Comparación de procedimientos de selección de variables para la modelación de la relación clima-patógenos en cultivos

Autores
Suarez, Franco; Bruno, Cecilia; Gimenez, Maria De La Paz; Balzarini, Mónica Graciela
Año de publicación
2023
Idioma
español castellano
Tipo de recurso
artículo
Estado
versión publicada
Descripción
Hoy es posible acceder fácilmente a cuantiosos volúmenes de datos climáticos georreferenciados. Éstos pueden ser usados para modelar la relación entre condiciones climáticas y enfermedad, para lo cual es necesario usar múltiples variables meteorológicas, usualmente correlacionadas y redundantes. La selección de variables permite identificar un subconjunto de regresoras relevantes para construir modelos predictivos. Stepwise, Boruta y LASSO son procedimientos de selección de variables de distinta naturaleza por lo que su desempeño relativo ha sido poco explorado. El objetivo de este trabajo fue la comparación de estos métodos aplicados simultáneamente en la construcción de modelos de regresión para predecir riesgo de enfermedad desde datos climáticos. Se utilizaron tres bases de datos georreferenciados con valores de presencia/ausencia de distintos patógenos en cultivos de maíz en Argentina. Para cada escenario se obtuvieron variables climáticas del periodo previo a la siembra hasta la cosecha. Con los tres métodos se generaron modelos predictivos con precisión de clasificación cercana al 70 %. LASSO produjo mejor predicción, seleccionando una cantidad intermedia de variables respecto a Stepwise (menor cantidad) y a Boruta (mayor). Los resultados podrían extenderse a otros patosistemas y contribuir a la construcción de sistemas de alarma basados en variables climáticas
Nowadays it is possible to easily access large volumes of georeferenced climatic data. These data can be used to model the relationship between climatic conditions and disease from multiple meteorological variables, usually correlated and redundant. The selection of variables allows the identification of a subset of relevant regressors to build predictive models. Stepwise, Boruta, and LASSO are variable selection procedures of different nature, so their relative performance has been scarcely explored. The objective of this work was the comparison of these methods simultaneously applied in the construction of regression models to predict disease risk from climatic data. Three georeferenced databases were used with presence/absence values of different pathogens in maize crops in Argentina. For each scenario, climatic variables from the period prior to sowing until harvest were obtained. The three variable selection methods obtained models with accuracy close to 70 %. However, LASSO produced the best predictive model, selecting an intermediate number of variables with respect to Stepwise (lower number) and Boruta (higher number). The results could be extended to other pathosystems and inspire the construction of alarm systems based on climatic variables.
Instituto de Patología Vegetal
Fil: Suarez, Franco. Instituto Nacional de Tecnología Agropecuaria (INTA). Instituto de Patología Vegetal; Argentina
Fil: Suarez, Franco. Consejo Nacional de Investigaciones Científicas y Técnicas. Unidad de Fitopatología y Modelización Agrícola (UFyMA); Argentina
Fil: Bruno, Cecilia. Universidad Nacional de Córdoba. Facultad de Ciencias Agropecuarias. Cátedra de Estadística y Biometría; Argentina
Fil: Bruno, Cecilia. Instituto Nacional de Tecnología Agropecuaria (INTA). Instituto de Patología Vegetal; Argentina
Fil: Bruno, Cecilia. Consejo Nacional de Investigaciones Científicas y Técnicas. Unidad de Fitopatología y Modelización Agrícola (UFyMA); Argentina
Fil: Gimenez, Maria De La Paz. Instituto Nacional de Tecnología Agropecuaria (INTA). Instituto de Patología Vegetal; Argentina
Fil: Gimenez, Maria De La Paz. Consejo Nacional de Investigaciones Científicas y Técnicas. Unidad de Fitopatología y Modelización Agrícola (UFyMA); Argentina
Fil: Balzarini, Mónica Graciela. Universidad Nacional de Córdoba. Facultad de Ciencias Agropecuarias. Cátedra de Estadística y Biometría; Argentina
Fil: Balzarini, Mónica Graciela. Instituto Nacional de Tecnología Agropecuaria (INTA). Instituto de Patología Vegetal; Argentina
Fil: Balzarini, Mónica Graciela. Consejo Nacional de Investigaciones Científicas y Técnicas. Unidad de Fitopatología y Modelización Agrícola (UFyMA); Argentina
Fuente
AgriScientia 40 (2) : 37-48. (2023)
Materia
Clima
Organismos Patógenos
Regresión de Paso Cauteloso
Análisis de la Regresión
Métodos Estadísticos
Climate
Pathogens
Stepwise Regression
Regression Analysis
Statistical Methods
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:20.500.12123/25683
Acceder
id INTADig_c428481712ca47418c15573f1e503538
oai_identifier_str oai:localhost:20.500.12123/25683
network_acronym_str INTADig
repository_id_str l
network_name_str INTA Digital (INTA)
