Forecasting of yields in Jarillo peach crops at the Province of Pamplona using random variables

Pronóstico de rendimiento en cultivos de duraznero Jarillo en la Provincia de Pamplona utilizando variables aleatorias

dc.creatorParra Ortega, Carlos Arturo
dc.creatorQuevedo García, Enrique
dc.creatorVILLAMIZAR-QUIÑONEZ, CESAR
dc.date2023-02-03T13:20:31Z
dc.date2023-02-03T13:20:31Z
dc.date2022
dc.date.accessioned2023-10-03T19:04:58Z
dc.date.available2023-10-03T19:04:58Z
dc.identifierC. Parra Ortega, E. Quevedo García & C. Villamizar Quiñines, “Forecasting of yields in Jarillo peach crops at the Province of Pamplona using random variables”, INGE CUC, vol. 18, no. 1, pp. 66–82, 2022. DOI: http://doi.org/10.17981/ingecuc.18.1.2022.06
dc.identifier0122-6517
dc.identifierhttps://hdl.handle.net/11323/9861
dc.identifier10.17981/ingecuc.18.1.2022.06
dc.identifier2382-4700
dc.identifierCorporación Universidad de la Costa
dc.identifierREDICUC – Repositorio CUC
dc.identifierhttps://repositorio.cuc.edu.co/
dc.identifier.urihttps://repositorioslatinoamericanos.uchile.cl/handle/2250/9167485
dc.descriptionIntroducción— Como resultado de un proyecto de investigación, en este artículo se muestra el pronóstico de rendimiento de cultivo de durazno variedad jarillo. Para ello se diseñó un modelo para simular la producción de frutos de durazno generando variables aleatorias de cantidad de frutos y peso total, a partir de distribuciones de probabilidad deducidas a partir de muestras de cultivos. Objetivo— Pronosticar el rendimiento de un cultivo de durazno, mediante la simulación de variables que siguen una distribución de probabilidad asociadas al mismo, obteniendo un comportamiento estadístico similar a un escenario de producción real. Metodología—Se hizo revisión bibliográfica de estudios sobre pronóstico de producción en otras especies vegetales. También se tomaron muestras de producción en haciendas de diversos pisos térmicos y se hizo un análisis de regresión lineal a intervalo fijo (stepwise) teniendo como variable dependiente el rendimiento y como variable independiente las dimensiones físicas de la rama. Además, se tomaron datos sobre la distribución de probabilidad de producción y con base en ella se diseñó e implementó un software simulador, con el cual se hicieron diversas simulaciones de escenarios de producción. Resultados— Se obtuvieron modelos con menor número de variables resultantes de aplicar el procedimiento “stepwise” para pronosticar el número de frutos y rendimiento. Al caracterizar variables de entrada, se pasó a construir el modelo matemático con entradas aleatorias para pronosticar el rendimiento, tales como el área del cultivo, sistema de siembra, densidad de siembra, edad del cultivo y longitud de rama, área foliar, diámetros del fruto entre otras variables. Conclusiones— Se logró demostrar que es factible pronosticar la el rendimiento de cultivo de duraznos en varios supuestos, a partir de muestras observadas en escenarios de producción real. Se logró implementar un modelo de pronóstico basado en variables aleatorias, cuya variabilidad con respecto a datos reales es significativamente pequeña.
dc.descriptionIntroduction— As a result of a research project, this article shows the crop yield forecast for a peach variety named jarillo. For this, a model was designed to simulate the production of peach fruits, generating random variables of the number of fruits and total weight, from probability distributions deduced from crop samples. Objective— Forecasting the yield of a peach crop, by simulating variables that follow a probability distribution associated with it, obtaining a statistical behavior similar to a real production scenario. Methodology— A bibliographic review was made of studies on production forecasting in other plant species. Production samples were also taken from farms in various zones and a linear regression analysis at a fixed interval (stepwise) was made, taking yield as a dependent variable and the physical dimensions of the branch as an independent variable. In addition, data was collected for determine the production probability distribution and based on it a simulator software was designed and implemented, with which various simulations of production scenarios were made. Results— Models were obtained with a lower number of variables resulting from applying the stepwise procedure in order to forecasting the number of fruits and performance. When characterizing input variables, the mathematical model was built with random inputs to predict yield, such as crop area, planting system, planting density, crop age and branch length, leaf area, fruit diameters, among others variables. Conclusions— Is feasible the forecasting of peach crops yield under several assumptions, from samples observed in real production scenarios. It was posible to implement a forecast model based on random variables, whose variability with respect to real data is significantly small.
