Titulo:
Aplicaciones de aprendizaje automático para el análisis industrial de la provisión azucarera en Matanzas, Cuba
.
Sumario:
El análisis de los servicios ecosistémicos puede aportar conocimientos importantes sobre cómo se procesan y se obtienen los bienes del sistema agroindustrial azucarero. Para este trabajo, se recopilaron 346 datos del procesamiento industrial de la caña de azúcar en tres zafras, en la agroindustria del municipio Calimete, Provincia Matanzas (Cuba), con el objetivo de emplear algoritmos de aprendizaje automáticos, para predicciones relacionadas a datos biofísicos y económicos. Se analizaron siete predictores y mediante best subset selection, se identificó la combinación de rendimiento potencial en caña y pérdidas industriales totales, para predecir el servicio de provisión azucarera, mediante la regresión lineal múltiple. Se ajustó, también,... Ver más
Guardado en:
0123-4226
2619-2551
25
2022-12-31
Yasmany García-López, Lourdes Yamen González-Sáez, Alfredo Cabrera-Hernández - 2022
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
info:eu-repo/semantics/openAccess
http://purl.org/coar/access_right/c_abf2
| id |
metarevistapublica_udca_revistau.d.c.aactualidad_divulgacioncientifica_94_article_2334 |
|---|---|
| record_format |
ojs |
| institution |
UNIVERSIDAD DE CIENCIAS APLICADAS Y AMBIENTALES |
| thumbnail |
https://nuevo.metarevistas.org/UNIVERSIDADDECIENCIASAPLICADASYAMBIENTALES/logo.png |
| country_str |
Colombia |
| collection |
Revista U.D.C.A Actualidad & Divulgación Científica |
| title |
Aplicaciones de aprendizaje automático para el análisis industrial de la provisión azucarera en Matanzas, Cuba |
| spellingShingle |
Aplicaciones de aprendizaje automático para el análisis industrial de la provisión azucarera en Matanzas, Cuba García-López, Yasmany González-Sáez, Lourdes Yamen Cabrera-Hernández, Juan Alfredo Industria Predicción Modelo Provisión Azúcar Industry Prediction Model Provision Sugar |
| title_short |
Aplicaciones de aprendizaje automático para el análisis industrial de la provisión azucarera en Matanzas, Cuba |
| title_full |
Aplicaciones de aprendizaje automático para el análisis industrial de la provisión azucarera en Matanzas, Cuba |
| title_fullStr |
Aplicaciones de aprendizaje automático para el análisis industrial de la provisión azucarera en Matanzas, Cuba |
| title_full_unstemmed |
Aplicaciones de aprendizaje automático para el análisis industrial de la provisión azucarera en Matanzas, Cuba |
| title_sort |
aplicaciones de aprendizaje automático para el análisis industrial de la provisión azucarera en matanzas, cuba |
| title_eng |
Machine learning application to industrial analysis of the sugar provision in Matanzas, Cuba |
| description |
El análisis de los servicios ecosistémicos puede aportar conocimientos importantes sobre cómo se procesan y se obtienen los bienes del sistema agroindustrial azucarero. Para este trabajo, se recopilaron 346 datos del procesamiento industrial de la caña de azúcar en tres zafras, en la agroindustria del municipio Calimete, Provincia Matanzas (Cuba), con el objetivo de emplear algoritmos de aprendizaje automáticos, para predicciones relacionadas a datos biofísicos y económicos. Se analizaron siete predictores y mediante best subset selection, se identificó la combinación de rendimiento potencial en caña y pérdidas industriales totales, para predecir el servicio de provisión azucarera, mediante la regresión lineal múltiple. Se ajustó, también, un segundo modelo, que predice el efecto económico de las pérdidas industriales. En ambos modelos, se logró explicar por encima del 70 % de la variabilidad observada, en las variables dependientes, con un test F significativo (p-value: < 0,05), además de cumplirse con las condiciones de diagnóstico y validación.