spelling Comparación de procedimientos de selección de variables para la modelación de la relación clima-patógenos en cultivosSuarez, FrancoBruno, CeciliaGimenez, Maria De La PazBalzarini, Mónica GracielaClimaOrganismos PatógenosRegresión de Paso CautelosoAnálisis de la RegresiónMétodos EstadísticosClimatePathogensStepwise RegressionRegression AnalysisStatistical MethodsHoy es posible acceder fácilmente a cuantiosos volúmenes de datos climáticos georreferenciados. Éstos pueden ser usados para modelar la relación entre condiciones climáticas y enfermedad, para lo cual es necesario usar múltiples variables meteorológicas, usualmente correlacionadas y redundantes. La selección de variables permite identificar un subconjunto de regresoras relevantes para construir modelos predictivos. Stepwise, Boruta y LASSO son procedimientos de selección de variables de distinta naturaleza por lo que su desempeño relativo ha sido poco explorado. El objetivo de este trabajo fue la comparación de estos métodos aplicados simultáneamente en la construcción de modelos de regresión para predecir riesgo de enfermedad desde datos climáticos. Se utilizaron tres bases de datos georreferenciados con valores de presencia/ausencia de distintos patógenos en cultivos de maíz en Argentina. Para cada escenario se obtuvieron variables climáticas del periodo previo a la siembra hasta la cosecha. Con los tres métodos se generaron modelos predictivos con precisión de clasificación cercana al 70 %. LASSO produjo mejor predicción, seleccionando una cantidad intermedia de variables respecto a Stepwise (menor cantidad) y a Boruta (mayor). Los resultados podrían extenderse a otros patosistemas y contribuir a la construcción de sistemas de alarma basados en variables climáticasNowadays it is possible to easily access large volumes of georeferenced climatic data. These data can be used to model the relationship between climatic conditions and disease from multiple meteorological variables, usually correlated and redundant. The selection of variables allows the identification of a subset of relevant regressors to build predictive models. Stepwise, Boruta, and LASSO are variable selection procedures of different nature, so their relative performance has been scarcely explored. The objective of this work was the comparison of these methods simultaneously applied in the construction of regression models to predict disease risk from climatic data. Three georeferenced databases were used with presence/absence values of different pathogens in maize crops in Argentina. For each scenario, climatic variables from the period prior to sowing until harvest were obtained. The three variable selection methods obtained models with accuracy close to 70 %. However, LASSO produced the best predictive model, selecting an intermediate number of variables with respect to Stepwise (lower number) and Boruta (higher number). The results could be extended to other pathosystems and inspire the construction of alarm systems based on climatic variables.Instituto de Patología VegetalFil: Suarez, Franco. Instituto Nacional de Tecnología Agropecuaria (INTA). Instituto de Patología Vegetal; ArgentinaFil: Suarez, Franco. Consejo Nacional de Investigaciones Científicas y Técnicas. Unidad de Fitopatología y Modelización Agrícola (UFyMA); ArgentinaFil: Bruno, Cecilia. Universidad Nacional de Córdoba. Facultad de Ciencias Agropecuarias. Cátedra de Estadística y Biometría; ArgentinaFil: Bruno, Cecilia. Instituto Nacional de Tecnología Agropecuaria (INTA). Instituto de Patología Vegetal; ArgentinaFil: Bruno, Cecilia. Consejo Nacional de Investigaciones Científicas y Técnicas. Unidad de Fitopatología y Modelización Agrícola (UFyMA); ArgentinaFil: Gimenez, Maria De La Paz. Instituto Nacional de Tecnología Agropecuaria (INTA). Instituto de Patología Vegetal; ArgentinaFil: Gimenez, Maria De La Paz. Consejo Nacional de Investigaciones Científicas y Técnicas. Unidad de Fitopatología y Modelización Agrícola (UFyMA); ArgentinaFil: Balzarini, Mónica Graciela. Universidad Nacional de Córdoba. Facultad de Ciencias Agropecuarias. Cátedra de Estadística y Biometría; ArgentinaFil: Balzarini, Mónica Graciela. Instituto Nacional de Tecnología Agropecuaria (INTA). Instituto de Patología Vegetal; ArgentinaFil: Balzarini, Mónica Graciela. Consejo Nacional de Investigaciones Científicas y Técnicas. Unidad de Fitopatología y Modelización Agrícola (UFyMA); ArgentinaFacultad de Ciencias Agropecuarias, Universidad Nacional de Córdoba2026-04-06T14:35:42Z2026-04-06T14:35:42Z2023-10info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_6501info:ar-repo/semantics/articuloapplication/pdfhttp://hdl.handle.net/20.500.12123/25683https://revistas.unc.edu.ar/index.php/agris/article/view/408711668-298Xhttps://doi.org/10.31047/1668.298x.v40.n2.40871AgriScientia 40 (2) : 37-48. (2023)reponame: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)2026-05-07T11:53:14Zoai:localhost:20.500.12123/25683instacron:INTAInstitucionalhttp://repositorio.inta.gob.ar/Organismo científico-tecnológicoNo correspondehttp://repositorio.inta.gob.ar/oai/requesttripaldi.nicolas@inta.gob.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:l2026-05-07 11:53:14.831INTA Digital (INTA) - Instituto Nacional de Tecnología Agropecuariafalse
