Luis Aguilar-Ibañez

Luis Aguilar-Ibañez

Auto-generated profile, based on publicly available information

Luis Aguilar-Ibañez

Departamento de Matemáticas, Peru

Research Focus & Metrics

Academic Career Length

6Years (2021-Present)

(Calculated once Scilit publication data is synced: current year − year of first publication + 1)

Representative Publications

View All Publications
30 June 2021 in Selecciones Matemáticas
Verified
Journal Article
Open access
PDF file
LILuis Aguilar I.
Luis Aguilar I.
MIMiguel Ibáñez-Reluz
Miguel Ibáñez-Reluz
JAJuan C. Z. Aguilar
Juan C. Z. Aguilar
EAElí Wilfredo Zavaleta Aguilar
Elí Wilfredo Zavaleta Aguilar
LAL. Antonio Aguilar
L. Antonio Aguilar
La pandemia SARS-CoV-2 ha tomado al mundo por sorpresa desde su descubrimiento en Diciembre del 2019, causando elevadas pérdidas en todo el mundo. En este trabajo, se desarrolló un modelo de aprendizaje profundo para predecir y pronosticar los casos diarios de SARS-CoV-2 en las regiones peruanas. Los datos utilizados pertenecen al conjunto de datos abierto covid-19, proporciondo por el Ministerio de Salud del Perú (MINSA). El conjunto de datos incluye los períodos desde el 03 de Marzo del 2020 hasta el 16 de Marzo del 2021. Se utilizó un enfoque de exclusión, creando datos de entranamiento y validación. Utilizando el conjunto de validación, se desarrolló una red neuronal convolucional temporal (TCN) con cinco capas de profundidad. El modelo se diseño para predecir la tendencia promedio junto con intervalos de predicción. Para encontrar la mejor configuración de hiperparámetros, se aplicó un enfoque bayesiano sobre el conjunto de validación. El modelo TCN se entrenó utilizando la configuración óptima. Una vez entrenado, el modelo fue capaz de predecir las diferentes tendecias de SARS-CoV-2 presentes en las regiones. A continuación, se realizó un pronóstico más allá de los datos disponibles, usando una ventana de 15 dias de adelanto (Marzo 17 a Marzo 31, 2021) para cada región. Resultados del pronóstico sugieren una tendencia sostenida para todas las regiones, con excepción de Lima. La performance del modelo fue evaluada usando las metricas MAE, MAD, MSLE y RMSLE, en el periodo de test, mostrando mejoras de métricas del entrenamiento para la validación del 14.534, 3.123, 0.042, 0.047 respectivamente.

11 September 2021
Verified
Book Chapter
Closed access
PDF file
IAI. Luis Aguilar
I. Luis Aguilar
MIMiguel Ibáñez-Reluz
Miguel Ibáñez-Reluz
JAJuan C. Z. Aguilar
Juan C. Z. Aguilar
EAElí Wilfredo Zavaleta Aguilar
Elí Wilfredo Zavaleta Aguilar
LAL. Antonio Aguilar
L. Antonio Aguilar

1 January 2026 in Ciência E Agrotecnologia
Verified
Journal Article
Open access
Manuel Jesús Sánchez CheroManuel Jesús Sánchez Chero
Manuel Jesús Sánchez Chero
Flabio GutierrezFlabio Gutierrez
Flabio Gutierrez
CGCarlos Granda-Wong
Carlos Granda-Wong
LALuis Aguilar-Ibañez
Luis Aguilar-Ibañez
The lemon tree (Citrus aurantifolia) is a highly commercial crop in northern Peru and is severely affected by the citrus leafminer pest (Phyllocnistis citrella). Early detection is vital to reduce yield losses caused by this pest. This research evaluated Machine Learning (SVM, KNN, DT, RF) and Deep Learning (CNN) algorithms to identify the presence of the leafminer across three stages of damage severity (Stage 1, Stage 2, Stage 3) and healthy leaves (No leafminer). A dataset of 1,134 field-acquired images was used. The base CNN achieved 85.71% accuracy. Through architectural optimization (adding three convolutional layers with 64, 128, and 256 filters and increasing the dense layer to 256 neurons), the optimized CNN reached 90.95% accuracy after 50 training epochs, outperforming traditional ML algorithms (79.05-84.29%). A benchmark using Google’s Teachable Machine (AutoML) platform achieved 96.86% overall accuracy, with class-specific accuracies of 94% (Stage 1), 96% (Stage 2), 97% (Stage 3), and 100% (No leafminer). Functional web and Android mobile prototypes integrating the optimized CNN model were developed for real-time field detection. These results demonstrate that the proposed architectural modifications yield superior pest detection performance, and that AutoML platforms can provide even higher accuracy, reducing technical barriers for farmers and researchers.