| Popis: |
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. // 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. |
