Predicción de la producción y rendimiento de frijol, con modelos de redes neuronales artificiales y datos climáticos

Autores/as

  • Miguel Servín-Palestina Universidad Autónoma Chapingo
  • Raquel Salazar-Moreno Autonomous University of Chapingo
  • Irineo López-Cruz Universidad Autónoma Chapingo
  • Guillermo Medina-García INIFAP
  • José Ángel Cid-Ríos INIFAP

DOI:

https://doi.org/10.18633/biotecnia.v24i2.1664

Palabras clave:

Inteligencia artificial, Zacatecas, temperatura, precipitación, cultivos de temporal, Phaseolus vulgaris, L

Resumen

El estado de Zacatecas ocupa el primer lugar en la producción de frijol de temporal en México. Debido a las repercusiones económicas y de seguridad alimentaria, es importante la predicción de los rendimientos, producción y superficie cosechada, igualmente, conocer las variables climatológicas que mayor efecto tienen en el cultivo de frijol. Los objetivos del presente trabajo fueron 1) desarrollar modelos de redes neuronales artificiales RNA para la predicción de la superficie cosechada (SC), los rendimientos (Rto) y la producción (P) de frijol de temporal en el estado de Zacatecas, empleando datos de temperatura máxima y mínima del aire, precipitación y evaporación durante el periodo 1988-2019. 2) realizar un análisis de sensibilidad para determinar las variables de entrada que tienen mayor influencia en la producción y rendimiento de frijol. Debido a la limitada disponibilidad de datos climáticos, se usó la librería Climatol del paquete estadístico R, para el llenado de datos faltantes. Los resultados muestran que los modelos de RNA son capaces de detectar la influencia del clima en la producción de frijol. La eficiencia global en los modelos RNA fue de 0.89 para Rto y 0.86 para SC.  La producción se estimó con los modelos de RNA para Rto y SC y se obtuvo un R2 =0.80. De acuerdo al análisis de sensibilidad, la evaporación del ciclo del cultivo (Eva) es la variable más importante en la predicción del rendimiento, mientras que la precipitación de agosto (Pp_Ago) y la temperatura mínima (Tmin) influyeron más en la producción.

Biografía del autor/a

Raquel Salazar-Moreno, Autonomous University of Chapingo

Profesora- Investigadora del Depto. de Ingeniería Mecánica Agrícola y Posgrado en Ingeniería Agrícola de la Universidad Autónoma Chapingo. Obtuvo su doctorado en Ingeniería Agrícola y Biosistemas en la Universidad de Arizona.  Miembro del Sistema Nacional de Investigadores de CONACYT. Estancias de Investigación en Universidad de Sydney en Australia, Universidad Humboldt de Berlín, Universidad de Arizona y en WaterHub Ander Singapore Cooperation Programme.  Realiza investigación relacionada con el uso eficiente del agua y energía,  agricultura urbana, modelación de sistemas. Participa en proyectos de agricultura sustentable.

Irineo López-Cruz, Universidad Autónoma Chapingo

Obtuvo su doctorado en Ingeniería Agrícola en la Wageningen University (Paises Bajos, 1997-2002), su maestría en Inteligencia Artificial en la Fundación Arturo Rosenblueth (México, 1990-1992). Ha realizado dos estancias de investigación en la Humboldt University (Berlin, 2009-2012). Es profesor-investigador del Postgrado en Ingeniería Agrícola y Uso Integral del Agua en la Universidad Autónoma Chapingo, México. Miembro del Sistema Nacional de Investigadores de CONACYT (nivel II).  Miembro de la Academia Mexicana de Ciencias. Presidente del grupo de trabajo Greenhouse Environment and climate control de la comisión de Ingeniería Hortícola de la International Society for Horticultural Science (ISHS).

Citas

Abraham, E. R., Mendes dos Reis, J. G., Vendrametto, O., Oliveira Costa Neto, P. L. D., Carlo Toloi, R., Souza, A. E. D., y Oliveira Morais, M. D. 2020. Time Series Prediction with Artificial Neural Networks: An Analysis Using Brazilian Soybean Production. Agriculture, 10(10), 475. https://doi.org/10.3390/agriculture10100475

Allen, R. G., Pereira, L. S., Raes, D. y Smith, M. 2006. Evapotranspiración del cultivo: guía para la determinación de los requerimientos de agua de los cultivos. Estudio FAO Riego y Drenaje. FAO, Roma. 2006. 56-323 pp.

