Algoritmos de aprendizaje automático en la predicción del comportamiento a enfermedades y rendimiento en dos cultivos
Poster y resumen
| Autores principales: | , , , |
|---|---|
| Formato: | info:ar-repo/semantics/documento de conferencia |
| Lenguaje: | Español |
| Publicado: |
Grupo Argentino de Bioestadística
2024
|
| Materias: | |
| Acceso en línea: | http://hdl.handle.net/20.500.12123/20599 |
| _version_ | 1855038261939929088 |
|---|---|
| author | Filipigh, Sebastián Suarez, Franco Iglesias, Juliana Bruno, Cecilia Inés |
| author_browse | Bruno, Cecilia Inés Filipigh, Sebastián Iglesias, Juliana Suarez, Franco |
| author_facet | Filipigh, Sebastián Suarez, Franco Iglesias, Juliana Bruno, Cecilia Inés |
| author_sort | Filipigh, Sebastián |
| collection | INTA Digital |
| description | Poster y resumen |
| format | info:ar-repo/semantics/documento de conferencia |
| id | INTA20599 |
| institution | Instituto Nacional de Tecnología Agropecuaria (INTA -Argentina) |
| language | Español |
| publishDate | 2024 |
| publishDateRange | 2024 |
| publishDateSort | 2024 |
| publisher | Grupo Argentino de Bioestadística |
| publisherStr | Grupo Argentino de Bioestadística |
| record_format | dspace |
| spelling | INTA205992024-12-13T12:07:53Z Algoritmos de aprendizaje automático en la predicción del comportamiento a enfermedades y rendimiento en dos cultivos Filipigh, Sebastián Suarez, Franco Iglesias, Juliana Bruno, Cecilia Inés Fitomejoramiento Maíz Trigo Enfermedades de las Plantas Rendimiento de Cultivos Plant Breeding Maize Wheat Plant Diseases Crop Yield Pergamino, Buenos Aires Poster y resumen La predicción genómica en plantas permite estimar características fenotípicas en individuos no evaluados. Este estudio compara la capacidad predictiva de modelos de aprendizaje automático (ML) frente a modelos lineales mixtos (MM). Para ello se emplearon dos bases de datos: una del Programa Global de Mejoramiento de Trigo (CIMMYT, México) con 599 líneas genotipadas con 11447 marcadores DArT y valores de rendimiento; y otra del INTA Pergamino (Argentina) con 63 líneas de maíz genotipadas con un chip de SNPS de 56K y fenotipadas para Fusarium verticillioides y Fusarium graminearum. Se ajustaron tres modelos de ML: 1-Bosques Aleatorios (RF), 2-Máquinas de Soporte Vectorial (SVM), y 3-Máquinas de Gradiente Recurrente (GBM) y tres MM con efecto aleatorio de genotipo y tres estructuras de varianza y covarianza: matriz de parentesco (K), matriz de aditividad genética (A) y la combinación de ambas (KA). Se realizó una validación cruzada para evaluar el comportamiento de los modelos en la predicción, se estimó la correlación (r) entre los valores observados y los predichos y se calculó el error cuadrático medio de predicción (RMSE). En el caso del trigo, el MM-A fue el de menor RMSE= 0.84 y obtuvo la mayor correlación r=0.50. Entre los ML, RF presentó menor RMSE=0.77 y la mayor correlación r=0.62. En cuanto al maíz, para FV se obtuvo RMSE=0.28 y valor de correlación r=0.98 y para FG el RMSE fue de 0.28 y valor de correlación r=0.97. Los modelos de aprendizaje automático ofrecieron buenos resultados predictivos en comparación con los modelos lineales mixtos, siendo RF el de mejor comportamiento predictivo para los caracteres agronómicos evaluados en este estudio. EEA Pergamino Fil: Filipigh, Sebastián. Universidad Nacional de Córdoba. Facultad de Ciencias Agropecuarias. Estadística y Biometría; Argentina Fil: Suarez, Franco. Universidad Nacional de Córdoba. Facultad de Ciencias Agropecuarias. Estadística y Biometría; Argentina Fil: Iglesias, Juliana. Instituto Nacional de Tecnología Agropecuaria (INTA). Estación Experimental Agropecuaria Pergamino. Departamento de Maíz; Argentina Fil: Iglesias, Juliana. Universidad Nacional del Noroeste de la Provincia de Buenos Aires. Escuela de Agrarias, Naturales y Ambientales; Argentina Fil: Bruno, C. Universidad Nacional de Córdoba. Facultad de Ciencias Agropecuarias; Argentina Fil: Bruno, C. Fil: Bruno, Cecilia. Consejo Nacional de Investigaciones Científicas y Técnicas. Unidad de Fitopatología y Modelización Agrícola (UFyMA); Argentina 2024-12-13T11:52:24Z 2024-12-13T11:52:24Z 2024-10 info:ar-repo/semantics/documento de conferencia info:eu-repo/semantics/conferenceObject info:eu-repo/semantics/publishedVersion http://hdl.handle.net/20.500.12123/20599 spa info:eu-repo/semantics/openAccess http://creativecommons.org/licenses/by-nc-sa/4.0/ Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) application/pdf Grupo Argentino de Bioestadística XXVIII Reunión Científica del Grupo Argentino de Bioestadística "Fortaleciendo la Soberanía a través del Conocimiento Científico”, Buenos Aires, del 8 al 10 de octubre de 2024 |
| spellingShingle | Fitomejoramiento Maíz Trigo Enfermedades de las Plantas Rendimiento de Cultivos Plant Breeding Maize Wheat Plant Diseases Crop Yield Pergamino, Buenos Aires Filipigh, Sebastián Suarez, Franco Iglesias, Juliana Bruno, Cecilia Inés Algoritmos de aprendizaje automático en la predicción del comportamiento a enfermedades y rendimiento en dos cultivos |
| title | Algoritmos de aprendizaje automático en la predicción del comportamiento a enfermedades y rendimiento en dos cultivos |
| title_full | Algoritmos de aprendizaje automático en la predicción del comportamiento a enfermedades y rendimiento en dos cultivos |
| title_fullStr | Algoritmos de aprendizaje automático en la predicción del comportamiento a enfermedades y rendimiento en dos cultivos |
| title_full_unstemmed | Algoritmos de aprendizaje automático en la predicción del comportamiento a enfermedades y rendimiento en dos cultivos |
| title_short | Algoritmos de aprendizaje automático en la predicción del comportamiento a enfermedades y rendimiento en dos cultivos |
| title_sort | algoritmos de aprendizaje automatico en la prediccion del comportamiento a enfermedades y rendimiento en dos cultivos |
| topic | Fitomejoramiento Maíz Trigo Enfermedades de las Plantas Rendimiento de Cultivos Plant Breeding Maize Wheat Plant Diseases Crop Yield Pergamino, Buenos Aires |
| url | http://hdl.handle.net/20.500.12123/20599 |
| work_keys_str_mv | AT filipighsebastian algoritmosdeaprendizajeautomaticoenlapredicciondelcomportamientoaenfermedadesyrendimientoendoscultivos AT suarezfranco algoritmosdeaprendizajeautomaticoenlapredicciondelcomportamientoaenfermedadesyrendimientoendoscultivos AT iglesiasjuliana algoritmosdeaprendizajeautomaticoenlapredicciondelcomportamientoaenfermedadesyrendimientoendoscultivos AT brunoceciliaines algoritmosdeaprendizajeautomaticoenlapredicciondelcomportamientoaenfermedadesyrendimientoendoscultivos |