|
| description_eng |
The analysis of ecosystem services can provide important insights into how goods are processed and obtained from the sugar agro-industrial system. For this work, 346 data were collected on the industrial processing of sugarcane in three harvest, in the agroindustry of the Calimete municipality, Matanzas Province (Cuba), with the objective to use the machine learning algorithm, to predict both, biophysical and economic data. Seven predictors were analyzed and by best subset selection, it was identified both the potential yield in sugarcane and the total industrial losses combination to predict the sugar provision service, by multiple linear regression. In addition, it was adjusted a second model to predict the economic effect of the industrial losses. In both models were able to explain over 70 % of the variability observed, in the dependent variables, with a significant F test (p-value: <0.05), also the diagnostic and validation conditions were met.
|
| author |
García-López, Yasmany González-Sáez, Lourdes Yamen Cabrera-Hernández, Juan Alfredo |
| author_facet |
García-López, Yasmany González-Sáez, Lourdes Yamen Cabrera-Hernández, Juan Alfredo |
| topicspa_str_mv |
Industria Predicción Modelo Provisión Azúcar |
| topic |
Industria Predicción Modelo Provisión Azúcar Industry Prediction Model Provision Sugar |
| topic_facet |
Industria Predicción Modelo Provisión Azúcar Industry Prediction Model Provision Sugar |
| citationvolume |
25 |
| citationissue |
2 |
| citationedition |
Núm. 2 , Año 2022 :Revista U.D.C.A Actualidad & Divulgación Científica. Julio-Diciembre |
| publisher |
Universidad de Ciencias Aplicadas y Ambientales U.D.C.A |
| ispartofjournal |
Revista U.D.C.A Actualidad & Divulgación Científica |
| source |
https://revistas.udca.edu.co/index.php/ruadc/article/view/2334 |
| language |
spa |
| format |
Article |
| rights |
http://creativecommons.org/licenses/by-nc/4.0 Yasmany García-López, Lourdes Yamen González-Sáez, Alfredo Cabrera-Hernández - 2022 Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0. info:eu-repo/semantics/openAccess http://purl.org/coar/access_right/c_abf2 |
| references |
ANDRADE SALTOS, V.A.; FLORES M., P. 2018. Comparativa entre classification trees, random forest y gradient boosting, en la predicción de la satisfacción laboral en Ecuador. Ciencia Digital. 2(4.1):42-54. https://doi.org/10.33262/cienciadigital.v2i4.1..189 2. AZADI, H.; VAN PASSEL, S.; COOLS, J. 2021. Rapid economic valuation of ecosystem services in man and biosphere reserves in Africa: A review. Global Ecology and Conservation. 28:e01697. https://doi.org/10.1016/j.gecco.2021.e01697 3. AZCUBA. 2020. Evaluación diaria para dirigir económicamente. Empresa Azucarera, Matanzas. Informe No. 096. Matanzas, Cuba. 4. BHATT, R. 2020. Resources management for sustainable sugarcane production. In: Kumar, S.; Meena, R.S.; Jhariya, M.K. (eds.), Resources use efficiency in agriculture. Springer. Singapore. p.647-693. https://doi.org/10.1007/978-981-15-6953-1_18 5. BULL, J.W.; JOBSTVOGT, N.; BÖHNKE-HENRICHS, A.; MASCARENHAS, A.; SITAS, N.; BAULCOMB, C.; LAMBINI, C.K.; RAWLINS, M.; BARAL, H.; ZÄHRINGER, J.; CARTER-SILK, E.; BALZAN, M.V.; KENTER, J.O.; HÄYHÄ, T.; PETZ, K.; KOSS, R. 2016. Strengths, Weaknesses, Opportunities and Threats: A SWOT analysis of the ecosystem services framework. Ecosystem Services. 