Predicción de rendimiento en chacras: ¿qué es importante?
Resumen:
Obtener buenas predicciones de rendimiento en las chacras que remiten su producción a la empresa SAMAN S.A. es prioridad tanto para la planificación como para la toma de decisiones de manejo del cultivo. Identificar cuáles son las variables de mayor influencia en el rendimiento, y utilizarlas en un modelo estadístico que contemple su trayectoria histórica es una alternativa metodológica con fuerte sustento teórico para obtener dichas predicciones. La variabilidad en el rendimiento del cultivo de arroz en Uruguay está fuertemente influenciada por la variación en el manejo actual del cultivo, en particular la fecha de siembra. A su vez la variabilidad en la fertilidad del suelo es afectada en gran medida por el uso previo del suelo así como por el manejo del cultivo actual. Específicamente en chacras comerciales, el nivel de enmalezamiento y la lámina de riego están muy relacionados con la variación de rendimiento del cultivo. El uso de modelos mixtos que incorporan en el análisis la posible presencia de correlación temporal y la heterogeneidad entre establecimientos, permitiría identificar patrones subyacentes a la estructura de los datos. Los objetivos de este estudio son; la obtención de un modelo de rendimiento de arroz en condiciones productivas, que considere tanto factores relacionados al manejo del cultivo como la tendencia temporal; identificar cuáles son las variables determinantes del rendimiento y la importancia relativa de cada una, en la capacidad predictiva de dicho modelo. Se pretende utilizar los datos que se generan actualmente en forma rutinaria, obteniendo predicciones insesgadas e independientes de criterios subjetivos
2020 | |
Agencia Nacional de Investigación e Innovación | |
Modelos mixtos Datos longitudinales Condiciones productivas de arroz Ciencias Naturales y Exactas Matemáticas Estadística y Probabilidad Ciencias Agrícolas Agricultura, Silvicultura y Pesca Agricultura |
|
Español | |
Agencia Nacional de Investigación e Innovación | |
REDI | |
https://hdl.handle.net/20.500.12381/477 | |
Acceso abierto | |
Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional. (CC BY-NC-ND) |
_version_ | 1814959252810235904 |
---|---|
author | Berberian, Natalia |
author2 | Rosas, Juan Pérez de Vida, Fernando Marella, Muzio Massa, Fernando |
author2_role | author author author author |
author_facet | Berberian, Natalia Rosas, Juan Pérez de Vida, Fernando Marella, Muzio Massa, Fernando |
author_role | author |
bitstream.checksum.fl_str_mv | 2d97768b1a25a7df5a347bb58fd2d77f 9216028db3fd48106ecce3b486fef37e |
bitstream.checksumAlgorithm.fl_str_mv | MD5 MD5 |
bitstream.url.fl_str_mv | https://redi.anii.org.uy/jspui/bitstream/20.500.12381/477/4/license.txt https://redi.anii.org.uy/jspui/bitstream/20.500.12381/477/3/Berberian%20et%20al%202020_ST-257-INIA.pdf |
collection | REDI |
dc.creator.none.fl_str_mv | Berberian, Natalia Rosas, Juan Pérez de Vida, Fernando Marella, Muzio Massa, Fernando |
dc.date.accessioned.none.fl_str_mv | 2021-11-03T13:06:05Z |
dc.date.available.none.fl_str_mv | 2021-11-03T13:06:05Z |
dc.date.issued.none.fl_str_mv | 2020-11 |
dc.description.abstract.none.fl_txt_mv | Obtener buenas predicciones de rendimiento en las chacras que remiten su producción a la empresa SAMAN S.A. es prioridad tanto para la planificación como para la toma de decisiones de manejo del cultivo. Identificar cuáles son las variables de mayor influencia en el rendimiento, y utilizarlas en un modelo estadístico que contemple su trayectoria histórica es una alternativa metodológica con fuerte sustento teórico para obtener dichas predicciones. La variabilidad en el rendimiento del cultivo de arroz en Uruguay está fuertemente influenciada por la variación en el manejo actual del cultivo, en particular la fecha de siembra. A su vez la variabilidad en la fertilidad del suelo es afectada en gran medida por el uso previo del suelo así como por el manejo del cultivo actual. Específicamente en chacras comerciales, el nivel de enmalezamiento y la lámina de riego están muy relacionados con la variación de rendimiento del cultivo. El uso de modelos mixtos que incorporan en el análisis la posible presencia de correlación temporal y la heterogeneidad entre establecimientos, permitiría identificar patrones subyacentes a la estructura de los datos. Los objetivos de este estudio son; la obtención de un modelo de rendimiento de arroz en condiciones productivas, que considere tanto factores relacionados al manejo del cultivo como la tendencia temporal; identificar cuáles son las variables determinantes del rendimiento y la importancia relativa de cada una, en la capacidad predictiva de dicho modelo. Se pretende utilizar los datos que se generan actualmente en forma rutinaria, obteniendo predicciones insesgadas e independientes de criterios subjetivos |