Chatterjee, S., Dey, N., Sen, S. 2018. Soil moisture quantity prediction using optimized neural supported model for sustainable agricultural applications. Sustain. Comput. Inform. Syst. 100279. https://doi.org/10.1016/j.suscom.2018.09.002

Crane, D. A. 2018. Machine learning methods for crop yield prediction and climate change impact assessment in agriculture. Environmental Research Letters, 13(11), 114003.

Demuth, H., Beale, M., Hagan, M. 2017. Neural Network Toolbox User’s Guide; The MathWorks, Inc.: Natick, MA, USA, http://www.mathworks.com/help/nnet/ug/dividedata-for-optimal-neural-network-training.html (last review Mayo 2020)

Esquivel, A. G., Sánchez, C. I., López, S, A., Velásquez, V. M. A., y Bueno, H, P. 2016. Enfoque metodológico para cuantificar el efecto del cambio en patrones de clima sobre el rendimiento del cultivo de frijol en el estado de Durango. Revista Chapingo Serie Zonas Áridas, 15(1), 17-28. https://doi.org/10.5154/r.rchsza.2015.08.011

Fausett, L. V. 2006. Fundamentals of neural networks: architectures, algorithms and applications. Pearson Education India.

Galindo, G. G. y Zandate, H. R. 2006. Adopción de variedades de frijol en el noroeste de zacatecas. Terra Latinoamericana, 24(1), 141-147.

García, M. H.; Flores, M. H.; Ascencio, H., R.; Khalil, G. A.; Tijerina, C., L.; Mancilla. V. O.R.; Vázquez. P. M.A. 2020. Corn Grain Yield Estimation from Vegetation Indices, Canopy Cover, Plant Density, and a Neural Network Using Multispectral and RGB Images Acquired with Unmanned Aerial Vehicles. Agriculture, 10, 277. https://doi.org/10.3390/agriculture10070277

Garg, B., Kirar, N.; Menon, S., Sah, T. 2016. A performance comparison of different back propagation neural networks methods for forecasting wheat production. CSI Trans. ICT, 4, 305–311. https://doi.org/10.1007/s40012-016-0096-x

Gaytán, J. C. T., Acevedo, M. E. S., y Arias, J. Á. R. 2014. Modelación del clima bajo un proceso estocástico de reversión a la media estacional. Estocástica: finanzas y riesgo, 4(1), 9-32.

Geyser, J. M., and van de Venter, T.W.G. 2001. “Hedging Maize Yield with Weather Derivatives”. Working Paper 2001-13, University of Pretoria, Department of Agriculral Economics, Extension and Rural Development, 1-19 http://purl.umn.edu/18067

Gogtay, N. J. y Thatte, U. M. 2017. Principles of correlation analysis. Journal of the Association of Physicians of India, 65(3), 78-81. https://pubmed.ncbi.nlm.nih.gov/29313581/

Gourdji, S., Läderach, P., Valle, A. M., Martinez, C. Z. y Lobell, D. B. 2015. Historical climate trends, deforestation, and maize and bean yields in Nicaragua. Agricultural and Forest Meteorology, 200, 270-281. https://doi.org/10.1016/j.agrformet.2014.10.002

Guijarro, J.A. 2002. Tendencias de la precipitacion en el litoral mediterraneo espa nol. In ˜ El Agua y el Clima, Guijarro JA, Grimalt M, Laita M, Alonso S (ed). Asociacion Española de Climatología: Palma de Mallorca; 237–246. http://hdl.handle.net/20.500.11765/9143

Guijarro, J.A. 2018. Homogeneización de series climáticas con Climatol. Agencia Estatal de Meteorología (AEMET), DT en Islas Baleares, España. Versión, 3(1).

Grageda, J. G., Lagunes, A. J., Rodríguez, J. C., Castillo, A. A. F., Chaparro, B. P., & Barrón, R. (2012). Uso de la información de una red de estaciones meteorológicas automatizadas en Sonora. Biotecnia, 14(1), 13-17. https://doi.org/10.18633/bt.v14i1.115

Hagan, M.T., Demuth, H.B., Beale, M.H., 1996. Neural Network Design. PWS Publishing, Boston, MA.

