Predicción de rendimiento de cultivos a través de sensores próximos y algoritmos de aprendizaje automático
Autores: Abbas, Farhat; Afzaal, Hassan; Farooque, Aitazaz A.; Tang, Skylar
Idioma: Inglés
Editor: MDPI
Año: 2020
Acceso abierto
Artículo científico
2020
Predicción de rendimiento de cultivos a través de sensores próximos y algoritmos de aprendizaje automático
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Agronomía y Ciencia de los Cultivos
Palabras clave
Técnicas de percepción proximal
Rendimiento de cultivos
Algoritmos de aprendizaje automático
Propiedades del suelo
Rendimiento de tubérculos de patata
Tecnologías de agricultura de precisión
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 27
Citaciones: Sin citaciones
Las técnicas de detección proximal pueden potencialmente estudiar variables del suelo y del cultivo responsables de las variaciones en el rendimiento del cultivo. El pleno potencial de estas tecnologías de agricultura de precisión puede ser explotado en combinación con métodos innovadores de procesamiento de datos, como algoritmos de aprendizaje automático (ML) para la extracción de información útil responsable de controlar el rendimiento del cultivo. Cuatro algoritmos de ML, a saber, regresión lineal (LR), red elástica (EN), vecino más cercano (k-NN) y regresión de vectores de soporte (SVR), se utilizaron para predecir el rendimiento de tubérculos de patata a partir de datos de propiedades del suelo y del cultivo recopilados mediante detección proximal. Se muestrearon seis campos en el Atlántico Canadá, incluidos tres campos en la Isla del Príncipe Eduardo (PE) y tres campos en Nuevo Brunswick (NB), durante dos temporadas de crecimiento (2017 y 2018), para la conductividad eléctrica del suelo, contenido de humedad del suelo, pendiente del suelo, índice de vegetación de diferencia normalizada (NDVI) y química del suelo. Los datos se recopilaron de 39-40 ubicaciones de 30 x 30 m en cada campo, cuatro veces a lo largo de la temporada de crecimiento, y las muestras de rendimiento se recopilaron manualmente al final de la temporada de crecimiento. Luego se formaron cuatro conjuntos de datos, a saber, PE-2017, PE-2018, NB-2017 y NB-2018, combinando puntos de datos de tres campos para representar los datos de la provincia para los años respectivos. Se emplearon técnicas de modelado para generar predicciones de rendimiento evaluadas con diferentes parámetros estadísticos. Los modelos SVR superaron a todos los demás modelos para los conjuntos de datos NB-2017, NB-2018, PE-2017 y PE-2018 con un RMSE de 5.97, 4.62, 6.60 y 6.17 t/ha, respectivamente. El rendimiento de k-NN siguió siendo pobre en tres de los cuatro conjuntos de datos, a saber, NB-2017, NB-2018 y PE-2017 con un RMSE de 6.93, 5.23 y 6.91 t/ha, respectivamente. El estudio también mostró que se requieren grandes conjuntos de datos para generar resultados útiles utilizando cualquiera de los modelos. Esta información es necesaria para crear zonas de manejo específicas del sitio para las papas, que forman un componente significativo para las iniciativas de seguridad alimentaria en todo el mundo.
Descripción
Las técnicas de detección proximal pueden potencialmente estudiar variables del suelo y del cultivo responsables de las variaciones en el rendimiento del cultivo. El pleno potencial de estas tecnologías de agricultura de precisión puede ser explotado en combinación con métodos innovadores de procesamiento de datos, como algoritmos de aprendizaje automático (ML) para la extracción de información útil responsable de controlar el rendimiento del cultivo. Cuatro algoritmos de ML, a saber, regresión lineal (LR), red elástica (EN), vecino más cercano (k-NN) y regresión de vectores de soporte (SVR), se utilizaron para predecir el rendimiento de tubérculos de patata a partir de datos de propiedades del suelo y del cultivo recopilados mediante detección proximal. Se muestrearon seis campos en el Atlántico Canadá, incluidos tres campos en la Isla del Príncipe Eduardo (PE) y tres campos en Nuevo Brunswick (NB), durante dos temporadas de crecimiento (2017 y 2018), para la conductividad eléctrica del suelo, contenido de humedad del suelo, pendiente del suelo, índice de vegetación de diferencia normalizada (NDVI) y química del suelo. Los datos se recopilaron de 39-40 ubicaciones de 30 x 30 m en cada campo, cuatro veces a lo largo de la temporada de crecimiento, y las muestras de rendimiento se recopilaron manualmente al final de la temporada de crecimiento. Luego se formaron cuatro conjuntos de datos, a saber, PE-2017, PE-2018, NB-2017 y NB-2018, combinando puntos de datos de tres campos para representar los datos de la provincia para los años respectivos. Se emplearon técnicas de modelado para generar predicciones de rendimiento evaluadas con diferentes parámetros estadísticos. Los modelos SVR superaron a todos los demás modelos para los conjuntos de datos NB-2017, NB-2018, PE-2017 y PE-2018 con un RMSE de 5.97, 4.62, 6.60 y 6.17 t/ha, respectivamente. El rendimiento de k-NN siguió siendo pobre en tres de los cuatro conjuntos de datos, a saber, NB-2017, NB-2018 y PE-2017 con un RMSE de 6.93, 5.23 y 6.91 t/ha, respectivamente. El estudio también mostró que se requieren grandes conjuntos de datos para generar resultados útiles utilizando cualquiera de los modelos. Esta información es necesaria para crear zonas de manejo específicas del sitio para las papas, que forman un componente significativo para las iniciativas de seguridad alimentaria en todo el mundo.