dc.description.sponsorship.none.fl_txt_mv | Agencia Nacional de Investigación e Innovación |
dc.identifier.anii.es.fl_str_mv | FSDA_1_2017_1_143442 |
dc.identifier.uri.none.fl_str_mv | https://hdl.handle.net/20.500.12381/477 |
dc.language.iso.none.fl_str_mv | spa |
dc.publisher.es.fl_str_mv | Instituto Nacional de Investigación Agropecuaria (INIA) |
dc.relation.es.fl_str_mv | http://doi.org/10.35676/INIA/ST.257 |
dc.rights.es.fl_str_mv | Acceso abierto |
dc.rights.license.none.fl_str_mv | Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional. (CC BY-NC-ND) |
dc.rights.none.fl_str_mv | info:eu-repo/semantics/openAccess |
dc.source.es.fl_str_mv | Serie Técnica, Nº 257 |
dc.source.none.fl_str_mv | reponame:REDI instname:Agencia Nacional de Investigación e Innovación instacron:Agencia Nacional de Investigación e Innovación |
dc.subject.anii.none.fl_str_mv | Ciencias Naturales y Exactas Matemáticas Estadística y Probabilidad Ciencias Agrícolas Agricultura, Silvicultura y Pesca Agricultura |
dc.subject.es.fl_str_mv | Modelos mixtos Datos longitudinales Condiciones productivas de arroz |
dc.title.none.fl_str_mv | Predicción de rendimiento en chacras: ¿qué es importante? |
dc.type.es.fl_str_mv | Reporte técnico |
dc.type.none.fl_str_mv | info:eu-repo/semantics/report |
dc.type.version.es.fl_str_mv | Publicado |
dc.type.version.none.fl_str_mv | info:eu-repo/semantics/publishedVersion |
description | Obtener buenas predicciones de rendimiento en las chacras que remiten su producción a la empresa SAMAN S.A. es prioridad tanto para la planificación como para la toma de decisiones de manejo del cultivo. Identificar cuáles son las variables de mayor influencia en el rendimiento, y utilizarlas en un modelo estadístico que contemple su trayectoria histórica es una alternativa metodológica con fuerte sustento teórico para obtener dichas predicciones. La variabilidad en el rendimiento del cultivo de arroz en Uruguay está fuertemente influenciada por la variación en el manejo actual del cultivo, en particular la fecha de siembra. A su vez la variabilidad en la fertilidad del suelo es afectada en gran medida por el uso previo del suelo así como por el manejo del cultivo actual. Específicamente en chacras comerciales, el nivel de enmalezamiento y la lámina de riego están muy relacionados con la variación de rendimiento del cultivo. El uso de modelos mixtos que incorporan en el análisis la posible presencia de correlación temporal y la heterogeneidad entre establecimientos, permitiría identificar patrones subyacentes a la estructura de los datos. Los objetivos de este estudio son; la obtención de un modelo de rendimiento de arroz en condiciones productivas, que considere tanto factores relacionados al manejo del cultivo como la tendencia temporal; identificar cuáles son las variables determinantes del rendimiento y la importancia relativa de cada una, en la capacidad predictiva de dicho modelo. Se pretende utilizar los datos que se generan actualmente en forma rutinaria, obteniendo predicciones insesgadas e independientes de criterios subjetivos |
eu_rights_str_mv | openAccess |
format | report |
id | REDI_7c6b34a4aa6ab7449c5972b8a75eef29 |
identifier_str_mv | FSDA_1_2017_1_143442 |
instacron_str | Agencia Nacional de Investigación e Innovación |
institution | Agencia Nacional de Investigación e Innovación |
instname_str | Agencia Nacional de Investigación e Innovación |
language | spa |
network_acronym_str | REDI |
network_name_str | REDI |
oai_identifier_str | oai:redi.anii.org.uy:20.500.12381/477 |
publishDate | 2020 |
reponame_str | REDI |
repository.mail.fl_str_mv | jmaldini@anii.org.uy |
repository.name.fl_str_mv | REDI - Agencia Nacional de Investigación e Innovación |
repository_id_str | 9421 |
rights_invalid_str_mv | Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional. (CC BY-NC-ND) Acceso abierto |
