Video Experimental Relacionado
Updated: Jan 13, 2026

Imaging and Analysis for Quantifying Maize (Zea mays) Abiotic Stress Phenotypes
Published on: March 28, 2025
Estimación del rendimiento del maíz en diferentes etapas de crecimiento utilizando variables meteorológicas mediante
Ananta Vashisth1, K S Aravind2
1Division of Agricultural Physics, ICAR-Indian Agricultural Research Institute, New Delhi, 110012, India. ananta.iari@gmail.com.
La predicción precisa del rendimiento del maíz es crucial para la agricultura. Este estudio encontró que el modelo Elastic Net es superior para estimar el rendimiento del maíz en diferentes etapas de crecimiento utilizando datos meteorológicos.
Área de la Ciencia:
- Ciencia Agrícola; Ciencia de Datos; Modelado Estadístico
Sus antecedentes:
- La estimación precisa del rendimiento del maíz es vital para la seguridad alimentaria y la planificación agrícola.; Los métodos tradicionales a menudo carecen de precisión, lo que requiere enfoques estadísticos avanzados.; Comprender el impacto de los parámetros meteorológicos en el desarrollo de los cultivos es clave.
Objetivo del estudio:
- Evaluar cuatro enfoques de modelado estadístico para la estimación del rendimiento del maíz en varias etapas de crecimiento.; Identificar el modelo más preciso para predecir el rendimiento del maíz basándose en datos meteorológicos.; Determinar los parámetros meteorológicos más influyentes que afectan el rendimiento del maíz.
Principales métodos:
- Se utilizó el Operador de Encogimiento y Selección de Mínimos Cuadrados (LASSO), Elastic Net, Regresión Lineal Múltiple por Pasos (SMLR) y PCA-SMLR.; Se desarrollaron modelos utilizando datos históricos de rendimiento de maíz (1984-2021) y parámetros meteorológicos diarios.; Se validaron modelos para las temporadas kharif 2020 y 2021 en las etapas vegetativa, de floración y de llenado de grano.
Principales resultados:
- El modelo Elastic Net demostró el menor Error Cuadrático Medio (RMSE) y RMSE normalizado (nRMSE), lo que indica un rendimiento superior.; Las desviaciones porcentuales entre los rendimientos estimados y observados oscilaron entre el 4,8 y el 29,1% en las distintas etapas de crecimiento.; Se identificaron la temperatura y las horas de brillo solar como los predictores más significativos del rendimiento del maíz.
Conclusiones:
- El modelo Elastic Net es el más fiable para la estimación del rendimiento del maíz en diferentes etapas de crecimiento.; LASSO y SMLR también proporcionan predicciones valiosas del rendimiento del maíz.; Los parámetros meteorológicos, en particular la temperatura y la luz solar, son impulsores críticos del rendimiento del maíz.
Más Videos Relacionados
04:35Development of an Individual-Tree Basal Area Increment Model using a Linear Mixed-Effects Approach
Published on: July 3, 2020
08:31Kinematic Analysis of Cell Division and Expansion: Quantifying the Cellular Basis of Growth and Sampling Developmental Zones in Zea mays Leaves
Published on: December 2, 2016
Videos de Conceptos Relacionados
Multiple Regression
Farmers can use multiple regression to determine the crop yield based on more than one factor, such as water availability, fertilizer, soil properties, etc. Here, the crop yield is the response or dependent variable as it depends on the other independent variables. The analysis requires the construction of a scatter plot...
Light Acquisition
Microsoft Excel: Regression Analysis
To perform regression...
Residuals and Least-Squares Property
If the observed data point lies above the line, the residual is positive, and the line underestimates the actual data value for y. If the observed data point lies below the line, the residual is negative, and the line overestimates the actual data value for y.
The process of fitting the best-fit...
Regression Analysis
In regression analysis, a regression equation is determined based on the line of best fit– a line that best fits the data points plotted in a graph. This line is also called the regression line. The algebraic equation for the regression line is called the regression equation. It is represented as:
Calibration Curves: Linear Least Squares
For data that follow a straight line, the standard method for fitting is the linear...