Término:   Tipo de documento:     Página Principal
Consulta por: Publicación seriada
Autor: Hernández Caraballo, Edwin Adolfo (Comienzo)
2 registros cumplieron la condición especificada en la base de información PCYT. ()
Registro 1 de 2, 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.

Registro 2 de 2, Base de información PCYT
Portada
Artículos de éste númeroArtículos de éste número
Autor: Avila Gómez, Rita María ritaavila@ucla.edu.ve
Oprima aquí para enviar un correo electrónico a esta dirección; Rodríguez Pérez, Vianel de Jesús ; Hernández Caraballo, Edwin Adolfo ; Rodríguez Pérez, Vianel de Jesús ; Hernández Caraballo, Edwin Adolfo
Título: PREDICCIÓN DEL RENDIMIENTO DE UN CULTIVO DE PLÁTANO MEDIANTE REDES NEURONALES ARTIFICIALES DE REGRESIÓN GENERALIZADA
PREDICTION OF THE YIELD OF BANANA CROP BY MEANS OF A GENERALIZED REGRESSION ARTIFICIAL NEURAL NETWORK
ISSN: 1856-8890
Fecha: Enero-Junio 2012
Páginas/Colación: p. 31-40
En:/ Publicaciones en Ciencias y Tecnología Vol. 6 Nro. 1 Enero-Junio 2012
Información de existenciaInformación de existencia
Categoría Temática: Palabras: DCYT01 DCYT01
Palabras Claves del Autor: Palabras: CARACTERÍSTICAS FÍSICO-QUÍMICAS CARACTERÍSTICAS FÍSICO-QUÍMICAS, Palabras: MUSA AAB MUSA AAB, Palabras: PREDICCIÓN PREDICCIÓN, Palabras: REDES NEURONAL REGRESIÓN GENERALIZADA REDES NEURONAL REGRESIÓN GENERALIZADA, Palabras: RENDIMIENTO DE CULTIVO RENDIMIENTO DE CULTIVO
Documentos asociados
Oprima aquí para visualizar el documento PDF:Documento a texto completo Documento a texto completo

RESUMEN
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.
Palabras clave: red neuronal de regresión generalizada, predicción, rendimiento de cultivos, caracterización físico -química, Musa AAB.

ABSTRACT
PREDICTION OF THE YIELD OF BANANA CROP BY MEANS OF A GENERALIZED REGRESSION ARTIFICIAL NEURAL NETWORK
Banana is an important crop in Latin America, for both large scale and small farmers. In Venezuela, the main production centers are in the area of Sur del Lago de Maracaibo. Knowing the crop yield is vital due to the need to maximize the investment-pro_t, and availability of such information in advance helps in the decision-making process of the production unit. The purpose of this research is to evaluate the ability of artificial neural networks to predict the yield of a banana crop, employing the best predictors dataset, given the physical characteristics of the soil and the chemical profile of leaf tissue. Generalized regression networks trained with the leave-one-out strategy, and two types of data transformations were used in this study. It was found that neural networks were excellent tools for predicting the yield of banana crop. The physicochemical profiles of soil and leaf tissue were suitable descriptors of the response variable. Among the data evaluated in this study, it was found that the physical data of 20-40 cm of soil was, after standardization of the training data, the best predictor group.
Keywords: generalized regression neural network, prediction, crop yield, physical-chemical caracterization, Musa AAB.

REFERENCIAS BIBLIOGRAFICAS
· 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.


 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

** Back-end Alejandría BE 7.3.0b3 *