Franco Marcelo Suarez, C. Bruno, María de la Paz Giménez Pecci, M. Balzarini
{"title":"农作物气候与病原体关系建模的变量选择程序比较。","authors":"Franco Marcelo Suarez, C. Bruno, María de la Paz Giménez Pecci, M. Balzarini","doi":"10.31047/1668.298x.v40.n2.40871","DOIUrl":null,"url":null,"abstract":"Hoy es posible acceder fácilmente a cuantiosos volúmenes de datos climáticos georreferenciados. Estos pueden ser usados para modelar la relación entre condiciones climáticas y enfermedad, para lo cual es necesario usar múltiples variables meteorológicas, usualmente correlacionadas y redundantes. La selección de variables permite identificar un subconjunto de regresoras relevantes para construir modelos predictivos. Stepwise, Boruta y LASSO son procedimientos de selección de variables de distinta naturaleza por lo que su desempeño relativo ha sido poco explorado. El objetivo de este trabajo fue la comparación de estos métodos aplicados simultáneamente en la construcción de modelos de regresión para predecir riesgo de enfermedad desde datos climáticos. Se utilizaron tres bases de datos georreferenciados con valores de presencia/ausencia de distintos patógenos en cultivos de maíz en Argentina. Para cada escenario se obtuvieron variables climáticas del periodo previo a la siembra hasta la cosecha. Con los tres métodos se generaron modelos predictivos con precisión de clasificación cercana al 70 %. LASSO produjo mejor predicción, seleccionando una cantidad intermedia de variables respecto a Stepwise (menor cantidad) y a Boruta (mayor). Los resultados podrían extenderse a otros patosistemas y contribuir a la construcción de sistemas de alarma basados en variables climáticas.","PeriodicalId":39278,"journal":{"name":"AgriScientia","volume":"59 11","pages":""},"PeriodicalIF":0.0000,"publicationDate":"2024-01-05","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":"{\"title\":\"Comparación de procedimientos de selección de variables para la modelación de la relación clima-patógenos en cultivos\",\"authors\":\"Franco Marcelo Suarez, C. Bruno, María de la Paz Giménez Pecci, M. Balzarini\",\"doi\":\"10.31047/1668.298x.v40.n2.40871\",\"DOIUrl\":null,\"url\":null,\"abstract\":\"Hoy es posible acceder fácilmente a cuantiosos volúmenes de datos climáticos georreferenciados. Estos pueden ser usados para modelar la relación entre condiciones climáticas y enfermedad, para lo cual es necesario usar múltiples variables meteorológicas, usualmente correlacionadas y redundantes. La selección de variables permite identificar un subconjunto de regresoras relevantes para construir modelos predictivos. Stepwise, Boruta y LASSO son procedimientos de selección de variables de distinta naturaleza por lo que su desempeño relativo ha sido poco explorado. El objetivo de este trabajo fue la comparación de estos métodos aplicados simultáneamente en la construcción de modelos de regresión para predecir riesgo de enfermedad desde datos climáticos. Se utilizaron tres bases de datos georreferenciados con valores de presencia/ausencia de distintos patógenos en cultivos de maíz en Argentina. Para cada escenario se obtuvieron variables climáticas del periodo previo a la siembra hasta la cosecha. Con los tres métodos se generaron modelos predictivos con precisión de clasificación cercana al 70 %. LASSO produjo mejor predicción, seleccionando una cantidad intermedia de variables respecto a Stepwise (menor cantidad) y a Boruta (mayor). Los resultados podrían extenderse a otros patosistemas y contribuir a la construcción de sistemas de alarma basados en variables climáticas.\",\"PeriodicalId\":39278,\"journal\":{\"name\":\"AgriScientia\",\"volume\":\"59 11\",\"pages\":\"\"},\"PeriodicalIF\":0.0000,\"publicationDate\":\"2024-01-05\",\"publicationTypes\":\"Journal Article\",\"fieldsOfStudy\":null,\"isOpenAccess\":false,\"openAccessPdf\":\"\",\"citationCount\":\"0\",\"resultStr\":null,\"platform\":\"Semanticscholar\",\"paperid\":null,\"PeriodicalName\":\"AgriScientia\",\"FirstCategoryId\":\"1085\",\"ListUrlMain\":\"https://doi.org/10.31047/1668.298x.v40.n2.40871\",\"RegionNum\":0,\"RegionCategory\":null,\"ArticlePicture\":[],\"TitleCN\":null,\"AbstractTextCN\":null,\"PMCID\":null,\"EPubDate\":\"\",\"PubModel\":\"\",\"JCR\":\"Q4\",\"JCRName\":\"Agricultural and Biological Sciences\",\"Score\":null,\"Total\":0}","platform":"Semanticscholar","paperid":null,"PeriodicalName":"AgriScientia","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.31047/1668.298x.v40.n2.40871","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"Q4","JCRName":"Agricultural and Biological Sciences","Score":null,"Total":0}
Comparación de procedimientos de selección de variables para la modelación de la relación clima-patógenos en cultivos
Hoy es posible acceder fácilmente a cuantiosos volúmenes de datos climáticos georreferenciados. Estos pueden ser usados para modelar la relación entre condiciones climáticas y enfermedad, para lo cual es necesario usar múltiples variables meteorológicas, usualmente correlacionadas y redundantes. La selección de variables permite identificar un subconjunto de regresoras relevantes para construir modelos predictivos. Stepwise, Boruta y LASSO son procedimientos de selección de variables de distinta naturaleza por lo que su desempeño relativo ha sido poco explorado. El objetivo de este trabajo fue la comparación de estos métodos aplicados simultáneamente en la construcción de modelos de regresión para predecir riesgo de enfermedad desde datos climáticos. Se utilizaron tres bases de datos georreferenciados con valores de presencia/ausencia de distintos patógenos en cultivos de maíz en Argentina. Para cada escenario se obtuvieron variables climáticas del periodo previo a la siembra hasta la cosecha. Con los tres métodos se generaron modelos predictivos con precisión de clasificación cercana al 70 %. LASSO produjo mejor predicción, seleccionando una cantidad intermedia de variables respecto a Stepwise (menor cantidad) y a Boruta (mayor). Los resultados podrían extenderse a otros patosistemas y contribuir a la construcción de sistemas de alarma basados en variables climáticas.
AgriScientiaAgricultural and Biological Sciences-Agronomy and Crop Science
CiteScore
0.30
自引率
0.00%
发文量
0
审稿时长
22 weeks
期刊介绍:
AgriScientia es una revista de acceso abierto, de carácter científico-académico, gestionada por el Área de Difusión Científica de la Facultad de Ciencias Agropecuarias de la Universidad Nacional de Córdoba, Argentina. La revista recibe artículos en los idiomas español e inglés. El objetivo de esta publicación es la difusión de los resultados de investigaciones de carácter agronómico. Está destinada a investigadores, estudiantes de pregrado, grado y posgrado, profesionales en el área de las ciencias agropecuarias y público en general interesado en las temáticas relacionadas. Su periodicidad es semestral. Los artículos se reciben durante todo el año. Los tipos de documentos que se publican son artículos científicos, comunicaciones y revisiones.