7:99-111. http://dx.doi.org/10.1016/j.ecoser.2015.11.012 6. CARRASQUILLA-BATISTA, A.; CHACÓN-RODRÍGUEZ, A.; NÚÑEZ-MONTERO, K.; GÓMEZ-ESPINOZA, O.; VALVERDE-CERDAS, J.; GUERRERO-BARRANTES, M. 2016. Regresión lineal simple y múltiple: aplicación en la predicción de variables naturales relacionadas con el crecimiento microalgal. Tecnología en Marcha. Encuentro de Investigación y Extensión. 33-45. https://doi.org/10.18845/tm.v29i8.2983 7. CONTRERAS JUÁREZ, A.; ATZIRY ZUÑIGA, C.; MARTÍNEZ FLORES, J.L.; SÁNCHEZ PARTIDA, D. 2016. Análisis de series de tiempo en el pronóstico de la demanda de almacenamiento de productos perecederos. Estudios Gerenciales. 32(141):387-396. http://dx.doi.org/10.1016/j.estger.2016.11.002 8. EVERINGHAM, Y.; SEXTON, J.; SKOCAJ, D.; INMAN-BAMBER, G. 2016. Accurate prediction of sugarcane yield using a random forest algorithm. Agronomy for Sustainable Development. 36(27):1-9. https://doi.org/10.1007/s13593-016-0364-z 9. GABA, S.; LESCOURRET, F.; BOUDSOCQ, S.; ENJALBERT, J.; HINSINGER, P.; JOURNET, E.-P.; NAVAS, M.-L.; WERY, J.; LOUARN, G.; MALÉZIEUX, E.; PELZER, E.; PRUDENT, M.; OZIER-LAFONTAINE, H. 2015. Multiple cropping systems as drivers for providing multiple ecosystem services: from concepts to design. Agronomy for Sustainable Development. 35:607-623. https://doi.org/10.1007/s13593-014-0272-z 10. GRUNEWALD, K.; BASTIAN, O.; MANNSFELD, K. 2015. Development and Fundamentals of the ES Approach. En: Grunewald, K.; Bastian, O. (eds.) Ecosystem Services - concept, methods and case studies. Springer (Germany). p.13-34. https://doi.org/10.1007/978-3-662-44143-5_2 11. HAMMER, R.G.; SENTELHAS, P.C.; MARIANO, J.C.Q. 2019. Sugarcane yield prediction through data mining and crop simulation models. Sugar Tech. 22:216-225. https://doi.org/10.1007/s12355-019-00776-z 12. JAMES, G.; WITTEN, D.; HASTIE, T.; TIBSHIRANI, R. 2013. An Introduction to Statistical. With Applications in R. Springer (New York). 426p. https://doi.org/10.1007/978-1-4614-7138-7 13. KAUP, F. 2015. The sugarcane complex in Brazil. The role of innovation in a dynamic sector on its path towards sustainability. Contributions to Economics. Springer (Switzerland). 280p. https://doi.org/10.1007/978-3-319-16583-7 14. KEITH, A.M.; SCHMIDT, O.; MCMAHON, B.J. 2016. Soil stewardship as a nexus between Ecosystem Services and One Health. Ecosystem Services. 17:40-42. http://dx.doi.org/10.1016/j.ecoser.2015.11.008 15. KUMAR VERMA, A.; KUMAR GARG, P.; HARI PRASAD, K.S.; KUMAR DADHWAL, V.; KUMAR DUBEY, S.; KUMAR, A. 2020. Sugarcane yield forecasting model based on weather parameters. Sugar Tech. 23:158-166. https://doi.org/10.1007/s12355-020-00900-4 16. LIQUETE, C.; UDIAS, A.; CONTE, G.; GRIZZETTI, B.; MASI, F. 2016. Integrated valuation of a nature-based solution for water pollution control. Highlighting hidden benefits. Ecosystem Services. 22:392-401. http://dx.doi.org/10.1016/j.ecoser.2016.09.011 17. MARTÍNEZ PÉREZ, C.M.; DE LEÓN BENÍTEZ, J.B. 2012. Influencia de la calidad de la materia prima en el proceso tecnológico, calidad del producto final, y el rendimiento industrial en una fábrica de azúcar. Revista Centro Azúcar. 39(3):28-34. 18. NASHIRUDDIN, N.I.; FADZIYANA MANSOR, A.; RAHMAN, R.A.; ILIAS, R.M.D.; WAN YUSSOF, H. 2020. Process parameter optimization of pretreated pineapple leaves fiber for enhancement of sugar recovery. Industrial Crops and Products. 