dc.format17 páginas
dc.formatapplication/pdf
dc.formatapplication/pdf
dc.languagespa
dc.publisherCorporación Universidad de la Costa
dc.publisherColombia
dc.relationINGE CUC
dc.relation[1] FAOSTAT, “Crops and livestock products,” FAO. Accesed: Jun., 2021. [Online]. Available: http://www.fao. org/faostat/en/#data/QC
dc.relation[2] J. Hernández, D. Micheletti, M. Bink, E. Van de Weg, C. Cantín, N. Nazzicari, A. Caprera, M. Dettori, S. Micali, E. Banchi, J. Campoy, E. Dirlewanger, P. Lambert, T. Pascal, M. Troggio, D. Bassi, L. Rossini, I. Verde, B. Quilot-Turion, F. Laurens, P. Arús & M. Aranzana, “Integrated QTL detection for key breeding traits in multiple peach progenies”, BMC Genom, vol. 18, no. 1, pp. 1–15, Jun. 2017. https://doi. org/10.1186/s12864-017-3783-6
dc.relation[3] R, Pio, F.B.M. de Souza, L, Kalcsits, R.B. Bisi and D.D. Farias, “Advances in the production of temperate fruits in the tropics”, Acta Sci Agron, vol. 41, no. 1, pp. 1–10, Nov. 2019. https://doi.org/10.4025/actasciagron.v41i1.39549
dc.relation[4] S. Cancino, G. Cancino y E. Quevedo, “Factores determinantes de la rentabilidad económica del cultivo de durazno en la Provincia de Pamplona, Norte de Santander, Colombia”, Rev. Espacios, vol. 40, no 13, pp. 1–9, Abr. 2019. Available from http://www.revistaespacios.com/a19v40n13/a19v40n13p18.pdf
dc.relation[5] B. Jana, “Performance of Some Low Chill Peach, [Prunus persica (L) Batsch] Under Eastern Plateau Regions of India”, Int J Curr Microbiol App Sci, vol. 4, no. 12, pp. 752–757, Dec. 2015. Available from https:// www.ijcmas.com/vol-4-12/B.R.Jana.pdf
dc.relation[6] T. Campos, “Species y variedades de hoja caduca en Colombia”, in Los frutales caducifolios en Colombia. Situación actual, sistemas de cultivo y plan de desarrollo, D. Miranda, G. Fisher y C. Carranza, eds. BO, CO: Soccolhort, 2013, pp. 47–66. Disponible en http://hdl.handle.net/20.500.12324/33528
dc.relation[7] Evaluaciones Agropecuarias Municipales EVA, MinAgricultura, Jul. 2021. https://www.datos.gov.co/ Agricultura-y-Desarrollo-Rural/Evaluaciones-Agropecuarias-Municipales-EVA/2pnw-mmge
dc.relation[8] S. Silva-Laya, H. Silva-Laya, y S. Pérez-Martínez, “Eficiencia energética y monetaria de sistemas de producción de durazno (Prunus pérsica) en El Jarillo, Venezuela”, IDESIA, vol. 35, no 4, pp. 17–26, Dic. 2017. https://doi.org/10.4067/S0718-34292017000400017
dc.relation[9] S. Silva, S. Pérez & J. Álvarez, “Socioecological diagnosis and peri-urban family agriculture typification, with emphasis in the production of peach (P. persica), in El Jarillo, Venezuela”, Rev FCA UNCuyo, vol. 51, no 1, pp. 351–368, Jun. 2019. Available: https://revistas.uncu.edu.ar/ojs/index.php/RFCA/article/ view/2456
dc.relation[10] M. I. Moyano, P. Flores, S. Seta, L. Andrea y C. Severin, “Efecto de diferentes prácticas culturales sobre la producción, calidad y maduración de frutos de duraznero cv. Early Grande”, Cienc Agron, vol. 17, pp. 7–11, Ago. 2010. Available: https://test-cienciasagronomicas.unr.edu.ar/journal/index.php/agronom/article/view/8
dc.relation[11] A. García-Mogollón y M. Torres-Zamudio, “Estudio de vigilancia tecnológica sobre el desarrollo de patentes en el campo de la producción y transformación de durazno”, Rev Cienc Agricult, vol. 14, no. 1, pp. 15–29, May. 2017. https://doi.org/10.19053/01228420.v14.n1.2017.6084
