Resumen de Estimación de la fotosíntesis foliar en jitomate bajo invernadero mediante redes neuronales artificiales

José Manuel Vargas Sállago, Irineo L. López Cruz, Enrique Rico García

• español

  Dentro de la teoría de identificación de sistemas, los modelos de redes neuronales artificiales (ANN) artificial neural networks por sus siglas en inglés, han mostrado gran capacidad para encontrar patrones de relación entre variables de procesos altamente no lineales, así como resolver la limitante de la regresión no lineal, donde no es posible usar variables correlacionadas como entradas. El objetivo de la presente investigación fue modelar la tasa de fotosíntesis foliar de plantas de jitomate, cultivadas bajo invernadero, mediante redes neuronales artificiales, empleando como variables de entrada: temperatura, humedad relativa, déficit de presión de vapor y concentración de dióxido de carbono (CO2) del aire, así como radiación fotosintéticamente activa. El experimento se desarrolló durante 2009 en un invernadero experimental de la Universidad Autónoma de Querétaro, México. Se usó el equipo de fitomonitoreo PTM-48M (Daletown Company, Ltd), para registrar el intercambio de CO2 de las hojas, así como las variables meteorológicas. Para eliminar ruidos de los sensores en las mediciones se aplicó el filtro Savitzky-Golay. Se evaluaron diferentes configuraciones para redes de retropropagación, siendo la de 4 capas con 10 neuronas en la primera capa oculta, 15 en la segunda y 10 más en la tercera, la que generó los mejores índices estadísticos sobre datos de prueba: coeficiente de determinación, R2= 0.9756 y cuadrado medio del error, CME= 0.8532. Tomando las predicciones de la mejor ANN, se realizó una optimización estática, relacionando dos variables climáticas con la tasa de fotosíntesis, mediante gráficas en tercera dimensión, a fin de mostrar estrategias para maximizar la tasa de fotosíntesis.

• English

  Within the theory of systems identification, the models of artificial neural networks (ANN) have shown great ability to find patterns of relationships between variables of highly nonlinear processes, as well as solving the constraint of the nonlinear regression, where it is not possible to use correlated variables as inputs. The objective of this paper was to model the rate of foliar photosynthesis of tomato plants, grown under greenhouse conditions using artificial neural networks, using as input variables: temperature, relative humidity, vapor pressure deficit and concentration of carbon dioxide (CO2) of the air, and photosynthetically active radiation. The experiment was conducted during 2009 in an experimental greenhouse of the Autonomous University of Querétaro, Mexico. The equipment used was the PTM-48M phyto-monitoring (Daletown Company, Ltd), to record CO2 exchange on the leaves, and weather variables. In order to remove the sensor noise in the measurements, the Savitzky-Golay filter was used. Different configurations for back-propagation networks were evaluated, with 4 layers and 10 neurons in the first hidden layer, 15 in the second one and 10 more in the third one, which produced the best statistical indices on the test data: coefficient of determination, R2= 0.9756 and mean square error, MSE= 0.8532. Taking the best ANN predictions, we performed a static optimization, linking two climatic variables with the rate of photosynthesis, using three-dimensional graphics, to show strategies for maximizing the rate of photosynthesis.