152:112514. https://doi.org/10.1016/j.indcrop.2020.112514 19. NATARAJAN, R.; SUBRAMANIAN, J.; PAPAGEORGIOU, E.I. 2016. Hybrid learning of fuzzy cognitive maps for sugarcane yield classification. Computers and Electronics in Agriculture. 127:147-157. http://dx.doi.org/10.1016/j.compag.2016.05.016 20. NAVARRO HERNÁNDEZ, H.; ROSTGAARD BELTRÁN, L. 2014. Impacto de la materia extraña en la calidad de los jugos de caña y en los indicadores de eficiencia de un central azucarero. Revista Centro Azúcar. 41:44-54. 21. NWANGANGA, F.; CHAPPLE, M. 2020. Practical Machine Learning in R. John Wiley and Sons (Indiana). 464p. https://doi.org/10.1002/9781119591542 22. PÉREZ IGLESIAS, H.; SANTANA AGUILAR, I.; RODRÍGUEZ DELGADO, I. 2015. Manejo sostenible de tierras en la producción de caña de azúcar. Ediciones UTMACH (Ecuador). 188p. Disponible desde Internet en: http://repositorio.utmachala.edu.ec/bitstream/48000/6649/1/16%20MANEJO%20SOSTENIBLE%20DE%20LA%20TIERRA%20EN%20LA%20PRODUCCION%20DE%20CA%C3%91A%20DE%20AZUCAR%20VOL%20II.pdf 23. R CORE TEAM. 2019. R: A language and environment for statistical computing. R Foundation for Statistical Computing. Austria. Disponible desde Internet en: https://www.R-project.org/ 24. RAHMAN, M.M.; ROBSON, A.J. 2016. A novel approach for sugarcane yield prediction using landsat time series imagery: A case study on bundaberg region. Advances in Remote Sensing. 5(2):93-102. http://dx.doi.org/10.4236/ars.2016.52008 25. RAMASUBRAMANIAN, K.; SINGH, A. 2019. Machine learning Using R: With time series and industry-based use cases in R. Second Edition. Springer. New York. 724p. https://doi.org/10.1007/978-1-4842-4215-5 26. RIBAS GARCÍA, M.; CONSUEGRA DEL REY, R.; ALFONSO ALFONSO, M. 2016. Análisis de los factores que más inciden sobre el rendimiento industrial azucarero. Revista Centro Azúcar. 43(1):51-60. 27. ROY, M.M.; CHANDRA, A. 2020. Optimizing sugar recovery in India: Need for an integrated approach. Acta Scientific Agriculture. 4(3):1-6. https://doi.org/10.31080/ASAG.2020.04.0806 28. SHAHZAD, S.; SHOKAT, S.; FIAZ, N.; HAMEED, A. 2017. Impact of yield and quality-related traits of sugarcane on sugar recovery. Journal of Crop Science and Biotechnology. 20:1-7. https://doi.org/10.1007/s12892-016-0048-2 29. SMITH, R.I.; DICK, J.; SCOTT, E.M. 2011. The role of statistics in the analysis of ecosystem services. Environmetrics. 22(5):608-617. https://doi.org/10.1002/env.1107 30. SUNDERLAND, T.; BUTTERWORTH, T. 2016. Meeting local economic decision-maker's demand for environmental evidence: The local environment and economic development (LEED) toolkit. Ecosystem Services. 17:197-207. http://dx.doi.org/10.1016/j.ecoser.2015.12.007 31. TARAFDAR, A.; KAUR, B.P.; NEMA, P.K.; BABAR, O.A.; KUMAR, D. 2020. Using a combined neural network - genetic algorithm approach for predicting the complex rheological characteristics of microfluidized sugarcane juice. LWT. 123:109058. https://doi.org/10.1016/j.lwt.2020.109058 32. VANG RASMUSSEN, L.; MERTZ, O.; CHRISTENSEN, A.E.; DANIELSEN, F.; DAWSON, N.; XAYDONGVANH, P. 2016. A combination of methods needed to assess the actual use of provisioning ecosystem services. Ecosystem Services. 17:75-86. http://dx.doi.org/10.1016/j.ecoser.2015.11.005 33. VILLASANTE, S.; LOPES, P.F.M.; COLL, M. 2016. The role of marine ecosystem services for human well-being: Disentangling synergies and trade-offs at multiple scales. Ecosystem Services. 17:1-4. http://dx.doi.org/10.1016/j.ecoser.2015.10.022 34. WAWERU WANGAI, P.; BURKHARD, B.; MULLER, F. 2016. A review of studies on ecosystem services in Africa. International Journal of Sustainable Built Environment. 