dc.relation[12] P. Steduto, T.C. Hsiao, E. Fereres, D. Raes y FAO, Respuesta del rendimiento de los cultivos al agua 2012. ROM, IT: FAO, 2012. Disponible en https://www.fao.org/3/i2800s/i2800s.pdf
dc.relation[13] E. J. Link, “Investigation and modeling of the optimization potential of adapted nitrogen fertilization strategies in corn cropping system with regard to minimize nitrogen losses”, Ph. D. Dissertación, Fac Agric Sci, UNI, ST, DE, 2005. Available from https://opus.uni-hohenheim.de/volltexte/2005/122/pdf/2005- 11-30_Dissertation_JLink.pdf
dc.relation[14] K. J. Boote, M. R. Rybak, J. M.S. Scholberg & J. W. Jones, “Improving the CROPGRO-Tomato Model for Predicting Growth and Yield Response to Temperature”, HortScience, vol. 47, no. 8, pp. 1038–1049, Aug. 2012. https://doi.org/10.21273/HORTSCI.47.8.1038
dc.relation[15] J. A. Ramos, E. Becerra, J. F. Cárdenas y R. Jiménez, “Aplicación del modelo Aquacrop para un cultivo de maíz (Zea mays L)”, Rev Sist Prod Agroecol, vol. 10, no. 2, pp. 19–49, Nov. 2019. https://doi. org/10.22579/22484817.730
dc.relation[16] M. E. Fernández, Diagnóstico de modelos agroclimáticos evaluacion del riesgo agroclimático por sectores. BO, CO: Fonade/IDEAM, 2013. Recuperado de http://www.ideam.gov.co/documents/21021/21138/Uso+de +Modelos+agroclim%C3%A1ticos.pdf/9f53a23d-9afa-4fda-aad3-5fe407c6cfea
dc.relation[17] IICA/UE, “Elementos conceptuales básicos sobre modelos de simulación para estudiar el clima y sus impactos en la agricultur”, in Modelos de simulación y herramientas de modelaje: elementos conceptuales y sistematización de herramientas para apoyar el análisis de impactos de la variabilidad y el cambio climático sobre las actividades agrícolas. SJO, CR: UE/IICA, 2015, pp. 9–21. Available: http://repositorio.iica.int/handle/11324/3045
dc.relation[18] C. T. De Wit, “Modelling Agricultural Production”, Acta Hortic, vol. 184, pp. 59–70, 1986. https://doi. org/10.17660/ActaHortic.1986.184.6
dc.relation[19] B. Candelaria, O. Ruiz, F. Gallardo, P. Pérez, Á. Martínez y L. Vargas, “Aplicación de modelos de simulación en el estudio y planificación de la agricultura, una revisión”, Trop Subtrop Agroecosystems, vol. 14, no. 3, pp. 999–1010, Dic. 2011. Disponible en https://www.revista.ccba.uady.mx/ojs/index.php/TSA/ article/view/1103
dc.relation[20] A. R. Graves, P. J. Burgess, J. Palma , K. Keesman, W. van der Werf , C. Dupraz , H. van Keulen, F. Herzog & M. Mayus, “Implementation and calibration of the parameter-sparse Yield-SAFE model to predict production and land equivalent ratio in mixed tree and crop systems under two contrasting production situations in Europe”, Ecol Modell, vol. 221, no 13-14, pp. 1744–1756, Jul. 2010. https://doi.org/10.1016/j. ecolmodel.2010.03.008
dc.relation[21] M.A. Ríos, R. Arrieta & A. Torres, “Angular Instability “Day Ahead” Risk Forecasting ‑ Probabilistic Dependency on Load”, IEEE LATAM Transc, vol. 5, no. 8, pp. 585–590, Dec. 2007. https://doi.org/10.1109/TLA.2007.4445710
dc.relation[22] E. Chacón, I. Besembel y J. Hennet, Automatización Industrial. MDA, VE: ULA, 2001.
