Modelización de la Productividad vía Métodos Computacionalmente Intensivos

Autores
Rosales Heredia, Soleana; Bacigaluppo, Silvina; Balzarini, Mónica
Año de publicación
2011
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
Los rendimientos de soja (Glycine max (L.) Merr.) son variables aún en pequeñas áreas. Los estudios observacionales, en campos en producción, permiten captar la variación de rendimiento tal como se presentan en la realidad, ya que esta es explicada por múltiples variables, principalmente edáficas y meteorológicas. El uso de algoritmos de clasificación y regresión (CART) posibilita el análisis de variaciones de rendimiento en función de variables explicatorias que pueden estar correlacionadas y aún relacionarse de modo no lineal con el rendimiento. Los algoritmos CART son métodos computacionalmente intensivos basado en particiones recursivas de casos en función de variables predictoras de una variable de interés. El objetivo del presente estudio fue identificar vía la implementación de algoritmos CART las variables edáficas y climáticas que permiten predecir el rendimiento del cultivo de soja en el Sur de Santa Fe, así como descubrir los umbrales que pueden limitar su rendimiento en la región. Los métodos CART son una potente herramienta para la predicción de los rendimientos provenientes de estudios observacionales. Los resultados consensuados por ambos algoritmos sugieren que la compactación edáfica, expresado como Mdelta constituye la variable de mayor impacto para explicar la variabilidad del rendimiento del cultivo en la región.
Soybean (Glycine max (L.) Merr.) yields show high variability even within a small crop area. Observational studies at field scale help explain yield variability under non-experimental conditions. Variability depends on multiple variables, mainly of soil and climate. Classification and regression tree algorithms (CART) were used to analyze yield variation based on explanatory variables that can be correlated and even related through nonlinear trends with yield. CART algorithms represent methods computationally intensive since they are based on recursive partitions of records according to different variables potentially used as predictor of the response of interest. Our objective was to identify, by CART, soil and climatic variables that can predict yield in soybean fields in South of Santa Fe and to determine their thresholds that can limit the crop yield. To build classification trees, a nominal variable was generated for yield from its median. Regression trees were calculated by using yield as a continuous variable. The results suggested that soil compaction is a variable with high potential to limit the crop in the region. CARTs are valuable tools to predict yield from observational studies. The outcomes agreed by both algorithms suggest that soil compaction, expressed as Mdelta are the variables with the greatest impact in explaining the variability in crop yield in the region.
Sociedad Argentina de Informática e Investigación Operativa
Materia
Ciencias Informáticas
CART
Estudio Observacional
Factor limitante
Predicción de rendimiento
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/4.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/126000

id SEDICI_3225de023f0c1bd67a48a3745cfb51ca
oai_identifier_str oai:sedici.unlp.edu.ar:10915/126000
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Modelización de la Productividad vía Métodos Computacionalmente IntensivosRosales Heredia, SoleanaBacigaluppo, SilvinaBalzarini, MónicaCiencias InformáticasCARTEstudio ObservacionalFactor limitantePredicción de rendimientoLos rendimientos de soja (Glycine max (L.) Merr.) son variables aún en pequeñas áreas. Los estudios observacionales, en campos en producción, permiten captar la variación de rendimiento tal como se presentan en la realidad, ya que esta es explicada por múltiples variables, principalmente edáficas y meteorológicas. El uso de algoritmos de clasificación y regresión (CART) posibilita el análisis de variaciones de rendimiento en función de variables explicatorias que pueden estar correlacionadas y aún relacionarse de modo no lineal con el rendimiento. Los algoritmos CART son métodos computacionalmente intensivos basado en particiones recursivas de casos en función de variables predictoras de una variable de interés. El objetivo del presente estudio fue identificar vía la implementación de algoritmos CART las variables edáficas y climáticas que permiten predecir el rendimiento del cultivo de soja en el Sur de Santa Fe, así como descubrir los umbrales que pueden limitar su rendimiento en la región. Los métodos CART son una potente herramienta para la predicción de los rendimientos provenientes de estudios observacionales. Los resultados consensuados por ambos algoritmos sugieren que la compactación edáfica, expresado como Mdelta constituye la variable de mayor impacto para explicar la variabilidad del rendimiento del cultivo en la región.Soybean (Glycine max (L.) Merr.) yields show high variability even within a small crop area. Observational studies at field scale help explain yield variability under non-experimental conditions. Variability depends on multiple variables, mainly of soil and climate. Classification and regression tree algorithms (CART) were used to analyze yield variation based on explanatory variables that can be correlated and even related through nonlinear trends with yield. CART algorithms represent methods computationally intensive since they are based on recursive partitions of records according to different variables potentially used as predictor of the response of interest. Our objective was to identify, by CART, soil and climatic variables that can predict yield in soybean fields in South of Santa Fe and to determine their thresholds that can limit the crop yield. To build classification trees, a nominal variable was generated for yield from its median. Regression trees were calculated by using yield as a continuous variable. The results suggested that soil compaction is a variable with high potential to limit the crop in the region. CARTs are valuable tools to predict yield from observational studies. The outcomes agreed by both algorithms suggest that soil compaction, expressed as Mdelta are the variables with the greatest impact in explaining the variability in crop yield in the region.Sociedad Argentina de Informática e Investigación Operativa2011-08info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionResumenhttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf200-200http://sedici.unlp.edu.ar/handle/10915/126000spainfo:eu-repo/semantics/altIdentifier/url/https://40jaiio.sadio.org.ar/sites/default/files/T2011/CAI/Posters/1121.pdfinfo:eu-repo/semantics/altIdentifier/issn/1852-4850info: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)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-29T11:30:27Zoai:sedici.unlp.edu.ar:10915/126000Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-29 11:30:28.02SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Modelización de la Productividad vía Métodos Computacionalmente Intensivos
