Una plataforma basada en machine learning para identificar variedades de duraznero con mayores chances de adaptación a escenarios climáticos futuros

Autores
Aballay, Maximiliano Martín; Chirino, Julian Santiago; Valentini, Gabriel Hugo; Sanchez, Gerardo
Año de publicación
2025
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
Resumen y poster
El mejoramiento genético del duraznero (Prunus persica) enfrenta desafíos crecientes frente al cambio climático, nuevas exigencias del mercado y la necesidad de adaptar variedades a diversas regiones productivas. En donde caracteres claves como el requerimiento de horas de frío y el rendimiento, se encuentran influenciados por factores ambientales, lo cual dificulta su selección en etapas tempranas del mejoramiento. En este contexto, el uso de herramientas de inteligencia artificial, representa una oportunidad innovadora para integrar distintos tipos de datos y anticipar el comportamiento de los cultivos, acelerando así los procesos de selección. Entre este tipo de herramientas destacan los modelos de Random Forest, debido a su capacidad para manejar grandes volúmenes de datos con alta dimensionalidad, tolerar relaciones no lineales entre variables y reducir el riesgo de sobreajuste. Lo cual lo convierte en una herramienta robusta para aplicaciones en genética vegetal.
EEA San Pedro
Fil: Aballay, Maximiliano Martín. Instituto Nacional de Tecnología Agropecuaria (INTA). Estación Experimental Agropecuaria San Pedro; Argentina
Fil: Aballay, Maximiliano Martín. Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET). Laboratorio de Biotecnología; Argentina
Fil: Chirino, Julián Santiago. Instituto Nacional de Tecnología Agropecuaria (INTA). Estación Experimental Agropecuaria San Pedro; Argentina
Fil: Valentini, Gabriel Hugo. Instituto Nacional de Tecnología Agropecuaria (INTA). Estación Experimental Agropecuaria San Pedro; Argentina
Fil: Sánchez, Gerardo. Instituto Nacional de Tecnología Agropecuaria (INTA). Estación Experimental Agropecuaria San Pedro; Argentina
Fil: Sánchez, Gerardo. Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET). Laboratorio de Biotecnología; Argentina
Fuente
Encuentro de Redes de Biotecnología de Argentina "Biotecnología para un Futuro Sostenible y Saludable" - XXV Simposio REDBIO - VII Simposio SAPROBIO - VII Encuentro REDTEZ, Posadas, 24 al 27 de junio 2025
Materia
Aprendizaje Automático
Técnicas de Predicción
Biotecnología
Fitomejoramiento
Durazno
Prunus persica
Machine Learning
Forecasting
Biotechnology
Plant Breeding
Peaches
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/4.0/
Repositorio
INTA Digital (INTA)
Institución
Instituto Nacional de Tecnología Agropecuaria
OAI Identificador
oai:localhost:20.500.12123/24560
Acceder
id INTADig_636c8d2ed64bd36872896263c09c612c
oai_identifier_str oai:localhost:20.500.12123/24560
network_acronym_str INTADig
repository_id_str l
network_name_str INTA Digital (INTA)
spelling Una plataforma basada en machine learning para identificar variedades de duraznero con mayores chances de adaptación a escenarios climáticos futurosAballay, Maximiliano MartínChirino, Julian SantiagoValentini, Gabriel HugoSanchez, GerardoAprendizaje AutomáticoTécnicas de PredicciónBiotecnologíaFitomejoramientoDuraznoPrunus persicaMachine LearningForecastingBiotechnologyPlant BreedingPeachesResumen y posterEl mejoramiento genético del duraznero (Prunus persica) enfrenta desafíos crecientes frente al cambio climático, nuevas exigencias del mercado y la necesidad de adaptar variedades a diversas regiones productivas. En donde caracteres claves como el requerimiento de horas de frío y el rendimiento, se encuentran influenciados por factores ambientales, lo cual dificulta su selección en etapas tempranas del