咖啡作物产量预测:系统映射

Cristian Camilo Muñoz Ordoñez, Carlos Alberto Cobos Lozada, Julian Fernando Muñoz Ordóñez
{"title":"咖啡作物产量预测:系统映射","authors":"Cristian Camilo Muñoz Ordoñez, Carlos Alberto Cobos Lozada, Julian Fernando Muñoz Ordóñez","doi":"10.25100/iyc.v25i3.13171","DOIUrl":null,"url":null,"abstract":"El café es uno de los productos agrícolas más comercializados internacionalmente y en Colombia, es el primer producto de exportación no minero-energético. En este contexto, la predicción del rendimiento de los cultivos de café es vital para el sector, ya que permite a los caficultores establecer estrategias de manejo del cultivo, maximizando sus ganancias o reduciendo posibles pérdidas. En este artículo, se abordan aspectos cruciales de la predicción del rendimiento de los cultivos de café mediante una revisión sistemática de literatura de documentos consultados en Scopus, ACM, Taylor & Francis y Nature. Estos documentos se sometieron a un proceso de filtrado y evaluación para responder cinco preguntas clave: variables predictoras, variable objetivo, técnicas y algoritmos empleados, métricas para evaluar la calidad de la predicción y tipos de café reportados. Los resultados revelan distintos grupos de variables predictoras que incluyen factores atmosféricos, químicos, obtenidos vía satélite, relacionados con fertilizantes, suelo, manejo del cultivo y sombras. La variable objetivo más recurrente es el rendimiento medido en peso de granos por hectárea u otras medidas, con un caso que considera el área foliar. Entre las técnicas predominantes para predecir el rendimiento se encuentran la regresión lineal, los bosques aleatorizados, el análisis de componentes principales, la regresión por conglomerados, las redes neuronales, los árboles de clasificación y regresión y las máquinas de aprendizaje extremo, entre otras. Las métricas más comunes para evaluar la calidad de los modelos predictivos incluyen R², RMSE, MAE, MAPE, MRE, error estándar, coeficiente de correlación de Pearson y desviación estándar. Por último, las variedades de café más estudiadas son robusta, arábica, racemosa y zanguebariae.","PeriodicalId":159448,"journal":{"name":"INGENIERÍA Y COMPETITIVIDAD","volume":"48 1","pages":"0"},"PeriodicalIF":0.0000,"publicationDate":"2023-09-20","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":"{\"title\":\"Predicción del rendimiento de cultivos de café: un mapeo sistemático\",\"authors\":\"Cristian Camilo Muñoz Ordoñez, Carlos Alberto Cobos Lozada, Julian Fernando Muñoz Ordóñez\",\"doi\":\"10.25100/iyc.v25i3.13171\",\"DOIUrl\":null,\"url\":null,\"abstract\":\"El café es uno de los productos agrícolas más comercializados internacionalmente y en Colombia, es el primer producto de exportación no minero-energético. En este contexto, la predicción del rendimiento de los cultivos de café es vital para el sector, ya que permite a los caficultores establecer estrategias de manejo del cultivo, maximizando sus ganancias o reduciendo posibles pérdidas. En este artículo, se abordan aspectos cruciales de la predicción del rendimiento de los cultivos de café mediante una revisión sistemática de literatura de documentos consultados en Scopus, ACM, Taylor & Francis y Nature. Estos documentos se sometieron a un proceso de filtrado y evaluación para responder cinco preguntas clave: variables predictoras, variable objetivo, técnicas y algoritmos empleados, métricas para evaluar la calidad de la predicción y tipos de café reportados. Los resultados revelan distintos grupos de variables predictoras que incluyen factores atmosféricos, químicos, obtenidos vía satélite, relacionados con fertilizantes, suelo, manejo del cultivo y sombras. La variable objetivo más recurrente es el rendimiento medido en peso de granos por hectárea u otras medidas, con un caso que considera el área foliar. Entre las técnicas predominantes para predecir el rendimiento se encuentran la regresión lineal, los bosques aleatorizados, el análisis de componentes principales, la regresión por conglomerados, las redes neuronales, los árboles de clasificación y regresión y las máquinas de aprendizaje extremo, entre otras. Las métricas más comunes para evaluar la calidad de los modelos predictivos incluyen R², RMSE, MAE, MAPE, MRE, error estándar, coeficiente de correlación de Pearson y desviación estándar. Por último, las variedades de café más estudiadas son robusta, arábica, racemosa y zanguebariae.\",\"PeriodicalId\":159448,\"journal\":{\"name\":\"INGENIERÍA Y COMPETITIVIDAD\",\"volume\":\"48 1\",\"pages\":\"0\"},\"PeriodicalIF\":0.0000,\"publicationDate\":\"2023-09-20\",\"publicationTypes\":\"Journal Article\",\"fieldsOfStudy\":null,\"isOpenAccess\":false,\"openAccessPdf\":\"\",\"citationCount\":\"0\",\"resultStr\":null,\"platform\":\"Semanticscholar\",\"paperid\":null,\"PeriodicalName\":\"INGENIERÍA Y COMPETITIVIDAD\",\"FirstCategoryId\":\"1085\",\"ListUrlMain\":\"https://doi.org/10.25100/iyc.v25i3.13171\",\"RegionNum\":0,\"RegionCategory\":null,\"ArticlePicture\":[],\"TitleCN\":null,\"AbstractTextCN\":null,\"PMCID\":null,\"EPubDate\":\"\",\"PubModel\":\"\",\"JCR\":\"\",\"JCRName\":\"\",\"Score\":null,\"Total\":0}","platform":"Semanticscholar","paperid":null,"PeriodicalName":"INGENIERÍA Y COMPETITIVIDAD","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.25100/iyc.v25i3.13171","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}
引用次数: 0

