Uso de técnicas como la regresión y redes neuronales para anticipar el rendimiento del maíz
DOI:
https://doi.org/10.26820/recimundo/8.(4).diciembre.2024.126-135Palabras clave:
Predicción, Rendimiento del maíz, Regresión, Redes neuronales, Agricultura de precisiónResumen
El rendimiento del maíz es un factor crítico para la seguridad alimentaria y el desarrollo económico global, especialmente frente a desafíos como el cambio climático y el aumento de la población. La anticipación precisa de su rendimiento puede optimizar la planificación agrícola y mitigar riesgos asociados con su producción. Este estudio tiene como objetivo evaluar y comparar la eficacia de técnicas como la regresión y redes neuronales en la predicción del rendimiento del maíz. Se llevó a cabo una revisión sistemática siguiendo los lineamientos del método PRISMA, lo que permitió analizar exhaustivamente investigaciones relevantes publicadas en los últimos diez años. Los resultados destacan que las redes neuronales superan consistentemente a los modelos de regresión en términos de precisión predictiva, especialmente cuando se integran múltiples variables climáticas y agronómicas. Sin embargo, los modelos de regresión ofrecen ventajas en términos de interpretabilidad y simplicidad. La investigación concluye que el uso combinado de ambas técnicas podría proporcionar un equilibrio entre precisión e interpretabilidad, ofreciendo una herramienta robusta para la toma de decisiones en la agricultura. Este enfoque multidisciplinario impulsa avances en el modelado predictivo, contribuyendo al desarrollo de estrategias agrícolas más sostenibles y resilientes frente a futuros desafíos.Descargas
Citas
Croci, M., Impollonia, G., Meroni, M., & Amaducci, S. (2023). Dynamic Maize Yield Predictions Using Machine Learning on Multi-Source Data. Remote Sensing, 15(1), 100. https://doi.org/10.3390/rs15010100
Food and Agriculture Organization of the United Nations. (2021). The state of food and agriculture 2021. FAO.
García-Arteaga, J; Zambrano-Zambrano, J; Alcívar Cevallos, R y Zambrano-Romero, W.(2020). Predicción del rendimiento de cultivos agrícolas usando aprendizaje automático. Revista Arbitrada Interdisciplinaria KOINONIA. 5(2). file:///C:/Users/Dewars/Documents/Pendrivefelix/articulolenin/articulorendimientodelmaiz/Prediccion_del_rendimiento_de_cultivos_agricolas_u.pdf
Gonzalez-Sanchez, A., Frausto-Solis, J., & Ojeda-Bustamante, W. (2014). Predictive ability of machine learning methods for massive crop yield prediction. Spanish Journal of Agricultural Research, 12(2), 313-328. https://doi.org/10.5424/sjar/2014122-4439
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT Press.
Khaki, S., & Wang, L. (2019). Crop Yield Prediction Using Deep Neural Networks. arXiv preprint arXiv:1902.02860. Recuperado de https://arxiv.org/abs/1902.02860
Khaki, S., Wang, L., & Archontoulis, S. V. (2019). A CNN-RNN Framework for Crop Yield Prediction. arXiv preprint arXiv:1911.09045. Recuperado de https://arxiv.org/abs/1911.09045
Kiyán, J.A., & Fun, J.C. (2014). Modelos empírico-estadísticos de rendimiento de maíz en los principales estados productores de maíz de los Estados Unidos. Anales científicos. 47(1).100-107. https://www.semanticscholar.org/paper/Modelos-emp%C3%ADrico-estad%C3%ADsticos-de-rendimiento-de-en-Kiy%C3%A1n-Fun/8f8ed48a83de7c5cb14b4ac18095ce2a098930dd
Leng, G., & Hall, J. W. (2020). Predicting spatial and temporal variability in crop yields: an inter-comparison of machine learning, regression and process-based models. Environmental research letters : ERL [Web site], 15(4). https://doi.org/10.1088/1748-9326/ab7b24
Lobell, D. B., Schlenker, W., & Costa-Roberts, J. (2013). Climate trends and global crop production since 1980. Science, 333(6042), 616–620.
Menacho Chiok, C. H. (2014). Modelos de regresión lineal con redes neuronales. Anales Científicos, 75(2), 253-260. https://doi.org/10.21704/ac.v75i2.961
Montgomery, D. C., Peck, E. A., & Vining, G. G. (2021). Introduction to linear regression analysis (6th ed.). Wiley.
Olisah, C., Smith, L., Smith, M., Morolake, L., & Ojukwu, O. (2024). Corn Yield Prediction Model with Deep Neural Networks for Smallholder Farmer Decision Support System. arXiv preprint arXiv:2401.03768. Recuperado de https://arxiv.org/abs/2401.03768
Paswan. R, y Begum S. (2013). Regression and Neural Networks Models for Prediction of Crop Production. International Journal of Scientific & Engineering Research, 4(9). https://www.ijser.org/researchpaper/regression-and-neural-networks-models-for-prediction-of-crop-production.pdf
Servín-Palestina, M; Salazar-Moreno, R; López-Cruz. I; Medina-Garcíam G y Cid-Ríos, J. (2022). Predicción de la producción y rendimiento de frijol, con modelos de redes neuronales artificiales y datos climáticos. Biotecnia, 24(2). 104-111. Universidad de Sonora, División de Ciencias Biológicas y de la Salud. https://www.redalyc.org/journal/6729/672974941013/html/
Umaquinga, A. (2024). Técnicas de Minería de datos aplicados a la agricultura: Estado del Arte y análisis bibliométrico. Innovation & development in engineering and applied sciences. 6. https://www.researchgate.net/publication/377908548_Tecnicas_de_Mineria_de_datos_aplicados_a_la_agricultura_Estado_del_Arte_y_analisis_bibliometrico/citation/download
Uno, Y; Prasher, S; Lacroix, R. Goel, Pradeep; Karimi, Y. Viau, A; Patel, R. (2005). Artificial neural networks to predict corn yield from Compact Airborne Spectrographic Imager data. Computers and Electronics in Agriculture 47. https://www.researchgate.net/publication/222141695_Artificial_neural_networks_to_predict_corn_yield_from_Compact_Airborne_Spectrographic_Imager_data/citation/download
Yuting Zhou, Shengfang Ma, Huihui Zhang, Sathyanarayanan Aakur, (2024) Enhancing corn yield prediction: Optimizing data quality or model complexity?, Smart Agricultural Technology, 9. https://www.sciencedirect.com/science/article/pii/S2772375524002764
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2024 Carlos Arturo Carvajal Chávez
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
