Loading...
Please wait, while we are loading the content...
Similar Documents
Predicción del rendimiento de un cultivo de naranja 'Valencia' mediante redes neuronales de regresión generalizada
| Content Provider | Semantic Scholar |
|---|---|
| Author | Hernández-Caraballo, Edwin A. |
| Copyright Year | 2015 |
| Abstract | espanolEl rendimiento de un cultivo es el resultado de multiples var iables, cu- yas complejas interacciones hacen que sea dificil de predec ir por medios convencionales. Las redes neuronales de regresion general izada constituyen una alternativa prometedora para dicha tarea, gracias a su c apacidad para modelar relaciones desconocidas, y de naturaleza no lineal . Este trabajo tuvo como proposito evaluar dicha aproximacion, en la predi ccion del ren- dimiento de un cultivo de naranja “Valencia” (Citrus sinens is L. Osbeck), a partir de una base de datos real, contentiva de los rendimie ntos de 78 arboles de naranja, y las concentraciones de nitrogeno, fos foro, potasio, calcio, y magnesio, en el tejido foliar. Especial enfasis se hizo en el tra- tamiento de los datos de entrada/salida, utilizando tecnic as convenciona- les (normalizacion, estandarizacion, y componentes princ ipales), y otras no convencionales (calculos de los log-cociente centrado, e i ndices nutricionales individuales y globales, a partir del Sistema de Diagnostic o de la Compo- sicion Nutricional). Los resultados mostraron que la combi nacion indices nutricionales individuales/rendimiento normalizado (Er ror de prediccion= 0 , 98 kg · arbol − 1 ), y componentes principales no rotados/rendimiento nor- malizado (Error de prediccion= 0 , 51 kg · arbol − 1 ) condujeron al desarrollo de las redes neuronales con las mejores capacidades de predi ccion del ren- dimiento, evidenciadas por los menores errores de predicci on anteriormente indicados. EnglishThe yield of a given crop is the result of multiple variables w hose com- plex interactions make its prediction difficult to achieve by regular means. Generalized regression artificial neural networks represe nt a promising al- ternative for such a task, due to its ability to model non-lin ear relations- hips, without the need of knowing its explicit nature. The pr esent work aimed at assessing such approximation for predicting the po tential yield of a crop of 'Valencia' orange (Citrus sinensis L. Osbeck), u sing a real database containing the yield of 78 orange trees, and the con centration of nitrogen, phosphorus, potassium, calcium, and magnesiu m in their foliar tissue. Special emphasis was placed in the mathematical tre atment of the in- put/output data, resorting to conventional (normalizatio n, standardization, and principal components) as well as other less common techn iques (row- centered log ratios, and individual and global nutritional indices from the Compositional Nutrient Diagnosis System). The results sho wed that the in- dividual nutrient indices/normalized yield combination ( Prediction error= 0 , 98 kg · tree − 1 ), and the unrotated principal components/normalized yiel d combination (Prediction error= 0 , 51 kg · tree − 1 ) resulted in the develop- ment of the neural networks with the highest yield predictio n capabilities, as evidenced by the previously indicated prediction errors . |
| Starting Page | 139 |
| Ending Page | 158 |
| Page Count | 20 |
| File Format | PDF HTM / HTML |
| Volume Number | 9 |
| Alternate Webpage(s) | https://revistas.ucla.edu.ve/index.php/pcyt/article/download/252/136 |
| Language | English |
| Access Restriction | Open |
| Content Type | Text |
| Resource Type | Article |
