Modelo de red neuronal artificial para predecir la pérdida de rendimiento de raíces de zanahoria en relación con el corte mecánico
Autores: Rybacki, Piotr; Przygodzinski, Przemysaw; Osuch, Andrzej; Osuch, Ewa; Kowalik, Ireneusz
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Modelo de red neuronal artificial para predecir la pérdida de rendimiento de raíces de zanahoria en relación con el corte mecánico
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Ciencias Agrícolas y Biológicas Generales
Palabras clave
Producción agrícola
Procesos no lineales
Análisis de regresión múltiple
Red neuronal artificial
Raíces de zanahoria
Modelo CH-NET
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 38
Citaciones: Sin citaciones
Modelar y predecir procesos de producción agrícola tienen altos valores cognitivos y prácticos. El crecimiento de las plantas, la amenaza de patógenos y plagas, y la estructura de los tratamientos de maquinaria agrícola son procesos mayormente no lineales y medibles que pueden describirse matemáticamente. En este trabajo, se realizó un análisis de regresión múltiple en el primer paso para verificar la no linealidad de los datos y se obtuvo un coeficiente de determinación de R^2 = 0.9741 y el coeficiente de determinación corregido para los grados de libertad fue R^2 = 0.9739. Luego se presenta un modelo de red neuronal artificial, llamado CH-NET, para predecir la pérdida de rendimiento de las raíces de zanahoria dejadas en el campo durante la cosecha en la etapa de corte mecánico. El modelo de red propuesto tiene una arquitectura que consta de una capa de entrada, tres capas ocultas con 12 neuronas cada una y una capa de salida con una neurona. Se definieron doce criterios de entrada para el análisis y la prueba de la red, ocho de los cuales estaban relacionados con los parámetros de la raíz de zanahoria y cuatro con la máquina de corte. La base de datos de entrenamiento, prueba y validación de la red CH-NET consistió en los resultados de los ensayos de campo y las pruebas de funcionamiento de la máquina de corte de raíces patentada (P.242097). El modelo de red neuronal CH-NET propuesto logró valores de error global (GE) de 0.0931 t·ha para predecir las pérdidas de rendimiento de raíces de zanahoria para los doce criterios adoptados. Sin embargo, cuando se reduce el número de criterios a ocho, el error aumentó a 0.0991 t·ha. Es decir, la predicción se realizó con una precisión del 90.69%. El modelo CH-NET desarrollado permite predecir las pérdidas económicas asociadas con la masa de raíces dejadas en el campo o la contaminación del material crudo con hojas cortadas. Las simulaciones realizadas mostraron que las pérdidas mínimas de raíces (0.263 t·ha) ocurren a una altura promedio de proyección de la cabeza de raíz de 38 mm y una altura de corte de 20 mm desde la superficie de la cresta.
Descripción
Modelar y predecir procesos de producción agrícola tienen altos valores cognitivos y prácticos. El crecimiento de las plantas, la amenaza de patógenos y plagas, y la estructura de los tratamientos de maquinaria agrícola son procesos mayormente no lineales y medibles que pueden describirse matemáticamente. En este trabajo, se realizó un análisis de regresión múltiple en el primer paso para verificar la no linealidad de los datos y se obtuvo un coeficiente de determinación de R^2 = 0.9741 y el coeficiente de determinación corregido para los grados de libertad fue R^2 = 0.9739. Luego se presenta un modelo de red neuronal artificial, llamado CH-NET, para predecir la pérdida de rendimiento de las raíces de zanahoria dejadas en el campo durante la cosecha en la etapa de corte mecánico. El modelo de red propuesto tiene una arquitectura que consta de una capa de entrada, tres capas ocultas con 12 neuronas cada una y una capa de salida con una neurona. Se definieron doce criterios de entrada para el análisis y la prueba de la red, ocho de los cuales estaban relacionados con los parámetros de la raíz de zanahoria y cuatro con la máquina de corte. La base de datos de entrenamiento, prueba y validación de la red CH-NET consistió en los resultados de los ensayos de campo y las pruebas de funcionamiento de la máquina de corte de raíces patentada (P.242097). El modelo de red neuronal CH-NET propuesto logró valores de error global (GE) de 0.0931 t·ha para predecir las pérdidas de rendimiento de raíces de zanahoria para los doce criterios adoptados. Sin embargo, cuando se reduce el número de criterios a ocho, el error aumentó a 0.0991 t·ha. Es decir, la predicción se realizó con una precisión del 90.69%. El modelo CH-NET desarrollado permite predecir las pérdidas económicas asociadas con la masa de raíces dejadas en el campo o la contaminación del material crudo con hojas cortadas. Las simulaciones realizadas mostraron que las pérdidas mínimas de raíces (0.263 t·ha) ocurren a una altura promedio de proyección de la cabeza de raíz de 38 mm y una altura de corte de 20 mm desde la superficie de la cresta.