Redes neuronales artificiales para modelizar la emergencia de malas hierbas

Abstract

El objetivo del presente trabajo fue desarrollar redes neuronales artificiales (RNA) para predecir la emergencia del bromo (Bromus diandrus) y comparar su capacidad predictiva con los modelos sigmoidales (MS). Los tiempos termales e hídricos fueron usados como variables independientes de entrada (modelo bivariado) y la proporción de emergencia acumulada fue considerada la variable de salida, para un total de 16 escenarios distintos (con diferentes fechas de siembra y manejos del suelo), con el fin de comparar la bondad de los ajustes con la raíz del error medio cuadrático (REMC) entre las RNA y los MS. Los resultados indican que tanto las RNAs como los MSs predicen satisfactoriamente la emergencia de B. diandrus. Sin embargo, se observó un mejor ajuste en 11 de los 16 escenarios evaluados utilizando RNA (REMCun 46% más bajos comparados con los MS).

The objective of the present study was to develop artificial neural networks (ANN) to predict the field emergence of brome (Bromus diandrus) and compare their predictive capabilities with non-linear sigmoidal models (NLM) previously developed (MS). Thermal and hydric times were used as independent input variables in bivariate models, while the proportion of cumulative emergence was used as the output variable, for a total of 16 different scenarios (with different sowing times and soil managements), with the aim of comparing the goodness of fit with the root-mean square errors (RMSE) between the ANN and NLM. Results indicate that both modelling approaches are able to predict satisfactorily B. diandrus emergence. However, in 11 of 16 scenarios tested, the RMSES were lower (46% on average) using ANN compared to NLM.