Un modelo de predicción híbrido para la tasa de transpiración del tomate CatBoost basado en la extracción de características
Autores: Tong, Zhaoyang; Zhang, Shirui; Yu, Jingxin; Zhang, Xiaolong; Wang, Baijuan; Zheng, Wengang
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Un modelo de predicción híbrido para la tasa de transpiración del tomate CatBoost basado en la extracción de características
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Agronomía y Ciencia de los Cultivos
Palabras clave
Crecimiento
Rendimiento
Riego
Tomates
Tasa de transpiración
Invernadero
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 29
Citaciones: Sin citaciones
El crecimiento y rendimiento de los cultivos dependen en gran medida del riego. La implementación de planes de riego adaptados a los requerimientos específicos de agua de los cultivos puede mejorar el rendimiento de los cultivos y mejorar la calidad de los tomates. El dominio y la predicción de la tasa de transpiración (T) son de gran importancia para la gestión del agua de los cultivos de invernadero. Sin embargo, debido a la influencia de múltiples factores ambientales y el acoplamiento mutuo entre los factores ambientales, resulta desafiante construir modelos de predicción precisos. Este estudio se centra en los tomates de invernadero y propone una configuración de modelo basada en datos utilizando el algoritmo de muestreo adaptativo reponderado competitivo (CARS), utilizando sensores ambientales de invernadero que recopilan seis parámetros, como temperatura del aire, humedad relativa, radiación solar, temperatura del sustrato, intensidad lumínica y concentración de CO. En respuesta a las diferencias en los cambios de transpiración de los cultivos en diferentes etapas de crecimiento y horarios, se utilizó el algoritmo de incrustación de vecinos estocásticos t-Distribuido (t-SNE) para identificar tres intervalos característicos: etapa de floración, etapa de fructificación durante el día y etapa de fructificación durante la noche. Basándose en esto, se construyó un modelo de predicción de T de tomate de invernadero (modelo CARS-CatBoost) basado en el algoritmo de aprendizaje automático CatBoost. La verificación experimental muestra que el coeficiente de determinación (R) del modelo único CARS-CatBoost construido para toda la etapa de crecimiento es de 0.92, que es mayor que la precisión de predicción del modelo tradicional de coeficiente único de cultivo (R = 0.54). Entre ellos, la precisión de la predicción durante la noche en la etapa de fructificación es la más alta, y el Error Cuadrático Medio (RMSE) disminuye a 0.427 g·m·h. Este estudio proporciona un método de predicción inteligente basado en la modelización zonal de las características de crecimiento de los cultivos, que puede utilizarse para respaldar la regulación precisa del riego de los tomates de invernadero.
Descripción
El crecimiento y rendimiento de los cultivos dependen en gran medida del riego. La implementación de planes de riego adaptados a los requerimientos específicos de agua de los cultivos puede mejorar el rendimiento de los cultivos y mejorar la calidad de los tomates. El dominio y la predicción de la tasa de transpiración (T) son de gran importancia para la gestión del agua de los cultivos de invernadero. Sin embargo, debido a la influencia de múltiples factores ambientales y el acoplamiento mutuo entre los factores ambientales, resulta desafiante construir modelos de predicción precisos. Este estudio se centra en los tomates de invernadero y propone una configuración de modelo basada en datos utilizando el algoritmo de muestreo adaptativo reponderado competitivo (CARS), utilizando sensores ambientales de invernadero que recopilan seis parámetros, como temperatura del aire, humedad relativa, radiación solar, temperatura del sustrato, intensidad lumínica y concentración de CO. En respuesta a las diferencias en los cambios de transpiración de los cultivos en diferentes etapas de crecimiento y horarios, se utilizó el algoritmo de incrustación de vecinos estocásticos t-Distribuido (t-SNE) para identificar tres intervalos característicos: etapa de floración, etapa de fructificación durante el día y etapa de fructificación durante la noche. Basándose en esto, se construyó un modelo de predicción de T de tomate de invernadero (modelo CARS-CatBoost) basado en el algoritmo de aprendizaje automático CatBoost. La verificación experimental muestra que el coeficiente de determinación (R) del modelo único CARS-CatBoost construido para toda la etapa de crecimiento es de 0.92, que es mayor que la precisión de predicción del modelo tradicional de coeficiente único de cultivo (R = 0.54). Entre ellos, la precisión de la predicción durante la noche en la etapa de fructificación es la más alta, y el Error Cuadrático Medio (RMSE) disminuye a 0.427 g·m·h. Este estudio proporciona un método de predicción inteligente basado en la modelización zonal de las características de crecimiento de los cultivos, que puede utilizarse para respaldar la regulación precisa del riego de los tomates de invernadero.