Heng, L. K., T. Hsiao, S. Evett, T. Howell, and P. Steduto. 2009. Validating the FAO AquaCrop model for irrigated and water deficient field maize. Agron. J. 101(3): 488-498. https://doi.org/10.2134/agronj2008.0029xs.

Intell, K. 2013. Special Issue on Artificial Intelligence in Agriculture. 78, Berlin. Springer-Verlag, 2013, Springer-Verlag Berlin Heidelberg. Vol. 43, pp 309–311. 0933-1875.

Irigoyen, A. I., Della-Maggiora, A., & Angelocci, L. R. 2012. Análisis de los pesos sinápticos en redes neuronales artificiales entrenadas para estimar la lámina de agua en el suelo. XVII Congresso Brasileiro de MeteorologiaAt: Gramado, BrazilVolume: 1 September

Khan, T., Qiu, J., Ali Qureshi, M.A., Iqbal, M.S., Mehmood, R., Hussain, W. 2020. Agricultural Fruit Prediction Using Deep Neural Networks. Procedia Comput. Sci. 174, 72–78. https://doi.org/10.1016/j.procs.2020.06.058

Kolmogorov, A. N. 1957. On the representations of continuous functions of many variables by superpositions of continuous functions of one variable and addition. Dokl. Akad. Nauk USSR 114: 953 – 956. http://mi.mathnet.ru/eng/dan/v114/i5/p953

Krause, P., D. P. Boyle, and F. Bäse. 2005. Comparison of different efficiency criteria for hydrological model assessment. Adv. Geosci. 5: 89-97. https://doi.org/10.5194/adgeo-5-89-2005

Maimaitijiang, M., Sagan, V., Sidike, P., Hartling, S., Esposito, F., Fritschi, F.B. 2020. Soybean yield prediction from UAV using multimodal data fusion and deep learning. Remote Sens. Environ. 237, 111599. https://doi.org/10.1016/j.rse.2019.111599

Marquardt, D. W. 1963. An algorithm for least-squares estimation of nonlinear parameters. SIAM Journal of Applied Mathematics, 11(2): 431–441. https://doi.org/10.1137/0111030

Medina, G., G., Rumayor, R. A. F., Cabañas, C. B., Luna, F, M.; Ruiz, C. J. A., Gallegos, V. C.; Madero, T. J., Gutiérrez, S., J. R.; Rubio, D. S. y Bravo, L. A. G. 2003. Potencial productivo de especies agrícolas en el estado de Zacatecas. Instituto Nacional de Investigaciones Forestales, Agrícolas y Pecuarias. Centro de Investigación Regional Norte Centro. Calera de V. R., Zacatecas, México. (Libro Técnico Núm. 2). 15 7 p.

Medina, G. G. y Ruiz, C. J. A. 2004. Estadísticas climatológicas básicas del estado de Zacatecas (Periodo 1961-2003). Instituto Nacional de Investigaciones Forestales, Agrícolas y Pecuarias. Centro de Investigación Regional Norte Centro. Campo Experimental Zacatecas. Calera de VR Zacatecas. (Libro Técnico No. 3).

Medina, G. G., Báez, G. A. D. y Ramos, G. J. L. 2007. Red de monitoreoagroclimático del estado de Zacatecas. INIFAP, Campo Experimental Zacatecas, México. Desplegable informativa Núm. 15. 14 p. consultado mayo 2020 http://www.zacatecas.inifap.gob.mx/historico.php?id=26786

Mohamed, Z.E. 2019. Using the artificial neural networks for prediction and validating solar radiation. J. Egypt. Math. Soc. 27, 47. https://doi.org/10.1186/s42787-019-0043-8

Moore, H. 2012. MATLAB®. MATLAB for Engineers, Third Edition. Upper Saddle River, NJ: Pearson Education, Inc, 1-8.

