Término:   Tipo de documento:     Página Principal
Sólo un registro cumplió la condición especificada en la base de información PCYT. ()
Portada
Artículos de éste númeroArtículos de éste número
Autor: Hernández Caraballo, Edwin Adolfo ehernandez@ucla.edu.ve
Oprima aquí para enviar un correo electrónico a esta dirección
Título: PREDICCIÓN DEL RENDIMIENTO DE UN CULTIVO DE NARANJA 'VALENCIA' MEDIANTE REDES NEURONALES DE REGRESIÓN GENERALIZADA
FORECASTING THE YIELD OF A 'VALENCIA' ORANGE´S CROP, BY MEANS OF A GENERALIZED-REGRESSION NEURAL NETWORKS
ISSN: 1856-8890
Fecha: 2015
Páginas/Colación: pp.139-158
En:/ Publicaciones en Ciencias y Tecnología Vol. 9 Nro. 2 Julio- Diciembre 2015
Información de existenciaInformación de existencia
Categoría Temática: Palabras: DCYT01 DCYT01
Palabras Claves del Autor: Palabras: CITRUS SINENSIS CITRUS SINENSIS, Palabras: COMPOSICIÓN FOLIAR COMPOSICIÓN FOLIAR, Palabras: RENDIMIENTO RENDIMIENTO, Palabras: SISTEMA DE DIAGNOSTICO DE LA COMPOSICIÓN NUTRICIONAL SISTEMA DE DIAGNOSTICO DE LA COMPOSICIÓN NUTRICIONAL
Documentos asociados
Oprima aquí para visualizar el documento PDF:Documento a texto completo pdf Documento a texto completo pdf

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·(1/árbol), y componentes principales no rotados/rendimiento normalizado Error de predicción= 0,51 kg·(1/árbol) condujeron al desarrollo de las redes neuronales con las mejores capacidades de predicción del rendimiento, evidenciadas por los menores errores de predicción anteriormente indicados.

Palabras clave: Citrus sinensis; rendimiento; composición foliar; sistema de diagnóstico de la composición nutricional.

FORECASTING THE YIELD OF A 'VALENCIA' ORANGE´S CROP, BY MEANS OF A GENERALIZED-REGRESSION NEURAL NETWORKS

Abstract

The yield of a given crop is the result of a multiplicity of variables whose complex interactions make its prediction difficult to achieve by regular means. Generalized regression artificial neural networks represent a promising alternative for such a task, due to its ability to model non-linear relationships, without the need of knowing its explicit nature. The present work aimed at assessing such approximation for predicting the potential yield of a crop of 'Valencia' orange (Citrus sinensis L. Osbeck), using the concentration of nitrogen, phosphorus, potassium, calcium, and magnesium in the foliar tissue as predicting variables. Special emphasis was placed in the mathematical treatment of the input/output data, using conventional techniques (normalization, standardization, and principal components) as well as other less common (row-centered log ratios, and individual and global nutritional indices from the Compositional Nutrient Diagnosis System). The results showed that, among the ones studied, the individual nutrient indices/normalized yield combination (Prediction error=0.98 kg·(1/tree), and the unrotated principal components/normalized yield combination (Prediction error= 0.51 kg·(1/tree) resulted in the development of the neural networks with the highest yield prediction capabilities, as evidenced by the previously indicated prediction errors.

Keywords: Citrus sinensis; yield; foliar composition; compositional nutrient diagnosis system.

REFERENCIAS BIBLIOGRAFICAS
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.


 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

** Back-end Alejandría BE 7.3.0b3 *