Revisión de métodos y modelos para la predicción del rendimiento de papa
Autores: Piekutowska, Magdalena; Niedbaa, Gniewko
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Revisión de métodos y modelos para la predicción del rendimiento de papa
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Ciencias Agrícolas y Biológicas Generales
Palabras clave
Desarrollo
Métodos estadísticos
Técnicas de aprendizaje automático
Técnicas de aprendizaje profundo
Pronóstico de rendimiento de papas
Fuentes de datos
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 44
Citaciones: Sin citaciones
Este artículo proporciona una visión general exhaustiva del desarrollo y la aplicación de métodos estadísticos, modelos basados en procesos, aprendizaje automático y técnicas de aprendizaje profundo en la predicción de rendimientos de papas. Enfatiza la importancia de integrar diversas fuentes de datos, incluidos datos meteorológicos, fenotípicos y de teledetección. Los avances en tecnología informática han permitido la creación de modelos más sofisticados, como modelos mixtos, geoestadísticos y bayesianos. Se presta especial atención a las técnicas de aprendizaje profundo, en particular las redes neuronales convolucionales, que mejoran significativamente la precisión de las predicciones al analizar patrones de datos complejos. El artículo también discute la efectividad de otros algoritmos, como Random Forest y Support Vector Machines, en capturar relaciones no lineales que afectan los rendimientos. Según los estándares adoptados en la investigación agrícola, el Error Porcentual Absoluto Medio (MAPE) en la implementación de problemas de predicción generalmente no debe superar el 15%. La investigación contemporánea indica que, mediante el uso de algoritmos avanzados y precisos, el valor de este error puede alcanzar niveles incluso inferiores al 10 por ciento, aumentando significativamente la eficiencia de la predicción de rendimientos. Los desafíos clave en el campo incluyen la variabilidad climática y las dificultades para obtener datos precisos sobre propiedades del suelo y prácticas agronómicas. A pesar de estos desafíos, los avances tecnológicos presentan nuevas oportunidades para una predicción más precisa. La investigación futura debería centrarse en aprovechar la tecnología de Internet de las Cosas (IoT) para la recopilación de datos en tiempo real y analizar el impacto de variables biológicas en el rendimiento. Se recomienda un enfoque interdisciplinario, integrando conocimientos de ecología y meteorología, para desarrollar modelos predictivos innovadores. La exploración de métodos de aprendizaje automático tiene el potencial de avanzar en el conocimiento en la predicción de rendimientos de papas y apoyar prácticas agrícolas sostenibles.
Descripción
Este artículo proporciona una visión general exhaustiva del desarrollo y la aplicación de métodos estadísticos, modelos basados en procesos, aprendizaje automático y técnicas de aprendizaje profundo en la predicción de rendimientos de papas. Enfatiza la importancia de integrar diversas fuentes de datos, incluidos datos meteorológicos, fenotípicos y de teledetección. Los avances en tecnología informática han permitido la creación de modelos más sofisticados, como modelos mixtos, geoestadísticos y bayesianos. Se presta especial atención a las técnicas de aprendizaje profundo, en particular las redes neuronales convolucionales, que mejoran significativamente la precisión de las predicciones al analizar patrones de datos complejos. El artículo también discute la efectividad de otros algoritmos, como Random Forest y Support Vector Machines, en capturar relaciones no lineales que afectan los rendimientos. Según los estándares adoptados en la investigación agrícola, el Error Porcentual Absoluto Medio (MAPE) en la implementación de problemas de predicción generalmente no debe superar el 15%. La investigación contemporánea indica que, mediante el uso de algoritmos avanzados y precisos, el valor de este error puede alcanzar niveles incluso inferiores al 10 por ciento, aumentando significativamente la eficiencia de la predicción de rendimientos. Los desafíos clave en el campo incluyen la variabilidad climática y las dificultades para obtener datos precisos sobre propiedades del suelo y prácticas agronómicas. A pesar de estos desafíos, los avances tecnológicos presentan nuevas oportunidades para una predicción más precisa. La investigación futura debería centrarse en aprovechar la tecnología de Internet de las Cosas (IoT) para la recopilación de datos en tiempo real y analizar el impacto de variables biológicas en el rendimiento. Se recomienda un enfoque interdisciplinario, integrando conocimientos de ecología y meteorología, para desarrollar modelos predictivos innovadores. La exploración de métodos de aprendizaje automático tiene el potencial de avanzar en el conocimiento en la predicción de rendimientos de papas y apoyar prácticas agrícolas sostenibles.