http://hdl.handle.net/20.500.11799/40982 2026-10-09T06:49:34Z http://hdl.handle.net/20.500.11799/144482 Hybrid Optimization of Wheat Yield Using Genetic Algorithms and Machine Learning With Phenotypic and Climatic Features Moreno Sánchez, Juan Carlos; Trueba Espinosa, Adrián; Ruiz Castilla, Sergio; Garcia Lamont, Farid Accurate wheat yield prediction is critical for global food security, yet existing forecasting models often struggle to balance high- dimensional genomic data with dynamic environmental variables. This study developed an automated framework based on genetic algorithms (GAs) to simultaneously optimize phenotypic selection, climatic feature engineering, and machine learning hyper-parameters. The framework was evaluated across two contrasting cultivation environments: irrigated (Mexico) and nonirrigated (Middle East). For the irrigated dataset, the model achieved a peak performance of coefcient of determination (R2) = 0.8363 and root mean squared error (RMSE) = 38.59, demonstrating that the proposed methodology is capable of predicting wheat yield with a R2 exceeding 0.80 under irrigated conditions. Meanwhile, in the nonirrigated environment, the system maintained robust predictive power with R2 = 0.6199 and RMSE = 721.67. To ensure the statistical reliability and reproducibility of these fndings, a bootstrapping validation (1000 iterations) was performed on the top-performing individuals. This process yielded narrow 95% confdence intervals, confrming that while the GA-optimized features provide higher stability in irrigated systems, the framework efectively captures genotype–environment interactions even under water-limited conditions. This dual-environment validation, underpinned by robust resampling techniques, demonstrates the scalability of the proposed soft computing approach for precision breeding across diverse agroclimatic zones. Artículo en revista científica indexada 2026-06-29T00:00:00Z http://hdl.handle.net/20.500.11799/144481 Comparative Evaluation of Segmentation Techniques on Maize Seeds Campo Leal, Juan Augusto; Diaz Gaxiola, Eduardo; Lizarraga Sarabia, Alejandro; Cervantes Canales, Jair; Garcia Lamont, Farid; Vega Lopez, Ines Fernando; Yee Rendon, Arturo In this study, we performed a comparative analysis of various segmentation techniques on a dataset of digital images depicting maize seeds. The dataset includes categories representing different quality levels of seed batches, labeled as worst, bad, average, good, and excellent. The objective of this study was to identify the most accurate combination of segmentation techniques and color spaces for maize seed segmentation. To achieve this, we systematically compared various segmentation techniques, including Otsu, Watershed, and K-means clustering, across different color spaces such as RGB, HSV, and grayscale. We evaluated the performance of these combinations using metrics like Intersection over Union (IoU), Mean Square Error (MSE), Pixel Accuracy (PA), Kappa (k) coefficient, and F-1 Score in images from the Maize Seed dataset. The results showed that the K-means segmentation technique in the HSV color space yielded the best results across all evaluated metrics. In particular, using the IoU metric in the HSV color space, K-means achieved mean values of 0.98, 0.97, 0.95, 0.91, and 0.91 for the categories excellent, good, average, bad, and worst, respectively. Artículo en revista científica indexada 2026-07-01T00:00:00Z http://hdl.handle.net/20.500.11799/144479 Segmentación de leucocitos en imágenes del plasma sanguíneo utilizando información de la intensidad Borgonio Guerrero, Adrian La biométrica es una disciplina que emplea diferentes técnicas para medir o extraer parámetros de ciertas características de los seres vivos. Su utilización en la medicina por ejemplo, se podría utilizar para automatizar o facilitar ciertos procesos, gracias a la implementación de tecnologías que podrían usar los métodos o algoritmos que se utilizan para dichas tareas y colocarlo como en este trabajo en un programa. Para el conteo y clasificación de células blancas ,de aquí en adelante CB, un técnico en biometría extrae una muestra de plasma sanguíneo; aplica un reactivo a dicha muestra para que las CB se vuelvan visibles; esta muestra es analizada bajo