Herramientas estadísticas y de redes neuronales basadas en el clima para pronosticar los rendimientos de arroz en los principales distritos productores de Karnataka
Autores: Thimmegowda, Mathadadoddi Nanjundegowda; Manjunatha, Melekote Hanumanthaiah; Huggi, Lingaraj; Shivaramu, Huchahanumegowdanapalya Sanjeevaiah; Soumya, Dadireddihalli Venkatappa; Nagesha, Lingegowda; Padmashri, Hejjaji Sreekanthamurthy
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Herramientas estadísticas y de redes neuronales basadas en el clima para pronosticar los rendimientos de arroz en los principales distritos productores de Karnataka
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Agronomía y Ciencia de los Cultivos
Palabras clave
Modelos
Predecibilidad de rendimiento
Red neuronal artificial
Subestimación
Sobreestimación
Condiciones climáticas
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 22
Citaciones: Sin citaciones
Se compararon dos modelos multivariables para evaluar su capacidad predictiva de rendimiento en base a conjuntos de datos de rendimiento de arroz a largo plazo (1980-2021) y datos meteorológicos en once distritos de Karnataka. Los modelos de regresión lineal múltiple simple (SMLR) y de redes neuronales artificiales (ANN) fueron calibrados (datos de 1980-2019) y validados (datos de 2019-2020), y se pronosticaron los rendimientos (2021). Una intercomparación de los modelos reveló una mejor capacidad predictiva de rendimiento con ANN, ya que las desviaciones observadas fueron menores (-37.1 a 21.3%, desviación media del 4%) en comparación con SMLR (-2.5 a 35.0%, desviación media del 16%). Además, la predicción de rendimiento por distrito utilizando ANN indicó una subestimación del rendimiento, con mayores errores en Mysuru (-0.2%), Uttara Kannada (-1.5%), Hassan (-0.1%), Ballari (-1.5%) y Belagavi (-15.3%) y sobreestimaciones en los distritos restantes (0.0 a 4.2%) en 2018. Del mismo modo, en 2019 los rendimientos fueron subestimados en Kodagu (-0.6%), Shivamogga (-0.1%), Davanagere (-0.7%), Hassan (-0.2%), Ballari (-5.1%) y Belagavi (-10.8%) y sobreestimados para los otros cinco distritos (0.0 a 4.8%). Tales subestimaciones del rendimiento del modelo están relacionadas con las prácticas de mejora del rendimiento de los agricultores realizadas en condiciones climáticas adversas, que no fueron consideradas por el modelo durante el pronóstico. Dado que las desviaciones están en un rango aceptable, se demuestra la mejor aplicabilidad de ANN para la predicción de rendimiento y la planificación del manejo de cultivos, además de su uso para la formulación de políticas agrícolas regionales.
Descripción
Se compararon dos modelos multivariables para evaluar su capacidad predictiva de rendimiento en base a conjuntos de datos de rendimiento de arroz a largo plazo (1980-2021) y datos meteorológicos en once distritos de Karnataka. Los modelos de regresión lineal múltiple simple (SMLR) y de redes neuronales artificiales (ANN) fueron calibrados (datos de 1980-2019) y validados (datos de 2019-2020), y se pronosticaron los rendimientos (2021). Una intercomparación de los modelos reveló una mejor capacidad predictiva de rendimiento con ANN, ya que las desviaciones observadas fueron menores (-37.1 a 21.3%, desviación media del 4%) en comparación con SMLR (-2.5 a 35.0%, desviación media del 16%). Además, la predicción de rendimiento por distrito utilizando ANN indicó una subestimación del rendimiento, con mayores errores en Mysuru (-0.2%), Uttara Kannada (-1.5%), Hassan (-0.1%), Ballari (-1.5%) y Belagavi (-15.3%) y sobreestimaciones en los distritos restantes (0.0 a 4.2%) en 2018. Del mismo modo, en 2019 los rendimientos fueron subestimados en Kodagu (-0.6%), Shivamogga (-0.1%), Davanagere (-0.7%), Hassan (-0.2%), Ballari (-5.1%) y Belagavi (-10.8%) y sobreestimados para los otros cinco distritos (0.0 a 4.8%). Tales subestimaciones del rendimiento del modelo están relacionadas con las prácticas de mejora del rendimiento de los agricultores realizadas en condiciones climáticas adversas, que no fueron consideradas por el modelo durante el pronóstico. Dado que las desviaciones están en un rango aceptable, se demuestra la mejor aplicabilidad de ANN para la predicción de rendimiento y la planificación del manejo de cultivos, además de su uso para la formulación de políticas agrícolas regionales.