dc.relation[23] A. Law, Simulation Modeling and Analysis, 5 Ed. NYC, NY, USA: McGraw-Hill, 2000.
dc.relation[24] F. DiCesare & A. Desroches, “Modeling, Control and Performance Analysis of automated systems using Petri Nets”, J Dyn Control Syst, vol.47, Part 3, pp. 121–172, Sep. 1991. https://doi.org/10.1016/B978-0-12- 012747-4.50009-3
dc.relation[25] C. J. Barrera y J. C. Correa, “Distribución predictiva bayesiana para modelos de pruebas de vida vía MCMC”, Revcoles, vol. 31, no 2, pp. 145–155, Dic. 2008. Disponible en https://revistas.unal.edu.co/index. php/estad/article/view/29611
dc.relation[26] P. H. Gutiérrez y R. S. De la Vara, Análisis y diseño de experimentos, 3 ed. CDMX, MX: Mc Graw Hill, 2012.
dc.relation[27] IDEAM, “Metodología para la elaboración del Mapa de Ecosistemas escala 1:100.000”. Consultado el 12 de agosto de 2016. [Online]. Disponible en http://www.ideam.gov.co/web/ecosistemas/mapa-ecosistemascontinentales-costeros-marinos
dc.relation[28] T. Lisandru, A. Füstös, V. Mitre & A. Dumitras, “Sweet Cherry (Prunus avium L.) and Peach (P. persica L.) Phenological Growth Stages According to BBCH Scale”, Bull UASVM Hortic, vol. 74, no 1, pp. 65–67, May. 2017. https://doi.org/10.15835/buasvmcn-hort:12361
dc.relation[29] E. Fadón, M. Herrero & J. Rodrigo, “Flower development in sweet cherry framed in the BBCH scale”, Sci Hortic, vol. 192, pp. 141–147, Aug. 2015. https://doi.org/10.1016/j.scienta.2015.05.027
dc.relation[30] O. H. Mounzer, W. Conejero, E. Nicolás, I. Abrisqueta, Y. V. García-Orellana, L. M. Tapia, J. Vera, J. M. Abrisqueta & M. del C. Ruiz-Sánchez, “Growth Pattern and Phenological Stages of Early-maturing Peach Trees Under a Mediterranean Climate”, HortSci, vol. 43, no. 6, pp. 1813–1818, Oct. 2008. https:// doi.org/10.21273/HORTSCI.43.6.1813
dc.relation[31] C. A. Schneider, W. S. Rasband & K. W. Eliceiri, “NIH Image to ImageJ: 25 years of image analysis”, Nat Methods, vol. 9, no. 7, pp. 671–675, Jun. 2012. https://doi.org/10.1038/nmeth.2089
dc.relation[32] H. Zou & L. Xue, “A Selective Overview of Sparse Principal Component Analysis”, Proc of the IEEE, vol. 106, no. 8, pp. 1311–1320, Aug. 2018. https://doi.org/10.1109/JPROC.2018.2846588
dc.relation[33] R. Goswami, S. Chatterjee & B. Prasad, “Farm types and their economic characterization in complex agro-ecosystems for informed extension intervention: Study from coastal West Bengal, India”, Agric Food Econ, vol. 2, pp. 1–24, Jul. 2014. https://doi.org/10.1186/s40100-014-0005-2
dc.relation[34] J. M. Rojo, Regresión lineal múltiple. MAD, ES: ES, Instituto de Economía y Geografía, 2007.