摘要

咖啡是国际上交易最多的农产品之一,在哥伦比亚,它是主要的非矿产能源出口产品。在这种情况下,预测咖啡作物的产量对该部门至关重要,因为它使咖啡种植者能够制定作物管理策略,使他们的利润最大化或减少可能的损失。本文通过对Scopus、ACM、Taylor等文献的系统综述,探讨了咖啡作物产量预测的关键方面。弗朗西斯和自然。这些文件经过过滤和评估过程,以回答五个关键问题:预测变量、目标变量、使用的技术和算法、评估预测质量的指标和报告的咖啡类型。结果显示了不同的预测变量组,包括大气、化学、卫星、肥料、土壤、作物管理和阴影。最常见的目标变量是以每公顷粮食重量或其他指标衡量的产量,其中一个例子考虑了叶面积。预测性能的主要技术包括线性回归、随机森林、主成分分析、聚类回归、神经网络、分类和回归树以及极端学习机等。评估预测模型质量的常用指标包括R²、RMSE、MAE、MAPE、MRE、标准误差、Pearson相关系数和标准偏差。最后,研究最多的咖啡品种是罗布斯塔咖啡、阿拉比卡咖啡、总状花序咖啡和赞格巴利亚咖啡。
本文章由计算机程序翻译,如有差异,请以英文原文为准。
查看原文
分享 分享
微信好友 朋友圈 QQ好友 复制链接
本刊更多论文
Predicción del rendimiento de cultivos de café: un mapeo sistemático
El café es uno de los productos agrícolas más comercializados internacionalmente y en Colombia, es el primer producto de exportación no minero-energético. En este contexto, la predicción del rendimiento de los cultivos de café es vital para el sector, ya que permite a los caficultores establecer estrategias de manejo del cultivo, maximizando sus ganancias o reduciendo posibles pérdidas. En este artículo, se abordan aspectos cruciales de la predicción del rendimiento de los cultivos de café mediante una revisión sistemática de literatura de documentos consultados en Scopus, ACM, Taylor & Francis y Nature. Estos documentos se sometieron a un proceso de filtrado y evaluación para responder cinco preguntas clave: variables predictoras, variable objetivo, técnicas y algoritmos empleados, métricas para evaluar la calidad de la predicción y tipos de café reportados. Los resultados revelan distintos grupos de variables predictoras que incluyen factores atmosféricos, químicos, obtenidos vía satélite, relacionados con fertilizantes, suelo, manejo del cultivo y sombras. La variable objetivo más recurrente es el rendimiento medido en peso de granos por hectárea u otras medidas, con un caso que considera el área foliar. Entre las técnicas predominantes para predecir el rendimiento se encuentran la regresión lineal, los bosques aleatorizados, el análisis de componentes principales, la regresión por conglomerados, las redes neuronales, los árboles de clasificación y regresión y las máquinas de aprendizaje extremo, entre otras. Las métricas más comunes para evaluar la calidad de los modelos predictivos incluyen R², RMSE, MAE, MAPE, MRE, error estándar, coeficiente de correlación de Pearson y desviación estándar. Por último, las variedades de café más estudiadas son robusta, arábica, racemosa y zanguebariae.
求助全文
通过发布文献求助,成功后即可免费获取论文全文。 去求助
来源期刊
自引率
0.00%
发文量
0
期刊最新文献
Production of industrial-interest colorants in microalgae and cyanobacteria: leveraging nutrient dynamics and photoperiod optimization Obtaining coffee mucilage microcapsules by spray drying using chemically modified banana starch Methods of wind energy harnessing: A state-of-the-art and bibliometric analysis Potential use of methane gas from the Villavicencio sanitary landfill, Colombia Caracterización de cadenas de suministro de pequeños negocios en Bogotá
×
引用
GB/T 7714-2015
复制
MLA
复制
APA
复制
导出至
BibTeX EndNote RefMan NoteFirst NoteExpress
×
×
提示
您的信息不完整,为了账户安全,请先补充。
现在去补充
×
提示
您因"违规操作"
具体请查看互助需知
我知道了
×
提示
现在去查看 取消
×
提示
确定
0
微信
客服QQ
Book学术公众号 扫码关注我们
反馈
×
意见反馈
请填写您的意见或建议
请填写您的手机或邮箱
已复制链接
已复制链接
快去分享给好友吧!
我知道了
×
扫码分享
扫码分享
Book学术官方微信
Book学术文献互助
Book学术文献互助群
群 号:481959085
Book学术
文献互助 智能选刊 最新文献 互助须知 联系我们:info@booksci.cn
Book学术提供免费学术资源搜索服务,方便国内外学者检索中英文文献。致力于提供最便捷和优质的服务体验。
Copyright © 2023 Book学术 All rights reserved.
ghs 京公网安备 11010802042870号 京ICP备2023020795号-1