Un enfoque práctico y flexible para la predicción de emergencia de malezas basado en redes neuronales artificiales

CHANTRE, GUILLERMO RUBÉN; MOLINARI, FRANCO; RENZI, JUAN P.; BLANCO, ANÍBAL

Rosario

Congreso; II Congreso Argentino de Malezas (ASACIM): Malezas 2018. Ciencia, producción y sociedad: hacia un manejo sustentable.; 2018

Asociación Argentina de Ciencia de las Malezas (ASACIM)

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.