dc.relation[35] D. Peña, Análisis de datos multivariantes. MAD, ES: McGraw Hill, 2002.
dc.relation[36] G. Gálvez, A. Sigarroa, T. López y J. Fernández, “Modelación de cultivos agrícolas. Algunos Ejemplos”, Cult Trop, vol. 31, no. 3, pp. 60–65, Jul. 2010. Disponible en https://ediciones.inca.edu.cu/index.php/ediciones/article/view/110
dc.relation[37] R. H. Tirado-Malaver, J. Mendoza-Sáenz, R. Tirado-Lara y R. Tirado-Malaver, “Análisis multivariado para caracterizar y tipificar fincas productoras de papa (Solanum tuberosum L.) en Cutervo, Cajamarca, Perú”, Trop Subtrop Agroecosyst, vol. 24, no. 3, pp. 1–15, Jun. 2021. https://www.revista.ccba.uady.mx/ojs/index.php/TSA/article/view/3744/1677
dc.relation[38] G. López, R. R. Favreau, C. Smith, & T. M. DeJong, “L-PEACH: A Computer-based Model to Understand How Peach Trees Grow”, Horttechnology, vol. 20, no. 6, pp. 983–990, Dec. 2010. https://doi.org/10.21273/HORTSCI.20.6.983
dc.relation[39] I. Jacobson, G. Booch y J. Rumbaugh, El proceso unificado de desarrollo de Software. BOS, MA: Addison Wesley, 2001.
dc.relation[40] L. Septar, C. Moale, I. Caplan & L. Bocioroag, “Biometric characteristics of 'Catherine Sel 1' peach cultivar in semiarid environment”, Curr trends technol Sci, vol. 10, no. 19, pp. 381–386, Ago. 2021. https://doi. org/10.47068/ctns.2021.v10i19.050
dc.relation[41] F. Soto-Bravo y M. I. González-Lutz, “Análisis de métodos estadísticos para evaluar el desempeño de modelos de simulación en cultivos hortícolas”, Agron Mesoam, vol. 30, no. 2, pp. 517–534, Ago. 2019. https:// doi.org/10.15517/am.v30i2.33839
dc.relation[42] M. Jayakumar, M. Rajavel & U. Surendran, “Climate-based statistical regression models for crop yield forecasting of coffee in humid tropical Kerala, India”, Int J Biometeorol, vol. 60, no. 12, pp. 1943–1952, Dec. 2016. https://doi.org/10.1007/s00484-016-1181-4
dc.relation[43] M. Scarlato, S. Dogliotti, G. Giménez, A. Borges, Ó. Bentancur y A. Lenzi, “Análisis y jerarquización de factores determinantes de las brechas de rendimiento del cultivo de frutilla en el sur del Uruguay”, Agrocienc Urug, vol. 21, no. 1, pp. 43–57, Jun. 2017. Disponible en http://www.ainfo.inia.uy/digital/bitstream/ item/9821/1/SAD-758-p.3-9.pdf
dc.relation[44] K. D. de Morais, B. Xavier, D. F. da Silva, J. A. Oliveira e C. Bruckner, “Avaliação física e química de frutos de cultivares de pessegueiro”, Eng Agric, vol. 25, no. 2, pp. 157–163, Abr. 2017. https://doi.org/10.13083/ reveng.v25i2.712
dc.relation[45] J. P. Cremasco, R. G. Matias, D. F. da Silva, J. A. Oliveira e C. Bruckner, “Qualidade pós-colheita de oito variedades de pêssego”, Comun Sci, vol. 7, no. 3, pp. 334–342, Dez. 2016. https://doi.org/10.14295/ cs.v7i3.1404
dc.relation[46] R. G. Matias, D. F. da Silva, J. O. e Silva, J. A. Oliveira, J. P. Cremasco e C. Bruckner, “Qualidade de nectarinas produzidas em região de clima subtropical”, Rev Ceres, vol. 62, no. 6, pp. 621–626, Dez. 2015. https://doi.org/10.1590/0034-737X201562060016
