campo de la zootecnia.
ASALE, R. (2022). Georreferencia. «Diccionario de la lengua española»-Edición del Tricentenario. Recuperado a partir
de https://dle.rae.es/georreferencia
Castro, Y., Ramos, G. L., del Sol González, Y., y Veloz Placencia, G. (2021, abril 15). Sesenta y tres medidas para
incrementar la producción de alimentos en el país. Granma.cu. Recuperado diciembre 14, 2022, a partir de
https://www.granma.cu/cuba/2021-04-15/sesenta-y-tres-medidas-para-incrementar-la-produccion-de-
alimentos-en-el-pais
Charania, I., y Li, X. (2020). Smart farming: Agriculture’s shift from a labor intensive to technology native industry.
Internet of Things, 9, 100142. Elsevier.
Climate FieldView (2023). Digital Farming decisions and insights to maximize every acre. Recuperado enero 31, 2023,
a partir de https://climate.com/
12
REVISTA CUBANA
DE TRANSFORMACIÓN DIGITAL
Transformación digital en la Unidad Docente Productiva «El Guayabal»
Machado García, N., Pérez Guerra, G. A.,
Aguilar Rajme, C.
Consejo de Ministros de Cuba (2017). Política Integral para el Perfeccionamiento de la Informatización de la Sociedad
en Cuba 2017.
Consejo de Ministros de Cuba (2020). Plan Nacional de Soberanía Alimentaria y Educación Nutricional. La Habana:
Gaceta Oficial de la República.
Deprizio, J. (2020, enero 29). Comparative Analysis of Database Spatial Technologies (CADST) (Thesis). Fairfax, USA:
George Mason University. Recuperado a partir de http://mars.gmu.edu/handle/1920/11656
Dinh Tuan, H., Mora Martínez, M., Beierle, F., y Garzon, S. R. (2020). Development Frameworks for Microservice-
based Applications: Evaluation and Comparison. Proceedings of the 2020 European Symposium on Software
Engineering, 12-20. Presentado en ESSE 2020: 2020 European Symposium on Software Engineering, Rome Italy:
ACM. doi:10.1145/3393822.3432339
Franco, I. S., Guerra, G. A. P., García, D. N. M., y Pérez, D. M. E. R. (2022). Procesamiento de consultas en un Sistema
de Información Geográfica. Anuario Ciencia en la UNAH, 20(3).
Franco Sosa, I. (2022). Método para la realización de consultas en un Sistema de Información Geográfica. Caso de
estudio UDP “El Guayabal”, Tésis en opción al título de Máster en Biomatemática. San José, Mayabeque:
Universidad Agraria de La Habana Fructuoso Rodríguez Pérez.
INSMET (2022, agosto). Resumen Sinóptico Mensual. Instituto de Meteorología. Recuperado octubre 30, 2022, a
partir de
http://www.insmet.cu/asp/genesis.asp?TB0=PLANTILLAS&TB1=MES&TB2=/Mes/SEPTIEMBRE2021.HTM&TB3=
2021
Jacobs, F. (2019). Plan de negocios: empleo de drones en la agricultura de precisión. Universidad de San Andrés.
Escuela de Negocios.
Jayawardana, Y., Fernando, R., Jayawardena, G., Weerasooriya, D., y Perera, I. (2018). A Full Stack Microservices
Framework with Business Modelling. 2018 18th International Conference on Advances in ICT for Emerging
Regions (ICTer), 78-85. Presentado en 2018 18th International Conference on Advances in ICT for Emerging
Regions (ICTer). doi:10.1109/ICTER.2018.8615473
Machado García, N., González Ruiz, L., y Balmaseda Espinosa, C. (2014). Recuperación de objetos geoespaciales
utilizando medidas de similitud semántica. Revista Cubana de Ciencias Informáticas, 8(2): 132-144. Universidad
de las Ciencias Informáticas.
Machado García, N., Machado Molina, M., Rodríguez Lohuiz, I., y Balmaseda Espinosa, C. (2016). Técnicas semánticas
en la localización geoespacial de los suelos en Cuba utilizando medidas de similitud espacial. Revista Ciencias
Técnicas Agropecuarias, 25(4): 47-54. 1986, Universidad Agraria de La Habana.
Malvar, S., Badam, A., y Chandra, R. (2022). FarmBeats: Digital Water for Agriculture. Resource Magazine, 29(4), 40-
42. American Society of Agricultural and Biological Engineers.
Martínez, M. Y., Molina, M. M., García, N. M., y López, E. V. (2022). Técnicas de aprendizaje supervisado para la
detección y clasificación de enfermedades y defectos en imágenes de frutas: revisión. Magazine de las Ciencias:
Revista de Investigación e Innovación, 7(1), 1-16.
13
REVISTA CUBANA
DE TRANSFORMACIÓN DIGITAL
Transformación digital en la Unidad Docente Productiva «El Guayabal»
Machado García, N., Pérez Guerra, G. A.,
Aguilar Rajme, C.
Molina, M. M., Pereira, A. G., y García, N. M. (2015). Sistema automatizado para la determinación del estado de
maduración en fruta bomba. Revista Ciencias Técnicas Agropecuarias, 24, 56-61. Universidad Agraria de La
Habana Fructuoso Rodríguez Pérez.
Olivo Bermeo, M. J. (2019, septiembre 24). Comparativas de software sig libre y comercial para estudios Ambientales.
(Thesis). Ecuador: Pontifica Universidad Católica de Ecuador. Recuperado a partir de
http://localhost/xmlui/handle/123456789/1974
Pérez Guerra, G. A., Franco Sosa, I., Ruiz, M. E., y García Machado, N. (2022). Integración de distintas fuentes de datos
en un Sistema de Información Geográfica. Presentado en XVI Conferencia Científica Ingeniería Agrícola AGRING
2022, San José, Mayabeque.
Ponte, D., Espinosa, A., Gibeaux de González, S., y González, C. (2021). Estado actual del aprendizaje automatizado
aplicado al Internet de las cosas para automatizar procesos agrícolas. Universidad Autónoma de Chiriquí.
PostGIS, O. W. (2022, julio). PostGIS. Official Documentation. PostGIS. Recuperado agosto 1, 2022, a partir de
https://postgis.net/docs/using_postgis_dbmanagement.html
Ramón Fernández, F. (2020). Inteligencia Artificial y Agricultura: nuevos retos en el sector agrario. Campo Jurídico
(Online), 8(2): 123-139. Faculdade São Francisco de Barreiras.
Ruiz Fernández, E. (2016). Comparativa de software para la Realización de Simbolización Cartográfica. Asturias,
España: Universidad de Oviedo.
Trichkova Kashamova, E., y Paunova Hubenova, E. (2021). Integrated software solutions in animal husbandry. 2021
International Conference Automatics and Informatics (ICAI), 248-251. IEEE.
Vega, M. B., Febles, J. M., y Tolón, A. (2011). Evaluación de la erosión potencial de los suelos mediante la metodología
CORINE en distritos pecuarios de la provincia Mayabeque, Cuba, 7.
World Food Programme (2023). Una crisis alimentaria mundial. Recuperado febrero 17, 2023, a partir de
https://es.wfp.org/crisis-global-hambre
World Health Organization (2020). The state of food security and nutrition in the world 2020: transforming food
systems for affordable healthy diets, vol. 2020. Food & Agriculture Org.
Copyright © 2024, Machado García, N.; Pérez Guerra, G. A., Aguilar Rajme, C.
Este obra está bajo una licencia de Creative Commons Atribución-No Comercial 4.0 Internacional
