Development of yield prediction models in the maize crop using spectral data for precisi?n agriculture applications
- Authors
- Rueda Ayala, Victor Patricio
- Format
- Article
- Status
- publishedVersion
- Description
Yield estimation for the maize crop (Zea mays L.) is required in Ecuador for decision making on imports and commercialization. In the literature many yield predictive models have been developed for different crops, but they need to be adapted to the local conditions. In this study, machine learning techniques and statistical tools such as simple, logistic and polynomial regression were applied in order to develop yield predictive algorithms. Spectral information was gathered from 119 farms monitored across the four traditionally maize producing provinces of Ecuador, Guayas, Loja, Manab? and Los R?os. Spectroradiometer readings were collected at two crop development stages; full leaf development and the beginning of tassel emergence. A model using six degree polynomial regression delivered the best yield predictive capability under Ecuadorian conditions. This model should be evaluated in future years and locations in order to be fine-tuned with out-of-sample testing. After validation, this model could be recommended for decision making on imports strategies in order to avoid overlapping with the national production. This tool can also offer an early warning of the sites requiring technical assistance and practices to improve yield. Further model improvement could be achieved by including variables such as climatic conditions, agricultural practices and soil characteristics. Future models may also be developed for other crops of importance.
Para lograr una acertada toma de decisiones de importaci?n y comercializaci?n de la cosecha de ma?z (Zea mays L.) en el Ecuador, se requieren herramientas de predicci?n del rendimiento. Si bien en la literatura se encuentran varios modelos de predicci?n para diferentes cultivos, no pueden ser aplicados en el Ecuador sin ser adaptados a las condiciones locales. En este estudio se usaron t?cnicas de aprendizaje autom?tico y herramientas estad?sticas de regresi?n simple, log?stica y polinomial para elaborar algoritmos de predicci?n. Dentro de las provincias tradicionalmente productoras de ma?z en el Ecuador, Guayas, Loja, Manab? y Los R?os, se midi? la reflectancia espectral del ma?z en 119 predios. Esta reflectancia fue tomada con un espectro-radi?metro, en dos etapas de crecimiento del cultivo: culminaci?n del desarrollo foliar e inicio de la floraci?n. La mejor capacidad predictiva en condiciones Ecuatorianas se obtuvo con un modelo de regresi?n polinomial de sexto grado. Este modelo debe ser evaluado con datos de otros a?os y localidades para as? ser ajustado y comprobado con la nueva data. Una vez validado, el modelo podr?a ser recomendado para contribuir en la toma de decisiones de la cantidad de ma?z a importar y as? evitar afectar el solapamiento con la producci?n nacional. Este modelo tambi?n puede generar una alerta temprana de los predios que requieren asesor?a t?cnica para mejorar la productividad. Al incluir otras variables como clima, pr?cticas agr?colas y caracter?sticas de suelo en la elaboraci?n del modelo, este puede mejorar su desempe?o. En el futuro este modelo puede adaptarse a otros cultivos de importancia para el pa?s.
http://www.agrocalidad.gob.ec/revistaecuadorescalidad/index.php/revista/article/view/13
- Publication Year
- 2015
- Language
- eng
- Topic
- MACHINE LEARNING
NDVI
PROXIMAL SENSING
REMOTE SENSING
REGRESSION
- Repository
- Repositorio SENESCYT
- Rights
- openAccess
- License
- openAccess