Modelo de pronóstico de rendimiento de caña de azúcar previo a la cosecha de alta precisión utilizando análisis de imágenes de drones, minería de datos y método de diseño inverso
Autores: Tanut, Bhoomin; Waranusast, Rattapoom; Riyamongkol, Panomkhawn
Idioma: Inglés
Editor: MDPI
Año: 2021
Acceso abierto
Artículo científico
2021
Modelo de pronóstico de rendimiento de caña de azúcar previo a la cosecha de alta precisión utilizando análisis de imágenes de drones, minería de datos y método de diseño inverso
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Ciencias Agrícolas y Biológicas Generales
Palabras clave
Modelo
Rendimiento de caña de azúcar
Wondercane
Minería de datos
Pronóstico
Precisión
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 39
Citaciones: Sin citaciones
Este artículo presenta un nuevo modelo para pronosticar el rendimiento de la caña de azúcar que reduce sustancialmente las tasas actuales de errores de evaluación, proporcionando una herramienta de evaluación previa a la cosecha más confiable para la producción de caña de azúcar. Este modelo, llamado el modelo Wondercane, integra varios datos ambientales obtenidos de encuestas de ingenios azucareros y agencias gubernamentales con el análisis de imágenes aéreas de campos de caña de azúcar obtenidas con drones. Las imágenes de drones permiten calcular la proporción de caña de azúcar no utilizable (la tasa de defectos) en el campo. La caña defectuosa puede resultar de condiciones climáticas adversas u otros problemas de cultivo. El modelo Wondercane se desarrolla sobre el principio de determinar el rendimiento no a través de datos en forma de regresión, sino a través de datos en forma de clasificación. Se aplican el método de Diseño Inverso y el método de Relación de Similitud para la extracción de características de los factores de entrada y las salidas objetivo. El modelo utiliza la minería de datos para reconocer y clasificar el conjunto de datos del campo de caña de azúcar. Los resultados muestran que el rendimiento óptimo del modelo se logra cuando: (1) el número de Factores de Entrada es cinco, (2) el número de Salidas Objetivo es 32, y (3) se utiliza el algoritmo de Bosque Aleatorio. El modelo reconoció los datos de entrenamiento de 2019 con una precisión del 98.21%, y luego pronosticó correctamente el rendimiento de los datos de prueba de 2019 con una precisión del 89.58% (error del 10.42%) en comparación con el rendimiento real. El modelo Wondercane pronosticó correctamente el rendimiento de la cosecha de un conjunto de datos de 2020 con una precisión del 98.69% (error del 1.31%). Por lo tanto, el modelo Wondercane es una herramienta precisa y robusta que puede reducir sustancialmente el problema de los errores en la estimación del rendimiento de la caña de azúcar y proporcionar a la industria azucarera una mejor evaluación previa a la cosecha del rendimiento de la caña de azúcar.
Descripción
Este artículo presenta un nuevo modelo para pronosticar el rendimiento de la caña de azúcar que reduce sustancialmente las tasas actuales de errores de evaluación, proporcionando una herramienta de evaluación previa a la cosecha más confiable para la producción de caña de azúcar. Este modelo, llamado el modelo Wondercane, integra varios datos ambientales obtenidos de encuestas de ingenios azucareros y agencias gubernamentales con el análisis de imágenes aéreas de campos de caña de azúcar obtenidas con drones. Las imágenes de drones permiten calcular la proporción de caña de azúcar no utilizable (la tasa de defectos) en el campo. La caña defectuosa puede resultar de condiciones climáticas adversas u otros problemas de cultivo. El modelo Wondercane se desarrolla sobre el principio de determinar el rendimiento no a través de datos en forma de regresión, sino a través de datos en forma de clasificación. Se aplican el método de Diseño Inverso y el método de Relación de Similitud para la extracción de características de los factores de entrada y las salidas objetivo. El modelo utiliza la minería de datos para reconocer y clasificar el conjunto de datos del campo de caña de azúcar. Los resultados muestran que el rendimiento óptimo del modelo se logra cuando: (1) el número de Factores de Entrada es cinco, (2) el número de Salidas Objetivo es 32, y (3) se utiliza el algoritmo de Bosque Aleatorio. El modelo reconoció los datos de entrenamiento de 2019 con una precisión del 98.21%, y luego pronosticó correctamente el rendimiento de los datos de prueba de 2019 con una precisión del 89.58% (error del 10.42%) en comparación con el rendimiento real. El modelo Wondercane pronosticó correctamente el rendimiento de la cosecha de un conjunto de datos de 2020 con una precisión del 98.69% (error del 1.31%). Por lo tanto, el modelo Wondercane es una herramienta precisa y robusta que puede reducir sustancialmente el problema de los errores en la estimación del rendimiento de la caña de azúcar y proporcionar a la industria azucarera una mejor evaluación previa a la cosecha del rendimiento de la caña de azúcar.