Predicción del rendimiento de un cultivo de naranja 'Valencia' mediante redes neuronales de regresión generalizada

  • Edwin Hernández-Caraballo Universidad Centroccidental Lisandro Alvarado, Venezuela
Palabras clave: Citrus sinensis, rendimiento, composición foliar, sistema de diagnóstico de la composición nutricional

Resumen

El rendimiento de un cultivo es el resultado de una multiplicidad de variables, cuyas complejas interacciones hacen que sea difícil de predecir por medios convencionales. Las redes neuronales de regresión generalizada constituyen una alternativa prometedora para dicha tarea, gracias a su capacidad para modelar relaciones no lineales, sin la necesidad de conocer la naturaleza explícita de las mismas. El presente trabajo tuvo como propósito evaluar dicha aproximación, en la predicción del rendimiento de un cultivo de naranja ‘Valencia’ (Citrus sinensis L. Osbeck), a partir de las concentraciones en el tejido foliar de nitrógeno, fósforo, potasio, calcio, y magnesio. Especial énfasis se hizo en el tratamiento de los datos de entrada/salida, utilizando técnicas convencionales (normalización, estandarización, y componentes principales), y otras no convencionales (cálculos de los log-cociente centrado, e índices nutricionales individuales nutricionales individuales y globales, a partir del Sistema de Diagnóstico de la Composición Nutricional). Los resultados mostraron que, entre las estudiadas, la combinación índices nutricionales individuales/rendimiento normalizado (Error de predicción= 0,98 kg·árbol-1), y componentes principales no rotados/rendimiento normalizado (Error de predicción= 0,51 kg·árbol-1) condujeron al desarrollo de las redes neuronales con las mejores capacidades de predicción del rendimiento, evidenciadas por los menores errores de predicción anteriormente indicados.

Descargas

La descarga de datos todavía no está disponible.

Biografía del autor/a

Edwin Hernández-Caraballo, Universidad Centroccidental Lisandro Alvarado, Venezuela

Doctor en química analítica, profesor en el Decanato de Agronomia de la Universidad Centroccidental “Lisandro Alvarado”. Correo: ehernandez@ucla.edu.ve

Referencias

Aitchison, J. (1982). The statistical analysis of compositional data. J. Royal Stat. Soc. Series B. Vol. 44, pp 139-177.
Arizaleta, M., Rodríguez, O., Rodríguez, V. (2002). Relación de los índices DRIS, índices de balance de nutrientes, contenido foliar de nutrientes y el rendimiento del cafeto en Venezuela. Bioagro. Vol. 14, pp 153-159.
Asuero, A. G., Sayago, A., González, A. G. (2006). The correlation coefficient: an overview. Ccrit. Rev. Anal. Chem. Vol. 36, pp 41-59.
Ávila G. de Hernández, R. M., Rodríguez Pérez, V., Hernández Caraballo, E. A. (2012). Predicción del rendimiento de un cultivo de plátano mediante redes neuronales artificiales de regresión generalizada. Publ. Cien. Tec. Vol. 6, pp 31-40.
Bauer, M. M. (1995). Generalized regression neural network for technical use. Master's Thesis, University of Wisonsin-Madison, USA.
Elisseeff, A., Pontil, M. (2002). Leave-one-out error and stability of learning algorithms with applications. J. Mach. Learn. Reas. Vol 1, pp 6-21.
Fornaciari, M., Orlandi, F., Romano, B. (2005) Yield forecasting for olive trees: a new approach in a historical series (Umbria, Central Italy). Agron. J. Vol. 97, pp 1537-1542.
Food and Agriculture Organization (2008). Statistic Database (FAOStat) [En línea]. Disponible en: (Fecha de último acceso: Abril 13, 2014)
Hernández-Caraballo, E. A., Rivas, G., Ávila de Hernández, R. M. (2005). Evaluation of a generalized regression artificial neural network for extending cadmium´s working calibration range in graphite furnace atomic absorption spectrometry. Anal. Bioanal. Chem. Vol. 381, pp 788-794.
Hernández-Caraballo, E. A., Rodríguez-Rodríguez, O., Rodríguez-Pérez, V. (2009). Corrigendum to “Evaluation of the Boltzmann equation as an alternative model in the selection of the high-yield subsample within the framework of the compositional nutrient diagnosis system”. Environ. Exp. Bot. Vol. 65, pp 91.
Jackson, J. E. (1991). A user´s guide to principal components. Wiley Series in Probability and Mathematical Statistics. USA.
Kitchen, N. R., Drummond, S. T., Lund, E. D., Sudduth, K. A., Buchleiter, G. W. (2003). Soil electrical conductivity and topography related to yield for three contrasting coil-crop systems. Agron. J. Vol. 95, pp 483-495.
Lobell, D. B., Burke, M. B. (2010). On the use of statistical models to predict crop yield responses to climate change. Agricult. For. Meteo. Vol. 150, pp 1443-1452.
Matsumura, K., Gaitan, C. F., Sugimoto, K., Cannon, A. J., Hsieh, W. (2015). Maize yield forecasting by linear regression and artificial neural networks in Jilin, China. J. Agric. Sci. Vol 153, pp 399-410.
Mourtzinis, S., Arriaga, F. J., Balkcom, K. S., Ortiz, B. V. (2013). Corn grain and stover yield prediction at R1 growth stage. Agron. J. Vol 105, pp 1045-1050.
Naderloo, L., Alimardani, R., Omid, M., Sarmadian, F., Javadikia, P., Torabi, M. Y., Alimardani, F. (2012).
Application of ANFIS to predict crop yield based on different energy inputs. Measurements Vol 45, pp. 1406-1413.
Pahlavan, R., Omid, M., Akram, A. (2012). Energy input-output analysis and application of artificial neural networks for prediting greenhouse basil production. Energy Vol. 37, pp 171-176.
Parent, L. E., Dafir, M. (1992). A theoretical concepto of compositional nutrient diagnosis. J. Am. Soc. Hort. Sci. Vol. 117, pp 239-242.
Raîche, W., Riopel, M., Blais, J. -G. (2006). Non graphical solutions for the Cattell´s scree test. Trabajo presentado en el International Meeting of the Psychometric Society, Montréal, Junio 16, 2006.
Rodríguez, O., Rojas, G. E., Sumner, M. (1997). Valencia orange DRIS norms for Venezuela. Commun. Soil Sci. Plant Anal. Vol. 28, pp 1461-1468.
Salazar, M. R., , López, C. I. Rojano, A. A. Schmidt, U., Dannehl, D. (2015). Tomato Yield Prediction in a Semi-Closed Greenhouse. Acta Hort. Vol. 1107, pp 263-269.
Wallace, A., Wallace, G. A. (1993). 10. Limiting factors, high yields, and law of the maximum. En: Janick, J. (Editor). Horticultural Reviews. Vol. 15, pp 409-448. John Wiley & Sons, Inc., USA.
Zupan, J., Gasteiger, J. (1999). Neural networks in chemistry and drug design. 2nd Ed. Wiley-VCH, Weinheim.
Publicado
2015-12-15
Cómo citar
Hernández-Caraballo, E. (2015). Predicción del rendimiento de un cultivo de naranja ’Valencia’ mediante redes neuronales de regresión generalizada. Publicaciones En Ciencias Y Tecnología, 9(2), 139-158. Recuperado a partir de https://revistas.ucla.edu.ve/index.php/pcyt/article/view/252
Sección
Artículo de Investigación