spelling | Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional. (CC BY-NC-ND)Acceso abiertoinfo:eu-repo/semantics/openAccess2021-11-03T13:06:05Z2021-11-03T13:06:05Z2020-11https://hdl.handle.net/20.500.12381/477FSDA_1_2017_1_143442Obtener buenas predicciones de rendimiento en las chacras que remiten su producción a la empresa SAMAN S.A. es prioridad tanto para la planificación como para la toma de decisiones de manejo del cultivo. Identificar cuáles son las variables de mayor influencia en el rendimiento, y utilizarlas en un modelo estadístico que contemple su trayectoria histórica es una alternativa metodológica con fuerte sustento teórico para obtener dichas predicciones. La variabilidad en el rendimiento del cultivo de arroz en Uruguay está fuertemente influenciada por la variación en el manejo actual del cultivo, en particular la fecha de siembra. A su vez la variabilidad en la fertilidad del suelo es afectada en gran medida por el uso previo del suelo así como por el manejo del cultivo actual. Específicamente en chacras comerciales, el nivel de enmalezamiento y la lámina de riego están muy relacionados con la variación de rendimiento del cultivo. El uso de modelos mixtos que incorporan en el análisis la posible presencia de correlación temporal y la heterogeneidad entre establecimientos, permitiría identificar patrones subyacentes a la estructura de los datos. Los objetivos de este estudio son; la obtención de un modelo de rendimiento de arroz en condiciones productivas, que considere tanto factores relacionados al manejo del cultivo como la tendencia temporal; identificar cuáles son las variables determinantes del rendimiento y la importancia relativa de cada una, en la capacidad predictiva de dicho modelo. Se pretende utilizar los datos que se generan actualmente en forma rutinaria, obteniendo predicciones insesgadas e independientes de criterios subjetivosAgencia Nacional de Investigación e InnovaciónspaInstituto Nacional de Investigación Agropecuaria (INIA)http://doi.org/10.35676/INIA/ST.257Serie Técnica, Nº 257reponame:REDIinstname:Agencia Nacional de Investigación e Innovacióninstacron:Agencia Nacional de Investigación e InnovaciónModelos mixtosDatos longitudinalesCondiciones productivas de arrozCiencias Naturales y ExactasMatemáticasEstadística y ProbabilidadCiencias AgrícolasAgricultura, Silvicultura y PescaAgriculturaPredicción de rendimiento en chacras: ¿qué es importante?Reporte técnicoPublicadoinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/reportUniversidad de la república. Facultad de Agronomía//Ciencias Naturales y Exactas/Matemáticas/Estadística y Probabilidad//Ciencias Agrícolas/Agricultura, Silvicultura y Pesca/AgriculturaBerberian, NataliaRosas, JuanPérez de Vida, FernandoMarella, MuzioMassa, FernandoLICENSElicense.txtlicense.txttext/plain; charset=utf-84746https://redi.anii.org.uy/jspui/bitstream/20.500.12381/477/4/license.txt2d97768b1a25a7df5a347bb58fd2d77fMD54ORIGINALBerberian et al 2020_ST-257-INIA.pdfBerberian et al 2020_ST-257-INIA.pdfPaginas 9-12 de Serie Técnica de INIA 257application/pdf312156https://redi.anii.org.uy/jspui/bitstream/20.500.12381/477/3/Berberian%20et%20al%202020_ST-257-INIA.pdf9216028db3fd48106ecce3b486fef37eMD5320.500.12381/4772021-11-03 10:06:08.446oai:redi.anii.org.uy:20.500.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://www.anii.org.uy/https://redi.anii.org.uy/oai/requestjmaldini@anii.org.uyUruguayopendoar:94212021-11-03T13:06:08REDI - Agencia Nacional de Investigación e Innovaciónfalse |
spellingShingle | Predicción de rendimiento en chacras: ¿qué es importante? Berberian, Natalia Modelos mixtos Datos longitudinales Condiciones productivas de arroz Ciencias Naturales y Exactas Matemáticas Estadística y Probabilidad Ciencias Agrícolas Agricultura, Silvicultura y Pesca Agricultura |
status_str | publishedVersion |
title | Predicción de rendimiento en chacras: ¿qué es importante? |
title_full | Predicción de rendimiento en chacras: ¿qué es importante? |
title_fullStr | Predicción de rendimiento en chacras: ¿qué es importante? |
title_full_unstemmed | Predicción de rendimiento en chacras: ¿qué es importante? |
title_short | Predicción de rendimiento en chacras: ¿qué es importante? |
title_sort | Predicción de rendimiento en chacras: ¿qué es importante? |
topic | Modelos mixtos Datos longitudinales Condiciones productivas de arroz Ciencias Naturales y Exactas Matemáticas Estadística y Probabilidad Ciencias Agrícolas Agricultura, Silvicultura y Pesca Agricultura |
url | https://hdl.handle.net/20.500.12381/477 |