Enfoque de red neuronal basado en el clima, regresión lineal paso a paso y escasa para la previsión de rendimiento de sorgo de Karnataka, India
Autores: Sridhara, Shankarappa; Ramesh, Nandini; Gopakkali, Pradeep; Das, Bappa; Venkatappa, Soumya D.; Sanjivaiah, Shivaramu H.; Kumar Singh, Kamalesh; Singh, Priyanka; El-Ansary, Diaa O.; Mahmoud, Eman A.; Elansary, Hosam O.
Idioma: Inglés
Editor: MDPI
Año: 2020
Acceso abierto
Artículo científico
2020
Enfoque de red neuronal basado en el clima, regresión lineal paso a paso y escasa para la previsión de rendimiento de sorgo de Karnataka, India
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Agronomía y Ciencia de los Cultivos
Palabras clave
Sorgo
Parámetros meteorológicos
Modelos de pronóstico
LASSO
ENET
PCA
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 44
Citaciones: Sin citaciones
El sorgo es un cultivo de doble propósito importante en India, cultivado para alimentación y forraje. Las condiciones climáticas prevalecientes durante el período de crecimiento del cultivo determinan el rendimiento del sorgo. Por lo tanto, los modelos de pronóstico de rendimiento del cultivo basados en parámetros climáticos serán una opción adecuada para los encargados de formular políticas e investigadores para desarrollar estrategias de cultivo sostenibles. En el presente estudio, se examinan seis modelos multivariados basados en el clima, a saber, operador de contracción y selección absoluta mínima (LASSO), red elástica (ENET), análisis de componentes principales (PCA) en combinación con regresión lineal múltiple paso a paso (SMLR), red neuronal artificial (ANN) sola y en combinación con PCA y modelo de regresión de cresta, fijando el 90% de los datos para la calibración y el conjunto de datos restante para la validación para predecir el rendimiento del sorgo para diferentes distritos de Karnataka. El R y el error cuadrático medio raíz (RMSE) durante la calibración variaron entre 0,42 a 0,98 y 30,48 a 304,17 kg/ha, respectivamente, sin evapotranspiración real (AET), mientras que estos parámetros de evaluación variaron de 0,38 a 0,99 y 19,84 a 308,79 kg/ha, respectivamente con la inclusión de AET. Durante la validación, el RMSE y el nRMSE (error cuadrático medio raíz normalizado) variaron entre 88,99 a 1265,03 kg/ha y 4,49 a 96,84%, respectivamente sin AET y al incluir AET como una de las variables climáticas, RMSE y nRMSE fueron de 63,48 a 1172,01 kg/ha y 4,16 a 92,56%, respectivamente. El rendimiento de los seis modelos multivariados reveló que LASSO fue el mejor modelo seguido por ENET en comparación con PCA_SMLR, ANN, PCA_ANN y modelos de regresión de cresta debido a la reducción del sobreajuste mediante la penalización del coeficiente de regresión. Por lo tanto, se puede concluir que los modelos meteorológicos LASSO y ENET pueden ser utilizados de manera efectiva para el pronóstico del rendimiento de sorgo a nivel de distrito.
Descripción
El sorgo es un cultivo de doble propósito importante en India, cultivado para alimentación y forraje. Las condiciones climáticas prevalecientes durante el período de crecimiento del cultivo determinan el rendimiento del sorgo. Por lo tanto, los modelos de pronóstico de rendimiento del cultivo basados en parámetros climáticos serán una opción adecuada para los encargados de formular políticas e investigadores para desarrollar estrategias de cultivo sostenibles. En el presente estudio, se examinan seis modelos multivariados basados en el clima, a saber, operador de contracción y selección absoluta mínima (LASSO), red elástica (ENET), análisis de componentes principales (PCA) en combinación con regresión lineal múltiple paso a paso (SMLR), red neuronal artificial (ANN) sola y en combinación con PCA y modelo de regresión de cresta, fijando el 90% de los datos para la calibración y el conjunto de datos restante para la validación para predecir el rendimiento del sorgo para diferentes distritos de Karnataka. El R y el error cuadrático medio raíz (RMSE) durante la calibración variaron entre 0,42 a 0,98 y 30,48 a 304,17 kg/ha, respectivamente, sin evapotranspiración real (AET), mientras que estos parámetros de evaluación variaron de 0,38 a 0,99 y 19,84 a 308,79 kg/ha, respectivamente con la inclusión de AET. Durante la validación, el RMSE y el nRMSE (error cuadrático medio raíz normalizado) variaron entre 88,99 a 1265,03 kg/ha y 4,49 a 96,84%, respectivamente sin AET y al incluir AET como una de las variables climáticas, RMSE y nRMSE fueron de 63,48 a 1172,01 kg/ha y 4,16 a 92,56%, respectivamente. El rendimiento de los seis modelos multivariados reveló que LASSO fue el mejor modelo seguido por ENET en comparación con PCA_SMLR, ANN, PCA_ANN y modelos de regresión de cresta debido a la reducción del sobreajuste mediante la penalización del coeficiente de regresión. Por lo tanto, se puede concluir que los modelos meteorológicos LASSO y ENET pueden ser utilizados de manera efectiva para el pronóstico del rendimiento de sorgo a nivel de distrito.