- Introducción
- Resumen
- Público Objetivo
- Metodología
- Datos
- Etapas del Proyecto
- Visualización en Power BI
- Herramientas y Librerías Utilizadas
- Contacto
Este proyecto tiene como objetivo desarrollar un análisis predictivo de la producción agrícola en Chiapas utilizando datos históricos de los años 2003 a 2023. A través de modelos de machine learning y regresión lineal, se identifican patrones y se realizan predicciones para los años 2024 a 2028, ayudando en la toma de decisiones para optimizar la producción agrícola en la región.
Se recopilaron datos históricos sobre la producción agrícola, clima, características del suelo, y datos socioeconómicos en Chiapas para los años 2003 a 2023. El proyecto incluye un análisis exploratorio de datos, modelado predictivo con algoritmos como Random Forest, XGBoost y Regresión Lineal, y la visualización de resultados mediante dashboards interactivos en Power BI.
Este proyecto está dirigido a agricultores, gestores de recursos naturales, y tomadores de decisiones en el sector agrícola de Chiapas. Además, es útil para investigadores, analistas de datos y autoridades locales interesadas en la planificación agrícola y la gestión de recursos.
Utilizamos un enfoque basado en metodologías ágiles para gestionar el proyecto, combinando la experiencia de científicos de datos y analistas. La metodología incluyó las siguientes etapas:
- Recolección de Datos: Obtención de datos históricos sobre producción, clima, suelos y datos socioeconómicos de Chiapas (2003-2023).
- Análisis Exploratorio: Identificación de patrones y correlaciones clave entre los factores climáticos, suelos, y producción agrícola.
- Modelado Predictivo: Desarrollo de modelos de machine learning como Random Forest, XGBoost y Regresión Lineal para prever la producción agrícola entre 2024 y 2028.
- Visualización e Informe: Creación de dashboards interactivos en Power BI para presentar los resultados de manera intuitiva y práctica.
- Producción Agrícola: Datos históricos de cultivos por región desde 2003 a 2023.
- Clima: Información sobre precipitación y temperatura.
- Suelos: Características de los tipos de suelos en las áreas de producción.
- Socioeconómicos: Datos sobre índices de pobreza y su impacto en la producción.
- Recolección y Preparación de Datos: Limpieza, normalización y consolidación de los datos relevantes.
- Análisis Exploratorio de Datos (EDA): Visualización y análisis de correlaciones para identificar factores clave.
- Modelado Predictivo: Desarrollo y validación de modelos de machine learning y regresión lineal para prever la producción agrícola de 2024 a 2028.
- Visualización de Resultados: Creación de dashboards en Power BI que permitan explorar las predicciones y obtener insights accionables.
Los dashboards interactivos en Power BI integran todas las fases del análisis. Permiten a los usuarios explorar predicciones y visualizar cómo las variaciones climáticas, tipo de suelo y condiciones socioeconómicas afectan la producción. Las herramientas de filtrado permiten ajustar por cultivo, región y periodo de tiempo para ofrecer una experiencia personalizada y enfocada. Los resultados mencionados se encuentran en la carpeta de Visualización acompañados de un video explicativo.
| Librería/Herramienta | Descripción |
|---|---|
| Python | Lenguaje de programación utilizado para análisis de datos y desarrollo de modelos predictivos. |
| Pandas | Librería de Python para la manipulación y análisis de datos estructurados. |
| NumPy | Librería fundamental para la computación numérica en Python, utilizada para operaciones con matrices y arrays. |
| Matplotlib | Librería de Python para la generación de gráficos y visualizaciones de datos en dos dimensiones. |
| Seaborn | Librería de Python basada en Matplotlib, utilizada para la visualización de datos estadísticos con gráficos avanzados y estilos mejorados. |
| Scikit-learn | Librería de Python para machine learning, utilizada para el desarrollo y validación de modelos predictivos. |
| QGIS | Software de código abierto para análisis geoespacial y visualización de datos espaciales. |
| Power BI | Herramienta de visualización de datos utilizada para crear dashboards interactivos e informes. |
| Jupyter | Plataforma interactiva basada en notebooks para desarrollo y presentación de análisis de datos. |
| Visual Studio Code | Editor de código fuente con soporte para múltiples lenguajes y herramientas de desarrollo. |
| GitHub | Plataforma de desarrollo colaborativo utilizada para la gestión del código y control de versiones. |
| Slack | Plataforma de comunicación para equipos, utilizada para la coordinación del proyecto. |
| Google Drive | Servicio de almacenamiento y colaboración de archivos en la nube. |
| Discord | Plataforma de comunicación por voz y texto para la coordinación del equipo. |
| Aplicación de mensajería utilizada para la comunicación rápida entre los miembros del equipo. |
| Integrantes | Rol | GitHub | |
|---|---|---|---|
| Rosa Isela Gonzales Diaz | Project Manager / Científica de Datos | GitHub | |
| Luis Miguel Hoyos Ordoñez | Analista de Datos | GitHub | |
| Marian Davinia Gil Montaño | Analista de Datos | GitHub | |
| Sandra Patricia Castaño Vásquez | Analista de Datos | GitHub |
¡Gracias por tu interés en nuestro proyecto! Este trabajo busca apoyar el desarrollo sostenible de la producción agrícola en Chiapas mediante un análisis basado en datos y modelos predictivos avanzados, proporcionando herramientas valiosas para la toma de decisiones.