Modelización de la Productividad vía Métodos Computacionalmente Intensivos

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...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autores principales: Rosales Heredia, Soleana, Bacigaluppo, Silvina, Balzarini, Mónica
Formato: Objeto de conferencia Resumen
Lenguaje:Español
Publicado: 2011
Materias:
Ciencias Informáticas
CART
Estudio Observacional
Factor limitante
Predicción de rendimiento
Acceso en línea:http://sedici.unlp.edu.ar/handle/10915/126000
https://40jaiio.sadio.org.ar/sites/default/files/T2011/CAI/Posters/1121.pdf
Aporte de:
SEDICI (UNLP) de Universidad Nacional de La Plata
id I19-R120-10915-126000
record_format dspace
institution Universidad Nacional de La Plata
institution_str I-19
repository_str R-120
collection SEDICI (UNLP)
language Español
topic Ciencias Informáticas
CART
Estudio Observacional
Factor limitante
Predicción de rendimiento
spellingShingle Ciencias Informáticas
CART
Estudio Observacional
Factor limitante
Predicción de rendimiento
Rosales Heredia, Soleana
Bacigaluppo, Silvina
Balzarini, Mónica
Modelización de la Productividad vía Métodos Computacionalmente Intensivos
topic_facet Ciencias Informáticas
CART
Estudio Observacional
Factor limitante
Predicción de rendimiento
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.
format Objeto de conferencia
Resumen
author Rosales Heredia, Soleana
Bacigaluppo, Silvina
Balzarini, Mónica
author_facet Rosales Heredia, Soleana
Bacigaluppo, Silvina
Balzarini, Mónica
author_sort Rosales Heredia, Soleana
title Modelización de la Productividad vía Métodos Computacionalmente Intensivos
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
publishDate 2011
url http://sedici.unlp.edu.ar/handle/10915/126000
https://40jaiio.sadio.org.ar/sites/default/files/T2011/CAI/Posters/1121.pdf
work_keys_str_mv AT rosalesherediasoleana modelizaciondelaproductividadviametodoscomputacionalmenteintensivos
AT bacigalupposilvina modelizaciondelaproductividadviametodoscomputacionalmenteintensivos
AT balzarinimonica modelizaciondelaproductividadviametodoscomputacionalmenteintensivos
bdutipo_str Repositorios
_version_ 1764820449997357057

Ejemplares similares