5:225-245. http://dx.doi.org/10.1016/j.ijsbe.2016.08.005 35. WILLCOCK, S.; MARTÍNEZ-LÓPEZ, J.; HOOFTMAN, D.A.P.; BAGSTAD, K.J.; BALBI, S.; MARZO, A.; PRATO, C.; SCIANDRELLO, S.; SIGNORELLO, G.; VOIGT, B.; VILLA, F.; BULLOCK, J.M.; ATHANASIADIS, I.N. 2018. Machine learning for ecosystem services. Ecosystem Services. 33:165-174. https://doi.org/10.1016/j.ecoser.2018.04.004 36. ZIMMERMAN, D.L. 2020. Linear model theory. With examples and exercises. Springer. Switzerland. 525p. https://doi.org/10.1007/978-3-030-52063-2 |
| type_driver |
info:eu-repo/semantics/article |
| type_coar |
http://purl.org/coar/resource_type/c_6501 |
| type_version |
info:eu-repo/semantics/publishedVersion |
| type_coarversion |
http://purl.org/coar/version/c_970fb48d4fbd8a85 |
| type_content |
Text |
| publishDate |
2022-12-31 |
| date_accessioned |
2022-12-31T00:00:00Z |
| date_available |
2022-12-31T00:00:00Z |
| url |
https://revistas.udca.edu.co/index.php/ruadc/article/view/2334 |
| url_doi |
https://doi.org/10.31910/rudca.v25.n2.2022.2334 |
| issn |
0123-4226 |
| eissn |
2619-2551 |
| doi |
10.31910/rudca.v25.n2.2022.2334 |
| url4_str_mv |
https://revistas.udca.edu.co/index.php/ruadc/article/download/2334/2544 |
| url2_str_mv |
https://revistas.udca.edu.co/index.php/ruadc/article/download/2334/2545 |
| _version_ |
1811201190391709696 |
| spelling |
Aplicaciones de aprendizaje automático para el análisis industrial de la provisión azucarera en Matanzas, Cuba Machine learning application to industrial analysis of the sugar provision in Matanzas, Cuba El análisis de los servicios ecosistémicos puede aportar conocimientos importantes sobre cómo se procesan y se obtienen los bienes del sistema agroindustrial azucarero. Para este trabajo, se recopilaron 346 datos del procesamiento industrial de la caña de azúcar en tres zafras, en la agroindustria del municipio Calimete, Provincia Matanzas (Cuba), con el objetivo de emplear algoritmos de aprendizaje automáticos, para predicciones relacionadas a datos biofísicos y económicos. Se analizaron siete predictores y mediante best subset selection, se identificó la combinación de rendimiento potencial en caña y pérdidas industriales totales, para predecir el servicio de provisión azucarera, mediante la regresión lineal múltiple. Se ajustó, también, un segundo modelo, que predice el efecto económico de las pérdidas industriales. En ambos modelos, se logró explicar por encima del 70 % de la variabilidad observada, en las variables dependientes, con un test F significativo (p-value: < 0,05), además de cumplirse con las condiciones de diagnóstico y validación. The analysis of ecosystem services can provide important insights into how goods are processed and obtained from the sugar agro-industrial system. For this work, 346 data were collected on the industrial processing of sugarcane in three harvest, in the agroindustry of the Calimete municipality, Matanzas Province (Cuba), with the objective to use the machine learning algorithm, to predict both, biophysical and economic data. Seven predictors were analyzed and by best subset selection, it was identified both the potential yield in sugarcane and the total industrial losses combination to predict the sugar provision service, by multiple linear regression. In addition, it was adjusted a second model to