Variabilidad del cultivo
Relación área foliar
Método de Monte Carlo
Simulación estocástica
Los métodos para estimar el rendimiento del café emplean técnicas de muestreo costosas y destructivas que ofrecen una flexibilidad limitada para describir la variabilidad de los datos agrícolas. El objetivo de este estudio fue investigar técnicas de aprendizaje automático (Machine Learning, ML) para desarrollar un modelo capaz de predecir la carga de frutos a partir de mediciones no destructivas del crecimiento vegetativo de los brotes, integradas con un enfoque probabilístico para simular los rendimientos del cultivo. Las evaluaciones se realizaron en plantas de la variedad Castillo® Centro durante cuatro años consecutivos, desde la siembra hasta el establecimiento. Para la modelación mediante ML, se recopilaron datos sobre la formación foliar, el crecimiento de ramas plagiotrópicas y los componentes del rendimiento durante tres años productivos. Se evaluaron tres técnicas de ML para estimar la carga de frutos: regresión por máquinas de vectores de soporte (SVR), red neuronal artificial (ANN) y bosque aleatorio (RF).
Journal Q1: Smart Agricultural Technology
Citación APA 7ed:
Imbachí-Quinchua, L. C., Unigarro, C. A., Gaitán-Bustamente, Á., & León-Burgos, A. F. (2026). Arabica coffee fruit load non-destructive estimation using machine learning techniques and yield simulation. Smart Agricultural Technology, 14, 102256. https://doi.org/10.1016/j.atech.2026.102256
También puede Iniciar una búsqueda de similitud avanzada para este artículo.
PDF
FLIP