Estimación del rendimiento del cultivo de Passiflora Edulis (Maracuyá) a partir de modelos estadísticos
Barra lateral del artículo
Descargas
Detalles del artículo
Altmetrics
Se solicita a los autores que diligencien el documento de cesión de derechos de autor sobre el artículo, para que sea posible su edición, publicación y distribución en cualquier medio y modalidad: medios electrónicos, CD ROM, impresos o cualquier otra forma, con fines exclusivamente científicos, educativos y culturales
- La obra pertenece a UNIMINUTO.
- Dada la naturaleza de UNIMINUTO como Institución de Educación Superior, con un modelo universitario innovador para ofrecer Educación de alta calidad, de fácil acceso, integral y flexible; para formar profesionales altamente competentes, éticamente responsables y líderes de procesos de transformación social, EL CEDENTE ha decidido ceder los derechos patrimoniales de su OBRA, que adelante se detalla para que sea explotado por ésta
- El querer de EL CEDENTE es ceder a título gratuito los derechos patrimoniales de la OBRA a UNIMINUTO con fines académicos.
Contenido principal del artículo
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
[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.