Un modelo de predicción del potencial hídrico de la hoja de algodón basado en la optimización de enjambre de partículas del modelo LS-SVM
Autores: Gao, Yonglin; Zhao, Tiebiao; Zheng, Zhong; Liu, Dongdong
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Un modelo de predicción del potencial hídrico de la hoja de algodón basado en la optimización de enjambre de partículas del modelo LS-SVM
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Agronomía y Ciencia de los Cultivos
Palabras clave
Niveles de humedad del cultivo
Imágenes térmicas infrarrojas
Modelo predictivo
Optimización de enjambre de partículas
Modelo LS-SVM
Potencial hídrico de la hoja
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 26
Citaciones: Sin citaciones
El monitoreo frecuente de los niveles de humedad de los cultivos puede mejorar significativamente la eficiencia de producción de los cultivos y optimizar la utilización de los recursos hídricos. El objetivo del presente estudio fue generar mapas del estado de humedad utilizando imágenes térmicas infrarrojas, centrándose en el desarrollo de un modelo predictivo para el potencial hídrico de las hojas de algodón. El modelo fue construido utilizando la optimización por enjambre de partículas (PSO) en conjunto con la máquina de vectores de soporte de mínimos cuadrados (LS-SVM). Los modelos SVM tradicionales sufren de una alta complejidad computacional, largos tiempos de entrenamiento y restricciones de desigualdad en la predicción del potencial hídrico de las hojas. Para abordar estos problemas, se introdujo el algoritmo PSO para mejorar el rendimiento del modelo LS-SVM. El modelo PSO-optimizado LS-SVM mostró mejoras notables en el rendimiento al ser evaluado en dos conjuntos de datos de prueba distintos (Alaer y Tumushuke). Los resultados de la investigación indican que la precisión predictiva del modelo PSO-LS-SVM mejoró significativamente, evidenciada por un aumento de 0,05 y 0,04 en los valores, ambos alcanzando 0,95. Esta mejora se refleja en los valores correspondientes de RMSE, que se redujeron a 0,100 y 0,103. Además, se estableció un modelo basado en datos de tres etapas de crecimiento del algodón, logrando una alta precisión predictiva incluso con menos muestras de entrenamiento. Al utilizar el modelo PSO-LS-SVM para predecir información sobre el potencial hídrico de las hojas, los datos predichos se mapearon en imágenes de drones, lo que permitió la transformación del potencial hídrico de las hojas de un punto a un área. Los hallazgos actuales contribuyen a una comprensión más completa del potencial hídrico de las hojas de algodón al representar visualmente la distribución espacial del estado hídrico de los cultivos a gran escala. Los resultados tienen una gran importancia para la mejora de la gestión del riego de los cultivos.
Descripción
El monitoreo frecuente de los niveles de humedad de los cultivos puede mejorar significativamente la eficiencia de producción de los cultivos y optimizar la utilización de los recursos hídricos. El objetivo del presente estudio fue generar mapas del estado de humedad utilizando imágenes térmicas infrarrojas, centrándose en el desarrollo de un modelo predictivo para el potencial hídrico de las hojas de algodón. El modelo fue construido utilizando la optimización por enjambre de partículas (PSO) en conjunto con la máquina de vectores de soporte de mínimos cuadrados (LS-SVM). Los modelos SVM tradicionales sufren de una alta complejidad computacional, largos tiempos de entrenamiento y restricciones de desigualdad en la predicción del potencial hídrico de las hojas. Para abordar estos problemas, se introdujo el algoritmo PSO para mejorar el rendimiento del modelo LS-SVM. El modelo PSO-optimizado LS-SVM mostró mejoras notables en el rendimiento al ser evaluado en dos conjuntos de datos de prueba distintos (Alaer y Tumushuke). Los resultados de la investigación indican que la precisión predictiva del modelo PSO-LS-SVM mejoró significativamente, evidenciada por un aumento de 0,05 y 0,04 en los valores, ambos alcanzando 0,95. Esta mejora se refleja en los valores correspondientes de RMSE, que se redujeron a 0,100 y 0,103. Además, se estableció un modelo basado en datos de tres etapas de crecimiento del algodón, logrando una alta precisión predictiva incluso con menos muestras de entrenamiento. Al utilizar el modelo PSO-LS-SVM para predecir información sobre el potencial hídrico de las hojas, los datos predichos se mapearon en imágenes de drones, lo que permitió la transformación del potencial hídrico de las hojas de un punto a un área. Los hallazgos actuales contribuyen a una comprensión más completa del potencial hídrico de las hojas de algodón al representar visualmente la distribución espacial del estado hídrico de los cultivos a gran escala. Los resultados tienen una gran importancia para la mejora de la gestión del riego de los cultivos.