title Modelización de la Productividad vía Métodos Computacionalmente Intensivos
spellingShingle Modelización de la Productividad vía Métodos Computacionalmente Intensivos
Rosales Heredia, Soleana
Ciencias Informáticas
CART
Estudio Observacional
Factor limitante
Predicción de rendimiento
title_short Modelización de la Productividad vía Métodos Computacionalmente Intensivos
title_full Modelización de la Productividad vía Métodos Computacionalmente Intensivos
title_fullStr Modelización de la Productividad vía Métodos Computacionalmente Intensivos
title_full_unstemmed Modelización de la Productividad vía Métodos Computacionalmente Intensivos
title_sort Modelización de la Productividad vía Métodos Computacionalmente Intensivos
dc.creator.none.fl_str_mv Rosales Heredia, Soleana
Bacigaluppo, Silvina
Balzarini, Mónica
author Rosales Heredia, Soleana
author_facet Rosales Heredia, Soleana
Bacigaluppo, Silvina
Balzarini, Mónica
author_role author
author2 Bacigaluppo, Silvina
Balzarini, Mónica
author2_role author
author
dc.subject.none.fl_str_mv Ciencias Informáticas
CART
Estudio Observacional
Factor limitante
Predicción de rendimiento
topic Ciencias Informáticas
CART
Estudio Observacional
Factor limitante
Predicción de rendimiento
dc.description.none.fl_txt_mv Los rendimientos de soja (Glycine max (L.) Merr.) son variables aún en pequeñas áreas. Los estudios observacionales, en campos en producción, permiten captar la variación de rendimiento tal como se presentan en la realidad, ya que esta es explicada por múltiples variables, principalmente edáficas y meteorológicas. El uso de algoritmos de clasificación y regresión (CART) posibilita el análisis de variaciones de rendimiento en función de variables explicatorias que pueden estar correlacionadas y aún relacionarse de modo no lineal con el rendimiento. Los algoritmos CART son métodos computacionalmente intensivos basado en particiones recursivas de casos en función de variables predictoras de una variable de interés. El objetivo del presente estudio fue identificar vía la implementación de algoritmos CART las variables edáficas y climáticas que permiten predecir el rendimiento del cultivo de soja en el Sur de Santa Fe, así como descubrir los umbrales que pueden limitar su rendimiento en la región. Los métodos CART son una potente herramienta para la predicción de los rendimientos provenientes de estudios observacionales. Los resultados consensuados por ambos algoritmos sugieren que la compactación edáfica, expresado como Mdelta constituye la variable de mayor impacto para explicar la variabilidad del rendimiento del cultivo en la región.
Soybean (Glycine max (L.) Merr.) yields show high variability even within a small crop area. Observational studies at field scale help explain yield variability under non-experimental conditions. Variability depends on multiple variables, mainly of soil and climate. Classification and regression tree algorithms (CART) were used to analyze yield variation based on explanatory variables that can be correlated and even related through nonlinear trends with yield. CART algorithms represent methods computationally intensive since they are based on recursive partitions of records according to different variables potentially used as predictor of the response of interest. Our objective was to identify, by CART, soil and climatic variables that can predict yield in soybean fields in South of Santa Fe and to determine their thresholds that can limit the crop yield. To build classification trees, a nominal variable was generated for yield from its median. Regression trees were calculated by using yield as a continuous variable. The results suggested that soil compaction is a variable with high potential to limit the crop in the region. CARTs are valuable tools to predict yield from observational studies. The outcomes agreed by both algorithms suggest that soil compaction, expressed as Mdelta are the variables with the greatest impact in explaining the variability in crop yield in the region.
Sociedad Argentina de Informática e Investigación Operativa
description Los rendimientos de soja (Glycine max (L.) Merr.) son variables aún en pequeñas áreas. Los estudios observacionales, en campos en producción, permiten captar la variación de rendimiento tal como se presentan en la realidad, ya que esta es explicada por múltiples variables, principalmente edáficas y meteorológicas. El uso de algoritmos de clasificación y regresión (CART) posibilita el análisis de variaciones de rendimiento en función de variables explicatorias que pueden estar correlacionadas y aún relacionarse de modo no lineal con el rendimiento. Los algoritmos CART son métodos computacionalmente intensivos basado en particiones recursivas de casos en función de variables predictoras de una variable de interés. El objetivo del presente estudio fue identificar vía la implementación de algoritmos CART las variables edáficas y climáticas que permiten predecir el rendimiento del cultivo de soja en el Sur de Santa Fe, así como descubrir los umbrales que pueden limitar su rendimiento en la región. Los métodos CART son una potente herramienta para la predicción de los rendimientos provenientes de estudios observacionales. Los resultados consensuados por ambos algoritmos sugieren que la compactación edáfica, expresado como Mdelta constituye la variable de mayor impacto para explicar la variabilidad del rendimiento del cultivo en la región.
publishDate 2011
dc.date.none.fl_str_mv 2011-08
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
Resumen
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://sedici.unlp.edu.ar/handle/10915/126000
url http://sedici.unlp.edu.ar/handle/10915/126000
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/url/https://40jaiio.sadio.org.ar/sites/default/files/T2011/CAI/Posters/1121.pdf
info:eu-repo/semantics/altIdentifier/issn/1852-4850
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
200-200
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1844616184211701760
score 13.070432