mejoramiento. En este contexto, el uso de herramientas de inteligencia artificial, representa una oportunidad innovadora para integrar distintos tipos de datos y anticipar el comportamiento de los cultivos, acelerando así los procesos de selección. Entre este tipo de herramientas destacan los modelos de Random Forest, debido a su capacidad para manejar grandes volúmenes de datos con alta dimensionalidad, tolerar relaciones no lineales entre variables y reducir el riesgo de sobreajuste. Lo cual lo convierte en una herramienta robusta para aplicaciones en genética vegetal.EEA San PedroFil: Aballay, Maximiliano Martín. Instituto Nacional de Tecnología Agropecuaria (INTA). Estación Experimental Agropecuaria San Pedro; ArgentinaFil: Aballay, Maximiliano Martín. Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET). Laboratorio de Biotecnología; ArgentinaFil: Chirino, Julián Santiago. Instituto Nacional de Tecnología Agropecuaria (INTA). Estación Experimental Agropecuaria San Pedro; ArgentinaFil: Valentini, Gabriel Hugo. Instituto Nacional de Tecnología Agropecuaria (INTA). Estación Experimental Agropecuaria San Pedro; ArgentinaFil: Sánchez, Gerardo. Instituto Nacional de Tecnología Agropecuaria (INTA). Estación Experimental Agropecuaria San Pedro; ArgentinaFil: Sánchez, Gerardo. Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET). Laboratorio de Biotecnología; ArgentinaEstación Experimental Agropecuaria San Pedro, INTA2025-11-14T17:14:51Z2025-11-14T17:14:51Z2025-06info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdfhttp://hdl.handle.net/20.500.12123/24560Encuentro de Redes de Biotecnología de Argentina "Biotecnología para un Futuro Sostenible y Saludable" - XXV Simposio REDBIO - VII Simposio SAPROBIO - VII Encuentro REDTEZ, Posadas, 24 al 27 de junio 2025reponame:INTA Digital (INTA)instname:Instituto Nacional de Tecnología Agropecuariaspainfo:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)2025-11-27T08:40:53Zoai:localhost:20.500.12123/24560instacron:INTAInstitucionalhttp://repositorio.inta.gob.ar/Organismo científico-tecnológicoNo correspondehttp://repositorio.inta.gob.ar/oai/requesttripaldi.nicolas@inta.gob.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:l2025-11-27 08:40:53.31INTA Digital (INTA) - Instituto Nacional de Tecnología Agropecuariafalse
dc.title.none.fl_str_mv Una plataforma basada en machine learning para identificar variedades de duraznero con mayores chances de adaptación a escenarios climáticos futuros
title Una plataforma basada en machine learning para identificar variedades de duraznero con mayores chances de adaptación a escenarios climáticos futuros
spellingShingle Una plataforma basada en machine learning para identificar variedades de duraznero con mayores chances de adaptación a escenarios climáticos futuros
Aballay, Maximiliano Martín
Aprendizaje Automático
Técnicas de Predicción
Biotecnología
Fitomejoramiento
Durazno
Prunus persica
Machine Learning
Forecasting
Biotechnology
Plant Breeding
Peaches
title_short Una plataforma basada en machine learning para identificar variedades de duraznero con mayores chances de adaptación a escenarios climáticos futuros
title_full Una plataforma basada en machine learning para identificar variedades de duraznero con mayores chances de adaptación a escenarios climáticos futuros
title_fullStr Una plataforma basada en machine learning para identificar variedades de duraznero con mayores chances de adaptación a escenarios climáticos futuros
title_full_unstemmed Una plataforma basada en machine learning para identificar variedades de duraznero con mayores chances de adaptación a escenarios climáticos futuros
title_sort Una plataforma basada en machine learning para identificar variedades de duraznero con mayores chances de adaptación a escenarios climáticos futuros