predict the economic effect of the industrial losses. In both models were able to explain over 70 % of the variability observed, in the dependent variables, with a significant F test (p-value: <0.05), also the diagnostic and validation conditions were met. García-López, Yasmany González-Sáez, Lourdes Yamen Cabrera-Hernández, Juan Alfredo Industria Predicción Modelo Provisión Azúcar Industry Prediction Model Provision Sugar 25 2 Núm. 2 , Año 2022 :Revista U.D.C.A Actualidad & Divulgación Científica. Julio-Diciembre Artículo de revista Journal article 2022-12-31T00:00:00Z 2022-12-31T00:00:00Z 2022-12-31 text/xml application/pdf Universidad de Ciencias Aplicadas y Ambientales U.D.C.A Revista U.D.C.A Actualidad & Divulgación Científica 0123-4226 2619-2551 https://revistas.udca.edu.co/index.php/ruadc/article/view/2334 10.31910/rudca.v25.n2.2022.2334 https://doi.org/10.31910/rudca.v25.n2.2022.2334 spa http://creativecommons.org/licenses/by-nc/4.0 Yasmany García-López, Lourdes Yamen González-Sáez, Alfredo Cabrera-Hernández - 2022 Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0. ANDRADE SALTOS, V.A.; FLORES M., P. 2018. Comparativa entre classification trees, random forest y gradient boosting, en la predicción de la satisfacción laboral en Ecuador. Ciencia Digital. 2(4.1):42-54. https://doi.org/10.33262/cienciadigital.v2i4.1..189 2. AZADI, H.; VAN PASSEL, S.; COOLS, J. 2021. Rapid economic valuation of ecosystem services in man and biosphere reserves in Africa: A review. Global Ecology and Conservation. 28:e01697. https://doi.org/10.1016/j.gecco.2021.e01697 3. AZCUBA. 2020. Evaluación diaria para dirigir económicamente. Empresa Azucarera, Matanzas. Informe No. 096. Matanzas, Cuba. 4. BHATT, R. 2020. Resources management for sustainable sugarcane production. In: Kumar, S.; Meena, R.S.; Jhariya, M.K. (eds.), Resources use efficiency in agriculture. Springer. Singapore. p.647-693. https://doi.org/10.1007/978-981-15-6953-1_18 5. BULL, J.W.; JOBSTVOGT, N.; BÖHNKE-HENRICHS, A.; MASCARENHAS, A.; SITAS, N.; BAULCOMB, C.; LAMBINI, C.K.; RAWLINS, M.; BARAL, H.; ZÄHRINGER, J.; CARTER-SILK, E.; BALZAN, M.V.; KENTER, J.O.; HÄYHÄ, T.; PETZ, K.; KOSS, R. 2016. Strengths, Weaknesses, Opportunities and Threats: A SWOT analysis of the ecosystem services framework. Ecosystem Services. 7:99-111. http://dx.doi.org/10.1016/j.ecoser.2015.11.012 6. CARRASQUILLA-BATISTA, A.; CHACÓN-RODRÍGUEZ, A.; NÚÑEZ-MONTERO, K.; GÓMEZ-ESPINOZA, O.; VALVERDE-CERDAS, J.; GUERRERO-BARRANTES, M. 2016. Regresión lineal simple y múltiple: aplicación en la predicción de variables naturales relacionadas con el crecimiento microalgal. Tecnología en Marcha. Encuentro de Investigación y Extensión. 33-45. https://doi.org/10.18845/tm.v29i8.2983 7. CONTRERAS JUÁREZ, A.; ATZIRY ZUÑIGA, C.; MARTÍNEZ FLORES, J.L.; SÁNCHEZ PARTIDA, D. 2016. Análisis de series de tiempo en el pronóstico de la demanda de almacenamiento de productos perecederos. Estudios Gerenciales. 32(141):387-396. http://dx.doi.org/10.1016/j.estger.2016.11.002 8. EVERINGHAM, Y.; SEXTON, J.; SKOCAJ, D.; INMAN-BAMBER, G. 2016. Accurate prediction of sugarcane yield using a random forest algorithm. Agronomy for Sustainable Development. 36(27):1-9. https://doi.org/10.1007/s13593-016-0364-z 9. GABA, S.; LESCOURRET, F.; BOUDSOCQ, S.; ENJALBERT, J.; HINSINGER, P.; JOURNET, E.-P.; NAVAS, M.