Predicción del rendimiento de un cultivo de plátano mediante redes neuronales artificiales de regresión generalizada
Palabras clave:
red neuronal de regresión generalizada, predicción, rendimiento de cultivos, caracterización físico-química, Musa AABResumen
El plátano es un cultivo importante en Latinoamérica, tanto a gran escala como para pequeños hacendados. En Venezuela, los principales centros productivos están en la zona del Sur del Lago de Maracaibo. Conocer el rendimiento de un cultivo obedece a la necesidad de maximizar la relación inversión-ganancia y la disponibilidad de esa información, con anticipación, permite tomar decisiones sobre el manejo de una plantación. La finalidad de esta investigación es evaluar la capacidad de las redes neuronales artificiales para predecir el rendimiento de un cultivo de plátano, empleando para ello el mejor grupo de datos predictores, determinado entre las características físicas del suelo y el perfil químico del tejido foliar. Se emplean redes de regresión generalizada y la estrategia leave-one-out, así como dos tipos de transformaciones de los datos. Se encuentra que las redes neuronales artificiales constituyen una excelente herramienta de predicción del rendimiento del cultivo de plátano y que los perfiles físico -químicos de suelo y del tejido foliar son adecuados descriptores para la variable respuesta. Entre los datos evaluados, en este estudio, se encontró que los datos físicos de suelo de 20-40 cm son el mejor grupo predictor, previo la estandarización de los datos de entrenamiento.
Descargas
Citas
Bauer, M. M. 1995. Generalized regression neural network for technical use. Master's Thesis, University of Wisonsin-Madison, USA.
Chacín, F., Ascanio, M., Hernández, A., García, J., Cobo, M., Ascanio, A. (2005). Predicción de cosechas en plátano (Musa AAB `Hartón') mediante dos modelos de regresión (Forward y Stepwise). Rev. Fac. Agron. (Maracay), Vol. 31. No. 1. Pp 21-35.
Elissee, A., Pontil, M. (S/A). Leave one out error and stability of learning algorithms with applications. Disponible en: http://www.citeseerx.its.psu.edu
Hernández-Caraballo, E. A. (2011). Predicción del rendimiento potencial de un cultivo de naranja `Valencia' mediante redes neuronales de regresión generalizada. Trabajo de Ascenso (sin publicar). Universidad Centroccidental Lisandro Alvarado. Venezuela.
Hernández, E., Ávila, R., Rivas, F. (2003). Las redes neuronales artificiales en química analítica. Parte I. Fundamentos. Rev. Sociedad Venezolana de Química. Vol. 26. No. 4. Pp 17-25.
International Plant Nutrition Institute (2001). Guía de Campo. Síntomas de deficiencias nutricionales y otros desordenes fisiológicos en el cultivo del banano (Musa AAA). Descripción, causas, prevención y corrección. IPNI. Disponible en:http: //nla:ipni:net/articles/NLA0070 EN/$FILE/G %20Banano:pdf:
Ji, B., Sun, Y., Yang, S., Wan, J. (2007). Artificial neural networks for rice yield prediction in mountainous regions. J. of Agricultural Sci. Vol. 145. Pp 249-261.
Khashei-Siuki, A., Kouchakzadeh, M., Ghahraman, B. (2011). Predicting dryland wheat yield from meteorological data, using expert system, Khorasan Province, Iran. J. Agr. Sci. Tech., Vol. 13. Pp627-640.
Kumar, R., Rajan, S., Singh, A. (2007). Multiple regression models for yield prediction in plantain. Indian J. of Horticulture, Vol. 64. No. 2. Pp 159-162.
Machado-Allison, C., Rivas, J.C., 2004. La agricultura en Venezuela. Ediciones IESA, Venezuela.
Marín, M., Aragón, P., Gómez, C. (2003). Análisis químico de suelo y aguas. Manual de laboratorio. Editorial UPV: Valencia. Pp 175.
Martínez, E., Delgado, E., Rey, J., Giménez, C., Pargas, R., Manzanilla, R. (2009). Producción del plátano en Venezuela y el mercado mundial. INIA Hoy, Vol. 5 mayo-agosto. Pp 125-138.
NC State University (S/F). North Caroline Winegrape Grower's Guide. Chapter 12. Crop Prediction. Disponible en: http ://cals:nscu:edu:/hortsci/extensión/documents/winegrape/winegrapesada12:pdf
Rodríguez, G. (2009). Aspectos sobre la salud radical del banano en suelos de Venezuela. Producción Agropecuaria. Vol. 2. No.1. Pp 49-52.
Rodríguez, V. (2003). Avaliacao do Estado Nutricional e da Fertilidade do Solo na Cultura do Plátano (Musa AAB Subgrupo Plátano cv. Hartón). Tesis Doctoral. USP Piracicaba, Brasil.
Rodríguez, V., Rodríguez, O., Bravo, P. (1999a). Índice de balance de nutrimentos para la predicción del rendimiento del plátano (Musa AAB subgrupo plátano Hartón). Rev. Fac. Agron. LUZ, Vol. 16. Pp 488-494.
Rodríguez, V., Bautista, D., Rodríguez, O., Díaz, L. (1999b). Relación entre el balance nutricional y la biometría del plátano (Musa AAB subgrupo plátano Hartón) y su efecto sobre el rendimiento. Rev. Fac. Agron. LUZ, Vol. 16. Pp 425-432.
Rodríguez, V., Da Silva, A., Rodríguez, O. (2005). Balance nutricional y numero de hojas como variables de predicción del rendimiento del plátano Hartón. Pesq. Agrop. Bras. Vol. 40. Pp 175-177.
Stastny, J., Konecny, V., Trenz, O. (2011). Agricultural data prediction by means of neural networks. Agric. Econ. Czech. Vol. 57. No. 7. Pp 356-361.
Publicado
Cómo citar
Número
Sección
Derechos del/de autor/es a partir del año de publicación
Esta obra está bajo la licencia:
Creative Commons Reconocimiento-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)
Las opiniones expresadas por los autores no necesariamente reflejan la postura del editor de la publicación ni de la UCLA. Se autoriza la reproducción total o parcial de los textos aquí publicados, siempre y cuando se cite la fuente completa y la dirección electrónica de esta revista.
Los autores conservan integramente los derechos sobre sus obras, cediendo a la revista el derecho de ser la primera publicación donde se presenta el artículo. Los autores(as) tienen el derecho de utilizar sus artículos para cualquier propósito siempre y cuando se realice sin fines de lucro. Se recomienda a los autores(as) difundir sus obras en la versión final, luego de publicada en esta revista, en los medios electrónicos de la intituciones a las cuales están afiliadas o medios digitales personales
