| Revista: | Publicaciones en ciencias y tecnología |
| Base de datos: | PERIÓDICA |
| Número de sistema: | 000419429 |
| ISSN: | 1856-8890 |
| Autores: | Hernández Caraballo, Edwin1 |
| Instituciones: | 1Universidad Centroccidental "Lisandro Alvarado", Decanato de Agronomía, Barquisimeto, Lara. Venezuela |
| Año: | 2015 |
| Periodo: | Jul-Dic |
| Volumen: | 9 |
| Número: | 2 |
| Paginación: | 139-158 |
| País: | Venezuela |
| Idioma: | Español |
| Tipo de documento: | Artículo |
| Enfoque: | Analítico, descriptivo |
| Resumen en español | El rendimiento de un cultivo es el resultado de múltiples 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 desconocidas, y de naturaleza no lineal. Este 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 una base de datos real, contentiva de los rendimientos de 78 árboles de naranja, y las concentraciones de nitrógeno, fósforo, potasio, calcio, y magnesio, en el tejido foliar. 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 y globales, a partir del Sistema de Diagnóstico de la Composición Nutricional). Los resultados mostraron que la combinación índices nutricionales individuales/rendimiento normalizado (Error de predicción= 0,98 kg · arbol ´ −1 ), y componentes principales no rotados/rendimiento normalizado (Error de predicción= 0,51 kg · arbol ´ −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 |
| Resumen en inglés | The yield of a given crop is the result of multiple 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 a real database containing the yield of 78 orange trees, and the concentration of nitrogen, phosphorus, potassium, calcium, and magnesium in their foliar tissue. Special emphasis was placed in the mathematical treatment of the input/output data, resorting to conventional (normalization, standardization, and principal components) as well as other less common techniques (rowcentered log ratios, and individual and global nutritional indices from the Compositional Nutrient Diagnosis System). The results showed that the individual nutrient indices/normalized yield combination (Prediction error= 0,98 kg ·tree−1 ), and the unrotated principal components/normalized yield combination (Prediction error= 0,51 kg · tree−1 ) resulted in the development of the neural networks with the highest yield prediction capabilities, as evidenced by the previously indicated prediction errors |
| Disciplinas: | Agrociencias |
| Palabras clave: | Frutales, Fitotecnia, Naranja, Nutrientes minerales, Hojas, Predicción de rendimiento, Redes neuronales, Regresión generalizada, Citrus sinensis |
| Keyword: | Fruit trees, Crop husbandry, Orange, Mineral nutrients, Leaves, Yield prediction, Neuronal networks, Generalized regression, Citrus sinensis |
| Texto completo: | Texto completo (Ver PDF) |