dc.title.none.fl_str_mv Comparación de procedimientos de selección de variables para la modelación de la relación clima-patógenos en cultivos
title Comparación de procedimientos de selección de variables para la modelación de la relación clima-patógenos en cultivos
spellingShingle Comparación de procedimientos de selección de variables para la modelación de la relación clima-patógenos en cultivos
Suarez, Franco
Clima
Organismos Patógenos
Regresión de Paso Cauteloso
Análisis de la Regresión
Métodos Estadísticos
Climate
Pathogens
Stepwise Regression
Regression Analysis
Statistical Methods
title_short Comparación de procedimientos de selección de variables para la modelación de la relación clima-patógenos en cultivos
title_full Comparación de procedimientos de selección de variables para la modelación de la relación clima-patógenos en cultivos
title_fullStr Comparación de procedimientos de selección de variables para la modelación de la relación clima-patógenos en cultivos
title_full_unstemmed Comparación de procedimientos de selección de variables para la modelación de la relación clima-patógenos en cultivos
title_sort Comparación de procedimientos de selección de variables para la modelación de la relación clima-patógenos en cultivos
dc.creator.none.fl_str_mv Suarez, Franco
Bruno, Cecilia
Gimenez, Maria De La Paz
Balzarini, Mónica Graciela
author Suarez, Franco
author_facet Suarez, Franco
Bruno, Cecilia
Gimenez, Maria De La Paz
Balzarini, Mónica Graciela
author_role author
author2 Bruno, Cecilia
Gimenez, Maria De La Paz
Balzarini, Mónica Graciela
author2_role author
author
author
dc.subject.none.fl_str_mv Clima
Organismos Patógenos
Regresión de Paso Cauteloso
Análisis de la Regresión
Métodos Estadísticos
Climate
Pathogens
Stepwise Regression
Regression Analysis
Statistical Methods
topic Clima
Organismos Patógenos
Regresión de Paso Cauteloso
Análisis de la Regresión
Métodos Estadísticos
Climate
Pathogens
Stepwise Regression
Regression Analysis
Statistical Methods
dc.description.none.fl_txt_mv Hoy es posible acceder fácilmente a cuantiosos volúmenes de datos climáticos georreferenciados. Éstos pueden ser usados para modelar la relación entre condiciones climáticas y enfermedad, para lo cual es necesario usar múltiples variables meteorológicas, usualmente correlacionadas y redundantes. La selección de variables permite identificar un subconjunto de regresoras relevantes para construir modelos predictivos. Stepwise, Boruta y LASSO son procedimientos de selección de variables de distinta naturaleza por lo que su desempeño relativo ha sido poco explorado. El objetivo de este trabajo fue la comparación de estos métodos aplicados simultáneamente en la construcción de modelos de regresión para predecir riesgo de enfermedad desde datos climáticos. Se utilizaron tres bases de datos georreferenciados con valores de presencia/ausencia de distintos patógenos en cultivos de maíz en Argentina. Para cada escenario se obtuvieron variables climáticas del periodo previo a la siembra hasta la cosecha. Con los tres métodos se generaron modelos predictivos con precisión de clasificación cercana al 70 %. LASSO produjo mejor predicción, seleccionando una cantidad intermedia de variables respecto a Stepwise (menor cantidad) y a Boruta (mayor). Los resultados podrían extenderse a otros patosistemas y contribuir a la construcción de sistemas de alarma basados en variables climáticas
Nowadays it is possible to easily access large volumes of georeferenced climatic data. These data can be used to model the relationship between climatic conditions and disease from multiple meteorological variables, usually correlated and redundant. The selection of variables allows the identification of a subset of relevant regressors to build predictive models. Stepwise, Boruta, and LASSO are variable selection procedures of different nature, so their relative performance has been scarcely explored. The objective of this work was the comparison of these methods simultaneously applied in the construction of regression models to predict disease risk from climatic data. Three georeferenced databases were used with presence/absence values of different pathogens in maize crops in Argentina. For each scenario, climatic variables from the period prior to sowing until harvest were obtained. The three variable selection methods obtained models with accuracy close to 70 %. However, LASSO produced the best predictive model, selecting an intermediate number of variables with respect to Stepwise (lower number) and Boruta (higher number). The results could be extended to other pathosystems and inspire the construction of alarm systems based on climatic variables.