microscopio, en donde el técnico cuenta y clasifica, manualmente, las CB contenidas en la muestra. Un sistema de visión artificial puede ser implementado para este problema de manera sencilla, usando algún algoritmo de tratamiento de imágenes para poder identificar las CB, pudiendo cumplir la función de conteo y clasificación de estas. Esto ahorra tiempo y esfuerzo puesto que ya no se haría manualmente, también siendo un algoritmo programado y dejando el código fuente de dicho programa como código abierto, puede ser modificado y mejorado siendo más eficiente o bajando el tiempo que tarda en realizar las tareas; modificandolo para las necesidades de quien lo utilice, pudiendo incluso personalizar ciertos parámetros que pudieran influir en un mejor desempeño o reacondicionamiento de alguna otra función. El método que se utilizara aquí, se acomoda muy bien a la problemática, que es el conteo y clasificación de CB, siguiendo el método manual que se realiza, donde el técnico aplica un reactivo para que las CB se vuelvan visibles, gracias a esto que da una distinción de las CB con respecto a las demás células donde dicha diferencia se puede manejar por medio de un método de umbralización donde dicho método hace distinción de los diferentes tonos de intensidad en una imagen, el método para segmentar que se acomoda a esta necesidad seria el método de Otsu. Tesis de Licenciatura en Ingeniería en Computación 2026-09-25T00:00:00Z http://hdl.handle.net/20.500.11799/143755 Análisis Cualitativo de documentos de texto en español Hernández Jiménez, Gerardo; Cuevas Rasgado, Alma Delia; Hernández Espinosa, Rafael; Niño Membrillo, Yedid Erandini El artículo aborda la problemática del análisis de textos extensos, como entrevistas, dentro del ámbito de la investigación cualitativa. En los estudios de ciencias sociales, las herramientas de análisis cualitativo son fundamentales para organizar y extraer información relevante de corpus textuales. Estos datos son esenciales para investigaciones en áreas diversas como estudios económicos, investigación de mercados, opiniones electorales y temas sociales importantes como la violencia de género y la pandemia de COVID-19. El análisis de opiniones y testimonios presenta desafíos complejos, tales como: 1) la dificultad para distinguir entre opiniones y hechos, lo cual puede afectar la objetividad de los resultados; 2) la complejidad estructural de las entrevistas, que pueden variar significativamente en formato y contenido; y 3) el tiempo considerable que debe invertir el investigador para leer y analizar manualmente cada entrevista, lo cual limita la eficiencia y la productividad. Para enfrentar estos desafíos, se ha desarrollado el método de Codificación Cualitativa (CodCual), que incorpora técnicas de Procesamiento de Lenguaje Natural (PLN), como la segmentación automática de oraciones, utilizando la biblioteca NLTK (Natural Language Toolkit) en lenguaje de programación Python. Esta segmentación permite dividir el texto en unidades oracionales, facilitando la identificación y el marcado de fragmentos relevantes en entrevistas en español. Si bien no se emplean modelos complejos de PLN, este enfoque permite acelerar la codificación manual, organizar de mejor manera la información textual para reducir la carga operativa del análisis. La efectividad de CodCual fue evaluada mediante pruebas con 145 usuarios, demostrando que el método puede ser utilizado eficazmente por personas con diferentes niveles de experiencia en análisis cualitativo. Los resultados de las pruebas de funcionalidad con 75.2%+16.6% y usabilidad con 57.9%+28.3% como propiedades de la calidad de los productos de software destacan que CodCual mejora significativamente la eficiencia en la codificación y recuperación de información, permitiendo a investigadores y estudiantes concentrarse en el análisis profundo en lugar de en la lectura exhaustiva de textos. Esto convierte a CodCual en una herramienta valiosa, gratuita y de software libre para incrementar la productividad y precisión en la investigación cualitativa. Fue parte de un proyecto cuyos recursos no pudimos usar. Sobre un analizador cualitativo dfe textos en español, que se usa para identificar los mensajes principales de una entrevista con preguntas abiertas. 2026-01-01T00:00:00Z