Comparación de la red neuronal artificial y la regresión lineal múltiple para predecir la concentración de cadmio en...

Área de la Ciencia:

• Ciencias del medio ambiente
• Ciencias Agrícolas
• Ciencias del suelo

Sus antecedentes:

• La translocación del cadmio (Cd) en los sistemas suelo-arroz es compleja, lo que limita la eficacia de los modelos actuales suelo-planta.
• La predicción precisa del contenido de Cd en el arroz es crucial para la seguridad alimentaria y la evaluación del riesgo.

Objetivo del estudio:

• Comparar el rendimiento predictivo de un modelo de red neuronal artificial de propagación inversa (BP-ANN) y un modelo de regresión lineal múltiple (MLR) para estimar el contenido de cadmio en el grano de arroz.
• Identificar los principales parámetros del suelo que influyen en la acumulación de cadmio en el arroz.

Principales métodos:

• Se utilizaron 486 muestras emparejadas de suelo y grano de arroz para la capacitación y la validación, con 30 muestras adicionales de la provincia de Guangxi para las pruebas.
• El cadmio disponible en el suelo (A_Cd), el cadmio total en el suelo (T_Cd), la materia orgánica del suelo (SOM) y el pH empleados como variables predictivas.
• Evaluación del rendimiento del modelo utilizando el error de la raíz media cuadrada (RMSE), la diferencia porcentual relativa (RPD) y el coeficiente de correlación (R²).

Principales resultados:

• El modelo MLR, utilizando pH, T_Cd y A_Cd, logró un R² de 0.551, RPD de 2.398 y RMSE de 0.049 para el cadmio de arroz (R_Cd).
• El modelo BP-ANN, utilizando las mismas variables, arrojó un R² de 0.6846 y un RMSE de 0.104 para R_Cd.
• El modelo BP-ANN demostró una precisión predictiva superior en comparación con el modelo MLR.

Conclusiones:

• El modelo de red neuronal artificial de propagación inversa (BP-ANN) es eficaz para predecir el contenido de cadmio en el arroz.
• BP-ANN ofrece un rendimiento mejorado que la regresión lineal múltiple (MLR) tradicional para la predicción del cadmio en el sistema suelo-arroz.