Instituto de Patología Vegetal
Fil: Suarez, Franco. Instituto Nacional de Tecnología Agropecuaria (INTA). Instituto de Patología Vegetal; Argentina
Fil: Suarez, Franco. Consejo Nacional de Investigaciones Científicas y Técnicas. Unidad de Fitopatología y Modelización Agrícola (UFyMA); Argentina
Fil: Bruno, Cecilia. Universidad Nacional de Córdoba. Facultad de Ciencias Agropecuarias. Cátedra de Estadística y Biometría; Argentina
Fil: Bruno, Cecilia. Instituto Nacional de Tecnología Agropecuaria (INTA). Instituto de Patología Vegetal; Argentina
Fil: Bruno, Cecilia. Consejo Nacional de Investigaciones Científicas y Técnicas. Unidad de Fitopatología y Modelización Agrícola (UFyMA); Argentina
Fil: Gimenez, Maria De La Paz. Instituto Nacional de Tecnología Agropecuaria (INTA). Instituto de Patología Vegetal; Argentina
Fil: Gimenez, Maria De La Paz. Consejo Nacional de Investigaciones Científicas y Técnicas. Unidad de Fitopatología y Modelización Agrícola (UFyMA); Argentina
Fil: Balzarini, Mónica Graciela. Universidad Nacional de Córdoba. Facultad de Ciencias Agropecuarias. Cátedra de Estadística y Biometría; Argentina
Fil: Balzarini, Mónica Graciela. Instituto Nacional de Tecnología Agropecuaria (INTA). Instituto de Patología Vegetal; Argentina
Fil: Balzarini, Mónica Graciela. Consejo Nacional de Investigaciones Científicas y Técnicas. Unidad de Fitopatología y Modelización Agrícola (UFyMA); Argentina
description Hoy es posible acceder fácilmente a cuantiosos volúmenes de datos climáticos georreferenciados. Éstos pueden ser usados para modelar la relación entre condiciones climáticas y enfermedad, para lo cual es necesario usar múltiples variables meteorológicas, usualmente correlacionadas y redundantes. La selección de variables permite identificar un subconjunto de regresoras relevantes para construir modelos predictivos. Stepwise, Boruta y LASSO son procedimientos de selección de variables de distinta naturaleza por lo que su desempeño relativo ha sido poco explorado. El objetivo de este trabajo fue la comparación de estos métodos aplicados simultáneamente en la construcción de modelos de regresión para predecir riesgo de enfermedad desde datos climáticos. Se utilizaron tres bases de datos georreferenciados con valores de presencia/ausencia de distintos patógenos en cultivos de maíz en Argentina. Para cada escenario se obtuvieron variables climáticas del periodo previo a la siembra hasta la cosecha. Con los tres métodos se generaron modelos predictivos con precisión de clasificación cercana al 70 %. LASSO produjo mejor predicción, seleccionando una cantidad intermedia de variables respecto a Stepwise (menor cantidad) y a Boruta (mayor). Los resultados podrían extenderse a otros patosistemas y contribuir a la construcción de sistemas de alarma basados en variables climáticas
publishDate 2023
dc.date.none.fl_str_mv 2023-10
2026-04-06T14:35:42Z
2026-04-06T14:35:42Z
dc.type.none.fl_str_mv info:eu-repo/semantics/article
info:eu-repo/semantics/publishedVersion
http://purl.org/coar/resource_type/c_6501
info:ar-repo/semantics/articulo
format article
status_str publishedVersion
dc.identifier.none.fl_str_mv http://hdl.handle.net/20.500.12123/25683
https://revistas.unc.edu.ar/index.php/agris/article/view/40871
1668-298X
https://doi.org/10.31047/1668.298x.v40.n2.40871
url http://hdl.handle.net/20.500.12123/25683
https://revistas.unc.edu.ar/index.php/agris/article/view/40871
https://doi.org/10.31047/1668.298x.v40.n2.40871
identifier_str_mv 1668-298X
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 Facultad de Ciencias Agropecuarias, Universidad Nacional de Córdoba
publisher.none.fl_str_mv Facultad de Ciencias Agropecuarias, Universidad Nacional de Córdoba
dc.source.none.fl_str_mv AgriScientia 40 (2) : 37-48. (2023)
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_ 1864547142079610880
score 13.1485815

Publicaciones similares