-L.; WERY, J.; LOUARN, G.; MALÉZIEUX, E.; PELZER, E.; PRUDENT, M.; OZIER-LAFONTAINE, H. 2015. Multiple cropping systems as drivers for providing multiple ecosystem services: from concepts to design. Agronomy for Sustainable Development. 35:607-623. https://doi.org/10.1007/s13593-014-0272-z 10. GRUNEWALD, K.; BASTIAN, O.; MANNSFELD, K. 2015. Development and Fundamentals of the ES Approach. En: Grunewald, K.; Bastian, O. (eds.) Ecosystem Services - concept, methods and case studies. Springer (Germany). p.13-34. https://doi.org/10.1007/978-3-662-44143-5_2 11. HAMMER, R.G.; SENTELHAS, P.C.; MARIANO, J.C.Q. 2019. Sugarcane yield prediction through data mining and crop simulation models. Sugar Tech. 22:216-225. https://doi.org/10.1007/s12355-019-00776-z 12. JAMES, G.; WITTEN, D.; HASTIE, T.; TIBSHIRANI, R. 2013. An Introduction to Statistical. With Applications in R. Springer (New York). 426p. https://doi.org/10.1007/978-1-4614-7138-7 13. KAUP, F. 2015. The sugarcane complex in Brazil. The role of innovation in a dynamic sector on its path towards sustainability. Contributions to Economics. Springer (Switzerland). 280p. https://doi.org/10.1007/978-3-319-16583-7 14. KEITH, A.M.; SCHMIDT, O.; MCMAHON, B.J. 2016. Soil stewardship as a nexus between Ecosystem Services and One Health. Ecosystem Services. 17:40-42. http://dx.doi.org/10.1016/j.ecoser.2015.11.008 15. KUMAR VERMA, A.; KUMAR GARG, P.; HARI PRASAD, K.S.; KUMAR DADHWAL, V.; KUMAR DUBEY, S.; KUMAR, A. 2020. Sugarcane yield forecasting model based on weather parameters. Sugar Tech. 23:158-166. https://doi.org/10.1007/s12355-020-00900-4 16. LIQUETE, C.; UDIAS, A.; CONTE, G.; GRIZZETTI, B.; MASI, F. 2016. Integrated valuation of a nature-based solution for water pollution control. Highlighting hidden benefits. Ecosystem Services. 22:392-401. http://dx.doi.org/10.1016/j.ecoser.2016.09.011 17. MARTÍNEZ PÉREZ, C.M.; DE LEÓN BENÍTEZ, J.B. 2012. Influencia de la calidad de la materia prima en el proceso tecnológico, calidad del producto final, y el rendimiento industrial en una fábrica de azúcar. Revista Centro Azúcar. 39(3):28-34. 18. NASHIRUDDIN, N.I.; FADZIYANA MANSOR, A.; RAHMAN, R.A.; ILIAS, R.M.D.; WAN YUSSOF, H. 2020. Process parameter optimization of pretreated pineapple leaves fiber for enhancement of sugar recovery. Industrial Crops and Products. 152:112514. https://doi.org/10.1016/j.indcrop.2020.112514 19. NATARAJAN, R.; SUBRAMANIAN, J.; PAPAGEORGIOU, E.I. 2016. Hybrid learning of fuzzy cognitive maps for sugarcane yield classification. Computers and Electronics in Agriculture. 127:147-157. http://dx.doi.org/10.1016/j.compag.2016.05.016 20. NAVARRO HERNÁNDEZ, H.; ROSTGAARD BELTRÁN, L. 2014. Impacto de la materia extraña en la calidad de los jugos de caña y en los indicadores de eficiencia de un central azucarero. Revista Centro Azúcar. 41:44-54. 21. NWANGANGA, F.; CHAPPLE, M. 2020. Practical Machine Learning in R. John Wiley and Sons (Indiana). 464p. https://doi.org/10.1002/9781119591542 22. PÉREZ IGLESIAS, H.; SANTANA AGUILAR, I.; RODRÍGUEZ DELGADO, I. 2015. Manejo sostenible de tierras en la producción de caña de azúcar. Ediciones UTMACH (Ecuador). 188p. Disponible desde Internet en: http://repositorio.utmachala.edu.ec/bitstream/48000/6649/1/16%20MANEJO%20SOSTENIBLE%20DE%20LA%20TIERRA%20EN%20LA%20PRODUCCION%20DE%20CA%C3%91A%20DE%20AZUCAR%20VOL%20II.pdf 23. R CORE TEAM. 2019. R: A language and environment for statistical computing. R Foundation for Statistical Computing. Austria. Disponible desde Internet en: https://www.R-project.org/ 24. RAHMAN, M.M.; ROBSON, A.J. 2016. A novel approach for sugarcane yield prediction using landsat time series imagery: A case study on bundaberg region. Advances in Remote Sensing. 