Stacey N., Friederike M., Hannes E., Naomi S. 2015. Economics of Land Degradation Initiative: Report for policy and decision makers_ Reaping economic and environmental benefits from sustainable land management. Bonn, Germany: ELD Initiative and Deutsche Gesellschaft für Internationale Zusammenarbeit (GIZ) GmbH. https://hdl.handle.net/20.500.11766/4881

Osuna, C. E. S., Figueroa, S. B., Martínez, G. M. Á., y Pimentel, L. J. 2019. Un sistema agroforestal de secano para el altiplano semiárido de México. Revista mexicana de ciencias agrícolas, 10(SPE22), 89-103. https://doi.org/10.29312/remexca.v0i22.1861

Paulhus J. L. H, Kohler, M. A. 1952. Interpolation of missing precipitation records. Month. Weath. Rev., 80:129-133. https://doi.org/10.1175/1520-0493(1952)080<0129:IOMPR>2.0.CO2

Pecar, B., Davis, G. 2018. Time Series Based Predictive Analytics Modelling: Using MS Excel, 3rd ed.; Amazon Kindle: Seattle, WA, USA.

Prieto, C. M. R., Matus, G. J. A., Gavi, R. F., Omaña, S. J. M., Brambila, P.J. J., Sánchez, E. J. y Martínez, D. M. A. 2019. Evolución de la superficie cultivada de frijol e impacto económico de la sequía sobre su rendimiento bajo condiciones de temporal en México. Revista Fitotecnia Mexicana 42:173-23 Rev. Fitotec. Mex. Vol. 43 (1) 2020 182, https://doi.org/10.35196/rfm.2019.2.173-182

Qian, Y., Kaiser, D. P., Leung, L. R. y Xu, M. 2006. More frequent cloud‐free sky and less surface solar radiation in China from 1955 to 2000. Geophysical Research Letters, 33(1). https://doi.org/10.1029/2005GL024586

Raghuwanshi, N. S. y Wallender, W. W. 1998. Converting from pan evaporation to evapotranspiration. Journal of irrigation and drainage engineering, 124(5), 275-277.

Ruiz-Del-Angel, E. O., Castilleja, R. D. C. V., Aguilar, J. C. R., & García, C. A. C. 2019. Modelo de requerimiento hídrico en un distrito de riego en México: incorporando escenarios de cambio climático. Biotecnia, 21(2), 129-136. https://doi.org/10.18633/biotecnia.v21i2.946

Saltelli, A. (2002). Sensitivity analysis for importance assessment. Risk analysis, 22(3), 579-590. https://doi.org/10.1111/0272-4332.00040

Servicio Meteorológico Nacional (SMN). 2010. Mapa de climatología 1981-2010. https://smn.conagua.gob.mx/es/climatologia/informacionclimatologica/informacion-estadistica-climatologica

SIAP. 2019. Servicio de Información y Estadística Agroalimentaria y Pesquera Información Agrícola. Avances mensuales por estado. http://www.siap.sagarpa.gob.mx.

Silva M. G. 1998. Hidrología básica. Bogotá: Publicaciones Facultad de Ingeniería de la Universidad Nacional.

Trethowan, R. M., Turner, M. A. y Chattha, T. M. 2010. Breeding strategies to adapt crops to a changing climate. In: Lobell, D. & Burke, M. (eds.), Climate change and food security, advances in global change research, 37, 175 - 154 https://doi.org/10.1007/978-90-481-2953-9_9

Wilson, D. R.; Muchow, R. C. and Murgatoid, C. J. 1995. Model analisys of temperature and solar radiation limitations to maize potential productivity in cool climate. Field Crops Res. 43:1-18. https://doi.org/10.1016/0378-4290(95)00037-Q

WMO. 2011. Guide to climatological practices. No. 100 https://www.wmo.int/pages/prog/wcp/ccl/guide/documents/WMO_100_en.pdf

Descargas

Publicado

2022-05-31

Cómo citar

Servín-Palestina, M. ., Salazar-Moreno, R. ., López-Cruz, I. ., Medina-García, G. ., & Cid-Ríos, J. Ángel . (2022). Predicción de la producción y rendimiento de frijol, con modelos de redes neuronales artificiales y datos climáticos. Biotecnia, 24(2), 104–111. https://doi.org/10.18633/biotecnia.v24i2.1664

Número

Sección

Artículos originales