dc.relation[47] R. G. Matias, C. Bruckner, D. F. da Silva, P. C. Carneiro & J. A. de Oliveira, “Adaptability and stability of peach and nectarine cultivars in subtropical climate”, Rev Ceres, vol. 64, no. 5, pp. 516–522, Oct. 2017. https://doi.org/10.1590/0034-737X201764050009
dc.relation[48] A. Lira-Conde, E. Ocaranza-Sánchez, J. Cadena-Iñiguez, L. Tapia-López, M. M. Solís-Oba y A. RuizFont, “Aplicación de un modelo matemático para predecir el rendimiento vegetal de un compuesto de interés industrial”, Agroproduct, vol.11, no. 9, pp. 59–67, Sep. 2018. https://doi.org/10.32854/agrop.v11i9.1216
dc.relation[49] J. A. S. Escalante-Estrada, , M. T. Rodríguez-González y Y. I. Escalante-Estrada, “Modelos que describen la distribución del rendimiento, sus componentes y radiación solar en ayocote en espaldera de tripie”, in Ciencias Matemáticas aplicadas a la Agricultura., F. Pérez-Soto, D. Sepúlveda-Jiménez, R. SalazarMoreno y D. Sepúlveda-Robles, eds, CDMX, MX: ECORFAN, 2017, pp. 9–17. Recuperado de https://www.ecorfan.org/handbooks/Ciencias%20Matematicas%20aplicadas%20a%20la%20Agronomia%20T-I/ HCMA_TI.pdf
dc.relation[50] A. C. Gomes, A. Robaina, M. Peiter, F. Soares e A. R. Parizi, “Modelo para estimativa da produtividade para a cultura da soja”, Ciênc Rural, vol. 44, no. 1, pp. 43–49, Jan. 2014. https://doi.org/10.1590/S0103-84782013005000145
dc.relation[51] SPSS Statistics. (v. 25), IBM. [Online]. Available: https://www.ibm.com/support/pages/downloading-ibmspss-statistics-25
dc.relation[52] R Project for Statistical Computing. (v. 42.1), R Development Core Team. [Online]. Available: https:// www.r-project.org/
dc.relation[53] Arena Input Analyzer software. (v. 16.0), Rockwell Automation. [Online]. Available: https://www.rockwellautomation.com/en-us/products/software/arena-simulation.html
dc.relation82
dc.relation66
dc.relation1
dc.relation18
dc.rightsDerechos de autor 2022 INGE CUC
dc.rightsAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rightshttps://creativecommons.org/licenses/by-nc-nd/4.0/
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rightshttp://purl.org/coar/access_right/c_abf2
dc.sourcehttps://revistascientificas.cuc.edu.co/ingecuc/article/view/3871
dc.subjectProducción de durazno
dc.subjectModelos estocásticos
dc.subjectSimulación de variable discreta
dc.subjectSistemas de producción agrícola
dc.subjectDistribución de probabilidad
dc.subjectAgricultural production systems
dc.subjectStochastical models
dc.subjectPeach production
dc.subjectDiscrete-variable simulation
dc.subjectProbability distribution
dc.titleForecasting of yields in Jarillo peach crops at the Province of Pamplona using random variables
dc.titlePronóstico de rendimiento en cultivos de duraznero Jarillo en la Provincia de Pamplona utilizando variables aleatorias
dc.typeArtículo de revista
dc.typehttp://purl.org/coar/resource_type/c_2df8fbb1
dc.typeText
dc.typeinfo:eu-repo/semantics/article
dc.typehttp://purl.org/redcol/resource_type/ART
dc.typeinfo:eu-repo/semantics/publishedVersion
dc.typehttp://purl.org/coar/version/c_970fb48d4fbd8a85
dc.coverageCultivos de duraznero Jarillo
dc.coverageProvince of Pamplona


Este ítem pertenece a la siguiente institución