5(2):93-102. http://dx.doi.org/10.4236/ars.2016.52008 25. RAMASUBRAMANIAN, K.; SINGH, A. 2019. Machine learning Using R: With time series and industry-based use cases in R. Second Edition. Springer. New York. 724p. https://doi.org/10.1007/978-1-4842-4215-5 26. RIBAS GARCÍA, M.; CONSUEGRA DEL REY, R.; ALFONSO ALFONSO, M. 2016. Análisis de los factores que más inciden sobre el rendimiento industrial azucarero. Revista Centro Azúcar. 43(1):51-60. 27. ROY, M.M.; CHANDRA, A. 2020. Optimizing sugar recovery in India: Need for an integrated approach. Acta Scientific Agriculture. 4(3):1-6. https://doi.org/10.31080/ASAG.2020.04.0806 28. SHAHZAD, S.; SHOKAT, S.; FIAZ, N.; HAMEED, A. 2017. Impact of yield and quality-related traits of sugarcane on sugar recovery. Journal of Crop Science and Biotechnology. 20:1-7. https://doi.org/10.1007/s12892-016-0048-2 29. SMITH, R.I.; DICK, J.; SCOTT, E.M. 2011. The role of statistics in the analysis of ecosystem services. Environmetrics. 22(5):608-617. https://doi.org/10.1002/env.1107 30. SUNDERLAND, T.; BUTTERWORTH, T. 2016. Meeting local economic decision-maker's demand for environmental evidence: The local environment and economic development (LEED) toolkit. Ecosystem Services. 17:197-207. http://dx.doi.org/10.1016/j.ecoser.2015.12.007 31. TARAFDAR, A.; KAUR, B.P.; NEMA, P.K.; BABAR, O.A.; KUMAR, D. 2020. Using a combined neural network - genetic algorithm approach for predicting the complex rheological characteristics of microfluidized sugarcane juice. LWT. 123:109058. https://doi.org/10.1016/j.lwt.2020.109058 32. VANG RASMUSSEN, L.; MERTZ, O.; CHRISTENSEN, A.E.; DANIELSEN, F.; DAWSON, N.; XAYDONGVANH, P. 2016. A combination of methods needed to assess the actual use of provisioning ecosystem services. Ecosystem Services. 17:75-86. http://dx.doi.org/10.1016/j.ecoser.2015.11.005 33. VILLASANTE, S.; LOPES, P.F.M.; COLL, M. 2016. The role of marine ecosystem services for human well-being: Disentangling synergies and trade-offs at multiple scales. Ecosystem Services. 17:1-4. http://dx.doi.org/10.1016/j.ecoser.2015.10.022 34. WAWERU WANGAI, P.; BURKHARD, B.; MULLER, F. 2016. A review of studies on ecosystem services in Africa. International Journal of Sustainable Built Environment. 5:225-245. http://dx.doi.org/10.1016/j.ijsbe.2016.08.005 35. WILLCOCK, S.; MARTÍNEZ-LÓPEZ, J.; HOOFTMAN, D.A.P.; BAGSTAD, K.J.; BALBI, S.; MARZO, A.; PRATO, C.; SCIANDRELLO, S.; SIGNORELLO, G.; VOIGT, B.; VILLA, F.; BULLOCK, J.M.; ATHANASIADIS, I.N. 2018. Machine learning for ecosystem services. Ecosystem Services. 33:165-174. https://doi.org/10.1016/j.ecoser.2018.04.004 36. ZIMMERMAN, D.L. 2020. Linear model theory. With examples and exercises. Springer. Switzerland. 525p. https://doi.org/10.1007/978-3-030-52063-2 https://revistas.udca.edu.co/index.php/ruadc/article/download/2334/2544 https://revistas.udca.edu.co/index.php/ruadc/article/download/2334/2545 info:eu-repo/semantics/article http://purl.org/coar/resource_type/c_6501 http://purl.org/coar/resource_type/c_1843 info:eu-repo/semantics/publishedVersion http://purl.org/coar/version/c_970fb48d4fbd8a85 info:eu-repo/semantics/openAccess http://purl.org/coar/access_right/c_abf2 Text Publication |