dc.creator.none.fl_str_mv Aballay, Maximiliano Martín
Chirino, Julian Santiago
Valentini, Gabriel Hugo
Sanchez, Gerardo
author Aballay, Maximiliano Martín
author_facet Aballay, Maximiliano Martín
Chirino, Julian Santiago
Valentini, Gabriel Hugo
Sanchez, Gerardo
author_role author
author2 Chirino, Julian Santiago
Valentini, Gabriel Hugo
Sanchez, Gerardo
author2_role author
author
author
dc.subject.none.fl_str_mv Aprendizaje Automático
Técnicas de Predicción
Biotecnología
Fitomejoramiento
Durazno
Prunus persica
Machine Learning
Forecasting
Biotechnology
Plant Breeding
Peaches
topic Aprendizaje Automático
Técnicas de Predicción
Biotecnología
Fitomejoramiento
Durazno
Prunus persica
Machine Learning
Forecasting
Biotechnology
Plant Breeding
Peaches
dc.description.none.fl_txt_mv Resumen y poster
El mejoramiento genético del duraznero (Prunus persica) enfrenta desafíos crecientes frente al cambio climático, nuevas exigencias del mercado y la necesidad de adaptar variedades a diversas regiones productivas. En donde caracteres claves como el requerimiento de horas de frío y el rendimiento, se encuentran influenciados por factores ambientales, lo cual dificulta su selección en etapas tempranas del mejoramiento. En este contexto, el uso de herramientas de inteligencia artificial, representa una oportunidad innovadora para integrar distintos tipos de datos y anticipar el comportamiento de los cultivos, acelerando así los procesos de selección. Entre este tipo de herramientas destacan los modelos de Random Forest, debido a su capacidad para manejar grandes volúmenes de datos con alta dimensionalidad, tolerar relaciones no lineales entre variables y reducir el riesgo de sobreajuste. Lo cual lo convierte en una herramienta robusta para aplicaciones en genética vegetal.
EEA San Pedro
Fil: Aballay, Maximiliano Martín. Instituto Nacional de Tecnología Agropecuaria (INTA). Estación Experimental Agropecuaria San Pedro; Argentina
Fil: Aballay, Maximiliano Martín. Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET). Laboratorio de Biotecnología; Argentina
Fil: Chirino, Julián Santiago. Instituto Nacional de Tecnología Agropecuaria (INTA). Estación Experimental Agropecuaria San Pedro; Argentina
Fil: Valentini, Gabriel Hugo. Instituto Nacional de Tecnología Agropecuaria (INTA). Estación Experimental Agropecuaria San Pedro; Argentina
Fil: Sánchez, Gerardo. Instituto Nacional de Tecnología Agropecuaria (INTA). Estación Experimental Agropecuaria San Pedro; Argentina
Fil: Sánchez, Gerardo. Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET). Laboratorio de Biotecnología; Argentina
description Resumen y poster
publishDate 2025
dc.date.none.fl_str_mv 2025-11-14T17:14:51Z
2025-11-14T17:14:51Z
2025-06
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv http://hdl.handle.net/20.500.12123/24560
url http://hdl.handle.net/20.500.12123/24560
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Estación Experimental Agropecuaria San Pedro, INTA
publisher.none.fl_str_mv Estación Experimental Agropecuaria San Pedro, INTA
dc.source.none.fl_str_mv Encuentro de Redes de Biotecnología de Argentina "Biotecnología para un Futuro Sostenible y Saludable" - XXV Simposio REDBIO - VII Simposio SAPROBIO - VII Encuentro REDTEZ, Posadas, 24 al 27 de junio 2025
reponame:INTA Digital (INTA)
instname:Instituto Nacional de Tecnología Agropecuaria
reponame_str INTA Digital (INTA)
collection INTA Digital (INTA)
instname_str Instituto Nacional de Tecnología Agropecuaria
repository.name.fl_str_mv INTA Digital (INTA) - Instituto Nacional de Tecnología Agropecuaria
repository.mail.fl_str_mv tripaldi.nicolas@inta.gob.ar
_version_ 1849949348033462272
score 13.011256

Publicaciones similares