Resumen de Predicción del rendimiento de un cultivo de naranja 'Valencia' mediante redes neuronales de regresión generalizada
- español
El rendimiento de un cultivo es el resultado de múltiples var iables, cu- yas complejas interacciones hacen que sea difícil de predec ir por medios convencionales. Las redes neuronales de regresión 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 propósito evaluar dicha aproximación, en la predi cción 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 árboles de naranja, y las concentraciones de nitrógeno, fós foro, potasio, calcio, y magnesio, en el tejido foliar. Especial énfasis se hizo en el tra- tamiento de los datos de entrada/salida, utilizando técnic as convenciona- les (normalización, estandarización, y componentes princ ipales), y otras no convencionales (cálculos de los log-cociente centrado, e í ndices nutricionales individuales y globales, a partir del Sistema de Diagnóstic o de la Compo- sición Nutricional). Los resultados mostraron que la combi nación índices nutricionales individuales/rendimiento normalizado (Er ror de predicción= 0 , 98 kg · ́ arbol − 1 ), y componentes principales no rotados/rendimiento nor- malizado (Error de predicción= 0 , 51 kg · ́ arbol − 1 ) condujeron al desarrollo de las redes neuronales con las mejores capacidades de predi cción del ren- dimiento, evidenciadas por los menores errores de predicci ón anteriormente indicados.
- English
The 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 .
