Estimación del rendimiento del cultivo de Passiflora Edulis (Maracuyá) a partir de modelos estadísticos

Contenido principal del artículo

Leila Nayibe Ramírez Castañeda
Santiago Potes Potes

Resumen

La planificación de cultivos necesita herramientas de apoyo que faciliten la toma de decisión para determinar su sostenibilidad económica, social y ambiental. Este artículo presenta un análisis estadístico para los datos históricos entre 2007 y 2014 de las variables independientes agroclimáticas de la estación código 21055020, ubicada en las coordenadas latitud 2,378 y longitud -75,89, en el municipio de La Plata, departamento del Huila, Colombia. Como objetivo principal, se propuso estimar el pronóstico del rendimiento utilizando dos modelos matemáticos: ARIMA y Regresión Múltiple, recomendados en la literatura científica. Finalmente, se comparan los resultados para comprender el sistema de producción del cultivo y establecer las interacciones del rendimiento con las variables agroclimáticas. Se tomó como referencia para este estudio el cultivo de maracuyá (Passiflora Edulis), debido a su importante impacto económico y social para los productores de la zona. Se concluyó que el modelo de regresión múltiple subestima los picos de mayor rendimiento; además, el ajuste del modelo es muy bajo, lo que implica que este modelo es descriptivo y no predictivo, mientras que el modelo ARIMA se recomienda por su mejor ajuste a las series de tiempo analizadas.

Citas

[1] A. M. Soto Garcés, J. M. Cortés Torres y D. Rodríguez Caicedo, "Modelo de simulación del crecimiento y desarrollo de la papa criolla Growth and development simulation model of potato", Ciencia en Desarrollo, vol. 9, no. 1, pp. 9-20, Ene.-Jun. 2018.

[2] N. Kantanantha, "Crop decision planning under yield and price uncertainties", Ph.D. tesis, H. Milton Stewart Sch. of Ind. and Sys. Eng. Georgia Inst. of Tech., Georgia, Estados Unidos, 2007.

[3] O. Delgadillo-Ruiz, P. P. Ramírez-Moreno, J. A. Leos-Rodríguez, J. M. Salas González y R. D. Valdez-Cepeda, "Pronósticos y series de tiempo de rendimientos de granos básicos en México", Acta Univ., vol. 26, no. 3, pp. 23-32, 2016.

[4] J. Ruiz-Ramírez, G. E. Hernández Rodríguez y R. Zuleta-Rodríguez,, "Análisis de series de tiempo en el pronóstico de la producción de caña de azúcar", Terra Latin. vol. 29, no. 1. 2011. [En línea]. Disponible en: http://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S0187-57792011000100103.

[5] C. Martínez Ventura, "Pronósticos de producción agrícola", Archivos de Eco., abr. 2006.

[6] R. D. Kusumastuti, D. P. Van Donk, y R. Teunter, "Crop-related harvesting and processing planning: A review", Int. J. Prod. Econ., vol. 174, pp. 76-92, 2016.

[7] O. Musshoff y N. Hirschauer, "What benefits are to be derived from improved farm program planning approaches? – The role of time series models and stochastic optimization", Agric. Syst., vol. 95, no. 1-3, pp. 11-27, Dic. 2007.

[8] C. Martínez Ventura, «Pronósticos de producción agrícola», Departamento Nacional de Planeación; DNP, 2006.

[9] T. H. Hengl, A Practical Guide to Geostatistical Mapping. Luxemburgo: Office for Official Publications of the European Communities, 2009.

[10] T. Hengl, G. B. M. Heuvelink, y D. G. Rossiter, "About regression-kriging: From equations to case studies", Comput. Geosci., vol. 33, no. 10, pp. 1301-1315, Oct. 2007.

[11] D. Derryberry, Basic data analysis for time series with R, John Wiley & Sons, 2014.

[12] R. Dalinina, "Introduction to Forecasting with ARIMA in R". [En línea]. Disponible en: https://www.datascience.com/blog/introduction-to-forecasting-with-arima-in-r-learn-data-science-tutorials.

[13] D. Jackson., N.E. Looney, y M. Morley-Bunker,Temperate and subtropical fruit production, Inglaterra, CABI, 2011.

[14] D. J. Pannell, B. Malcolm, y R. S. Kingwell, "Are we risking too much? Perspectives on risk in farm modelling", Agric. Econ., vol. 23, no. 1, pp. 69-78, 2000.

[15] G. Moschini y D. A. Hennessy, "Uncertainty, risk aversion, and risk management for agricultural producers", Handbook of Agri. Econ., vol. 1,pp. 88-153 2001.

[16] G. E. P. Box, G. M. Jenkins, G. C. Reinsel, y G. C. Ljung, Time Series Analysis: Forecasting and Control, 5.a ed. Nueva York, NY: John Wiley & Sons, 2015.

[17] A. V. Metcalfe y P. S. P. Cowpertwait, Introductory Time Series with R. Nueva York, NY: Springer New York, 2009.

[18] D. Montgomery, Vining, G. G. y E. A. Peck, Introducción al análisis de regresión lineal, México: Limusa Wiley, 2006.

[19] R. Shumway y D.S. Stoffer, Time series regression and exploratory data analysis, Springer,2006.

[20] J. D. Cryer y K.-S. Chan, Time Series Analysis. Nueva York, NY: Springer New York, 2008.

[21] "R: The R Project for Statistical Computing". [En línea]. Disponible en: https://www.r-project.org/.

[22] R. J. Hyndman y Y. Khandakar, "Automatic Time Series Forecasting: The forecast Package for R", J. Stat. Softw., vol. 27, no. 3, 2008.