Implementación de un módulo de soporte de decisiones para Agricultura utilizando BIG DATA e inteligencia de negocios Integrado al sistema IOTMACH

La presente propuesta tecnológica, tiene como objetivo principal implementar un Módulo de soporte de decisiones para agricultura utilizando Big Data e Inteligencia de Negocios (BI) integrado al sistema iotmach. El presente trabajo se sustenta en el Análisis e investigación de las técnicas de Inteligencia de Negocios (BI), combinado Con el Internet de las cosas aplicadas a la agricultura de precisión, se propone Mediante procesos de integración de datos de distintas fuentes, realizar el Procesamiento analítico en línea (OLAP), donde los múltiples datos que se utilizan Para el diseño del Data Warehouse (DW) provienen de la red de sensores Inalámbricos (WSN) ubicados en parcelas y del sistema transaccional de monitoreo y Control. Los grandes volúmenes de datos, que se generan a través de la red de Sensores inalámbricos (WSN) llegan a gran velocidad en tiempo real a las bases de Datos nosql (Mongo Data Base - mongodb) y los datos obtenidos mediante el Software de monitoreo y control son almacenados en la base de datos relacional (posgresql). Una vez que los datos pasan por un proceso de extracción, Transformación y carga (ETL) mediante Pentaho Data Integration (Spoon), se crea el Almacenamiento de datos, elaborando un Big Data de alto rendimiento en Oracle Donde se almacenará información relacionada al último año de producción y Apache Hive como Big Data de bajo costo que incluirá los datos históricos de cultivo. Para el Diseño, análisis y construcción del sistema de Inteligencia de Negocios (BI), se utilizó La Metodología Hefesto, luego de esta fase, se diseña los cubos (OLAP), identificando Los Indicadores clave de desempeño (kpis) (Cultivo: Superficie de producción; Cosecha: Superficie de producción cosechada, número de unidades producidas, Rendimiento, costo de producción, precio de venta y utilidad neta; Plagas y Enfermedades: Número de plantas afectadas, número de hectáreas afectadas y Porcentaje de afectación; Haciendas y Parcelas: Área neta dedicada a cultivo, número De hectáreas cultivadas y porcentaje de superficie dedicada a cultivo; y Medidas de Sensores: Promedio de medida de sensores, valor mínimo, valor máximo, desviación Estándar y varianza). Mediante el proceso de Extracción, transformación y carga (ETL) Se carga la información a las bases de datos antes definidas según el año de Producción, posteriormente se realiza un proceso de virtualización de los datos, con el Fin de obtener una combinación satisfaciendo las necesidades de negocio por medio De Denodo Data Platform (VDP), este proceso de virtualización se lo realiza Combinando los datos mediante Joins, creando vistas para su posterior lectura, luego estas vistas son leídas en Pentaho, para posteriormente hacer un Análisis de cubos Con los visores Pivot4J y Saiku. La interacción de todos los cubos conforma el Sistema De Soporte de Decisiones (DSS). También es posible visualizar un panel de control (Dashboard) que integra varios Indicadores claves de desempeño (KPI’s) de cubos en El Sistema de Información Ejecutiva (EIS). Como resultado de esta propuesta se crea una aplicación que brinda al agrónomo o Empresario, la posibilidad de realizar un análisis descriptivo de sus cultivos, cosechas, Cantidad de plagas o enfermedades, información de parcelas y haciendas y lecturas Proporcionadas por la red de sensores inalámbricos, y así toda esa información Almacenada sea de gran importancia para la toma de decisiones orientadas a la Mejora de la efectividad del cultivo y cosecha.

• Hovedforfatter: Jiménez Ruiz, Fernanda Elizabeth (author)
• Format: bachelorThesis
• Udgivet: 2016
• Fag: BIG DATA; AGRICULTURA DE PRECISIÓN; INTELIGENCIA DE NEGOCIOS; IOT, DATA WAREHOURSE; DATA MART; METODOLOGÍA HEFESTO.
• Online adgang: http://repositorio.utmachala.edu.ec/handle/48000/7778