Modelo de Predicción de Crecimiento Basado en Aprendizaje Automático Jerárquico de Brotes en un Entorno Hidropónico
Autores: Kim, Tae Hyong; Baek, Seunghoon; Kwon, Ki Hyun; Oh, Seung Eel
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Modelo de Predicción de Crecimiento Basado en Aprendizaje Automático Jerárquico de Brotes en un Entorno Hidropónico
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Botánica
Palabras clave
Interés
Brote
Saponinas
Ginseng
Hidroponía
Aprendizaje automático
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 9
Citaciones: Sin citaciones
Debido a un aumento en el interés por los alimentos funcionales y relacionados con la salud, el brote ha estado en el centro de atención ya que contiene una cantidad significativa de saponinas que tienen efectos anticancerígenos, antiestrés y antidiabéticos. Para aumentar la cantidad de producción y disminuir el período de cultivo, se está estudiando el ginseng brotado para determinar su entorno óptimo de cultivo en hidroponía. Aunque hay estudios sobre componentes funcionales, falta investigación sobre la predicción temprana de enfermedades junto con la mejora de la productividad. En este estudio, los brotes de ginseng se cultivaron en cuatro condiciones hidroponicas diferentes: tratamiento de control, tratamiento de hidrógeno-mineral, tratamiento Bioblock y tratamiento de nitrógeno altamente concentrado. Se midieron propiedades físicas y se adquirieron datos ambientales utilizando sensores. Usando tres algoritmos (redes neuronales artificiales, máquinas de soporte vectorial, bosque aleatorio) para la clasificación de germinación y podredumbre, y modelos de predicción del número de hojas y longitud del tallo, proponemos un modelo jerárquico de aprendizaje automático que predice el resultado del crecimiento de los brotes de ginseng después de una semana. Basado en los resultados, un modelo de regresión predice el número de hojas y la longitud del tallo durante el proceso de crecimiento. Los resultados de los modelos clasificadores mostraron un puntaje F1 de clasificación de germinación de aproximadamente 99% cada semana. El modelo de clasificación de podredumbre mostró un aumento de un promedio de 83.5% a 98.9%. Los números de hojas predichos para la semana 1 mostraron un valor promedio de nRMSE de 0.27, que disminuyó en aproximadamente un 33% para la semana 3. Los resultados para predecir la longitud del tallo mostraron un rendimiento superior en comparación con el modelo de regresión para predecir el número de hojas. Estos resultados mostraron que el algoritmo jerárquico de aprendizaje automático propuesto puede predecir la germinación y la podredumbre en el brote de ginseng utilizando propiedades físicas.
Descripción
Debido a un aumento en el interés por los alimentos funcionales y relacionados con la salud, el brote ha estado en el centro de atención ya que contiene una cantidad significativa de saponinas que tienen efectos anticancerígenos, antiestrés y antidiabéticos. Para aumentar la cantidad de producción y disminuir el período de cultivo, se está estudiando el ginseng brotado para determinar su entorno óptimo de cultivo en hidroponía. Aunque hay estudios sobre componentes funcionales, falta investigación sobre la predicción temprana de enfermedades junto con la mejora de la productividad. En este estudio, los brotes de ginseng se cultivaron en cuatro condiciones hidroponicas diferentes: tratamiento de control, tratamiento de hidrógeno-mineral, tratamiento Bioblock y tratamiento de nitrógeno altamente concentrado. Se midieron propiedades físicas y se adquirieron datos ambientales utilizando sensores. Usando tres algoritmos (redes neuronales artificiales, máquinas de soporte vectorial, bosque aleatorio) para la clasificación de germinación y podredumbre, y modelos de predicción del número de hojas y longitud del tallo, proponemos un modelo jerárquico de aprendizaje automático que predice el resultado del crecimiento de los brotes de ginseng después de una semana. Basado en los resultados, un modelo de regresión predice el número de hojas y la longitud del tallo durante el proceso de crecimiento. Los resultados de los modelos clasificadores mostraron un puntaje F1 de clasificación de germinación de aproximadamente 99% cada semana. El modelo de clasificación de podredumbre mostró un aumento de un promedio de 83.5% a 98.9%. Los números de hojas predichos para la semana 1 mostraron un valor promedio de nRMSE de 0.27, que disminuyó en aproximadamente un 33% para la semana 3. Los resultados para predecir la longitud del tallo mostraron un rendimiento superior en comparación con el modelo de regresión para predecir el número de hojas. Estos resultados mostraron que el algoritmo jerárquico de aprendizaje automático propuesto puede predecir la germinación y la podredumbre en el brote de ginseng utilizando propiedades físicas.