Mostrar el registro sencillo del ítem

dc.contributor.author
Chantre Balacca, Guillermo Ruben  
dc.contributor.author
Molinari, Franco Ariel  
dc.contributor.author
Renzi, Juan Pablo  
dc.contributor.author
Blanco, Anibal Manuel  
dc.date.available
2025-06-24T14:22:17Z  
dc.date.issued
2018  
dc.identifier.citation
Un enfoque práctico y flexible para la predicción de emergencia de malezas basado en redes neuronales artificiales; II Congreso Argentino de Malezas: Ciencia, producción y sociedad: hacia un manejo sustentable; Rosario; Argentina; 2018; 151-151  
dc.identifier.uri
http://hdl.handle.net/11336/264470  
dc.description.abstract
Los modelos más populares de predicción de emergencia de malezas a campo requieren de parámetros especie-específicos para modular la acumulación térmica/hidrotermal. Tales parámetros son con frecuencia desconocidos y difíciles de estimar. Dichos modelos dependen también de información microclimática sitio-específica, la cual es función de la heterogeneidad del suelo a nivel local y es por tanto difícil de medir y calcular. Por otra parte, la agricultura moderna cuenta con información fácilmente disponible en tiempo real, en particular datos meteorológicos generados en línea por estaciones meteorológicas ampliamente distribuidas en todo el territorio nacional. En este contexto, las Redes Neuronales Artificiales (RNA) proporcionan una opción flexible para el desarrollo de modelos predictivos, especialmente para especies que muestran patrones de emergencia distribuidos a lo largo del año. En este estudio se propone el desarrollo de RNA basado en información meteorológica básica (temperaturas mínimas/máximas y precipitación diaria) para predecir la emergencia de malezas a campo. La Emergencia Relativa Diaria (ERD), expresada como proporción de la emergencia total observada se utilizó como variable de salida de la red. Se utilizaron datos de emergencia a campo recolectados semanalmente para estimar los patrones ERD. Se presentan resultados para tres especies de la región Pampeana Semiárida Argentina (Lolium multiflorum, Avena fatua y Vicia villosa) las cuales muestran patrones irregulares y temporalmente distribuidos. En todos los casos la selección de la RNA se basó en la Raíz Cuadrada Media de Error (RCME) del conjunto de datos experimentales de entrenamiento, ya que mostró un mejor desempeño que otras métricas de información (AIC, BIC, NIC). La combinación de RNA con un gran número de neuronas entrenadas con un algoritmo de regularización bayesiano generó buenas predicciones de los patrones a campo.  
dc.description.abstract
Most popular emergence prediction models require species-specific parameters to modulate thermal/hydrothermal accumulation. Such parameters are frequently unknown and difficult to estimate. Moreover, such models also rely on site-specific microclimate conditions, which in turn depend on soil heterogeneity at a field spatial level, thus being difficult to measure and calculate. On the other hand, modern agriculture benefits from easily available real-time information, in particular on-line meteorological data generated by automatic local weather stations widely distributed around the country. In this context, Artificial Neural Networks (ANN) provide a flexible option for the development of prediction models, especially for species with highly distributed emergence pattern along the year. In this work, an ANN approach based on basic meteorological data (daily minimum/maximum temperatures and precipitation) is proposed for weed emergence prediction. Relative Daily Emergence (RDE), expressed as a proportion of the total emergence, was the adopted output variable of the ANN. Field emergence data recorded on a weekly basis were used to generate RDE patterns. Results for three species from the Semiarid Pampean Region of Argentina (Lolium multiflorum, Avena fatua and Vicia villosa) which show irregular and time-distributed field emergence patterns are reported. In all cases, ANN model selection was based on the Root Mean Square Error (RMSE) of the training data, which showed better performance than other information metrics (AIC, BIC, NIC). The combination of large ANN trained with a bayesian regularization algorithm generated satisfactory predictions of the field emergence patterns.  
dc.format
application/pdf  
dc.language.iso
spa  
dc.publisher
Asociación Argentina de Ciencias de las Malezas  
dc.rights
info:eu-repo/semantics/openAccess  
dc.rights.uri
https://creativecommons.org/licenses/by-nc-sa/2.5/ar/  
dc.subject
MODELOS PREDICTIVOS DE EMERGENCIA  
dc.subject
INTELIGENCIA ARTIFICIAL  
dc.subject
LOLMU  
dc.subject
AVEFA  
dc.subject
VICVI  
dc.subject.classification
Agronomía, reproducción y protección de plantas  
dc.subject.classification
Agricultura, Silvicultura y Pesca  
dc.subject.classification
CIENCIAS AGRÍCOLAS  
dc.subject.classification
Otras Ciencias de la Computación e Información  
dc.subject.classification
Ciencias de la Computación e Información  
dc.subject.classification
CIENCIAS NATURALES Y EXACTAS  
dc.title
Un enfoque práctico y flexible para la predicción de emergencia de malezas basado en redes neuronales artificiales  
dc.type
info:eu-repo/semantics/publishedVersion  
dc.type
info:eu-repo/semantics/conferenceObject  
dc.type
info:ar-repo/semantics/documento de conferencia  
dc.date.updated
2025-06-19T11:42:09Z  
dc.journal.pagination
151-151  
dc.journal.pais
Argentina  
dc.journal.ciudad
Rosario  
dc.description.fil
Fil: Chantre Balacca, Guillermo Ruben. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Bahía Blanca. Centro de Recursos Naturales Renovables de la Zona Semiárida. Universidad Nacional del Sur. Centro de Recursos Naturales Renovables de la Zona Semiárida; Argentina. Universidad Nacional del Sur. Departamento de Agronomía; Argentina  
dc.description.fil
Fil: Molinari, Franco Ariel. Universidad Nacional del Sur. Departamento de Agronomía; Argentina. Provincia de Buenos Aires. Gobernación. Comisión de Investigaciones Científicas; Argentina. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Bahía Blanca. Centro de Recursos Naturales Renovables de la Zona Semiárida. Universidad Nacional del Sur. Centro de Recursos Naturales Renovables de la Zona Semiárida; Argentina  
dc.description.fil
Fil: Renzi, Juan Pablo. Instituto Nacional de Tecnología Agropecuaria; Argentina. Universidad Nacional del Sur. Departamento de Agronomía; Argentina  
dc.description.fil
Fil: Blanco, Anibal Manuel. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Bahía Blanca. Planta Piloto de Ingeniería Química. Universidad Nacional del Sur. Planta Piloto de Ingeniería Química; Argentina  
dc.relation.alternativeid
info:eu-repo/semantics/altIdentifier/url/https://www.asacim.org.ar/wp-content/uploads/2019/10/Argentina-2018.pdf  
dc.conicet.rol
Autor  
dc.conicet.rol
Autor  
dc.conicet.rol
Autor  
dc.conicet.rol
Autor  
dc.coverage
Nacional  
dc.type.subtype
Congreso  
dc.description.nombreEvento
II Congreso Argentino de Malezas: Ciencia, producción y sociedad: hacia un manejo sustentable  
dc.date.evento
2018-06-05  
dc.description.ciudadEvento
Rosario  
dc.description.paisEvento
Argentina  
dc.type.publicacion
Book  
dc.description.institucionOrganizadora
Asociación Argentina de Ciencia de las Malezas  
dc.source.libro
Actas: II Congreso Argentino de Malezas: Ciencia, producción y sociedad: hacia un manejo sustentable  
dc.date.eventoHasta
2018-06-06  
dc.type
Congreso