Statistical modeling for on-farm experimentation using precision agricultural technology

Ponencia presentada en 12ª Conferencia Europea sobre Agricultura de Precisión (ECPA). Montpellier, Francia, 8 al 11 julio del 2019.

Guardado en:
Detalles Bibliográficos
Autores principales: Paccioretti, Pablo Ariel, Córdoba, Mariano Augusto, Bruno, Cecilia Inés, Bullock, David S., Balzarini, Mónica Graciela
Formato: conferenceObject
Lenguaje:Inglés
Publicado: 2024
Materias:
Agricultura de precisión
Rendimiento de cultivos
Modelos
Técnicas de predicción
Productividad
Sensores remotos
Análisis de datos
Acceso en línea:http://hdl.handle.net/11086/554611
Aporte de:
Repositorio Digital Universitario (UNC) de Universidad Nacional de Córdoba
id I10-R141-11086-554611
record_format dspace
institution Universidad Nacional de Córdoba
institution_str I-10
repository_str R-141
collection Repositorio Digital Universitario (UNC)
language Inglés
topic Agricultura de precisión
Rendimiento de cultivos
Modelos
Técnicas de predicción
Productividad
Sensores remotos
Análisis de datos
spellingShingle Agricultura de precisión
Rendimiento de cultivos
Modelos
Técnicas de predicción
Productividad
Sensores remotos
Análisis de datos
Paccioretti, Pablo Ariel
Córdoba, Mariano Augusto
Bruno, Cecilia Inés
Bullock, David S.
Balzarini, Mónica Graciela
Statistical modeling for on-farm experimentation using precision agricultural technology
topic_facet Agricultura de precisión
Rendimiento de cultivos
Modelos
Técnicas de predicción
Productividad
Sensores remotos
Análisis de datos
description Ponencia presentada en 12ª Conferencia Europea sobre Agricultura de Precisión (ECPA). Montpellier, Francia, 8 al 11 julio del 2019.
format conferenceObject
author Paccioretti, Pablo Ariel
Córdoba, Mariano Augusto
Bruno, Cecilia Inés
Bullock, David S.
Balzarini, Mónica Graciela
author_facet Paccioretti, Pablo Ariel
Córdoba, Mariano Augusto
Bruno, Cecilia Inés
Bullock, David S.
Balzarini, Mónica Graciela
author_sort Paccioretti, Pablo Ariel
title Statistical modeling for on-farm experimentation using precision agricultural technology
title_short Statistical modeling for on-farm experimentation using precision agricultural technology
title_full Statistical modeling for on-farm experimentation using precision agricultural technology
title_fullStr Statistical modeling for on-farm experimentation using precision agricultural technology
title_full_unstemmed Statistical modeling for on-farm experimentation using precision agricultural technology
title_sort statistical modeling for on-farm experimentation using precision agricultural technology
publishDate 2024
url http://hdl.handle.net/11086/554611
work_keys_str_mv AT pacciorettipabloariel statisticalmodelingforonfarmexperimentationusingprecisionagriculturaltechnology
AT cordobamarianoaugusto statisticalmodelingforonfarmexperimentationusingprecisionagriculturaltechnology
AT brunoceciliaines statisticalmodelingforonfarmexperimentationusingprecisionagriculturaltechnology
AT bullockdavids statisticalmodelingforonfarmexperimentationusingprecisionagriculturaltechnology
AT balzarinimonicagraciela statisticalmodelingforonfarmexperimentationusingprecisionagriculturaltechnology
_version_ 1824552132238376960
spelling I10-R141-11086-5546112024-12-18T06:24:34Z Statistical modeling for on-farm experimentation using precision agricultural technology Paccioretti, Pablo Ariel Córdoba, Mariano Augusto Bruno, Cecilia Inés Bullock, David S. Balzarini, Mónica Graciela Agricultura de precisión Rendimiento de cultivos Modelos Técnicas de predicción Productividad Sensores remotos Análisis de datos Ponencia presentada en 12ª Conferencia Europea sobre Agricultura de Precisión (ECPA). Montpellier, Francia, 8 al 11 julio del 2019. Fil: Paccioretti, Pablo Ariel. Universidad Nacional de Córdoba. Facultad de Ciencias Agropecuarias. Cátedra de Estadística y Biometría; Argentina. Fil: Paccioretti, Pablo Ariel. Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET). Unidad de Fitopatología y Modelización Agrícola (UFyMA); Argentina. Fil: Paccioretti, Pablo Ariel. Instituto Nacional de Tecnología Agropecuaria (INTA). Unidad de Fitopatología y Modelización Agrícola (UFyMA); Argentina. Fil: Córdoba, Mariano Augusto. Universidad Nacional de Córdoba. Facultad de Ciencias Agropecuarias. Cátedra de Estadística y Biometría; Argentina. Fil: Córdoba, Mariano Augusto. Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET). Unidad de Fitopatología y Modelización Agrícola (UFyMA); Argentina. Fil: Córdoba, Mariano Augusto. Instituto Nacional de Tecnología Agropecuaria (INTA). Unidad de Fitopatología y Modelización Agrícola (UFyMA); Argentina. Fil: Bruno, Cecilia Inés. Universidad Nacional de Córdoba. Facultad de Ciencias Agropecuarias; Argentina. Fil: Bruno, Cecilia Inés. Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET). Centro Científico Tecnológico (CCT Córdoba); Argentina. Fil: Bullock, David S. University of Illinois - Urbana-Champaign; Estados Unidos. Fil: Balzarini, Mónica Graciela. Universidad Nacional de Córdoba. Facultad de Ciencias Agropecuarias. Cátedra de Estadística y Biometría; Argentina. Fil: Balzarini, Mónica Graciela. Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET). Unidad de Fitopatología y Modelización Agrícola (UFyMA); Argentina. Fil: Balzarini, Mónica Graciela. Instituto Nacional de Tecnología Agropecuaria (INTA). Unidad de Fitopatología y Modelización Agrícola (UFyMA); Argentina. On-farm experiments are conducted in producers? fields using precision technologies that facilitate trial set up without additional tasks other than the necessary ones for crop development. Current availability of precise machinery equipped with proximal and remote sensors enable automation of changes in the assignment of agricultural inputs within the field. The possibility of changing input rates automatically and monitoring associated yields enable estimations of the effect of variable rates of agronomical inputs on productivity functions at the farmer scale. Advances in statistical analyses of this type of on-farms trials are essential for rapid development, fine-tuning and evaluation/adoption of precision agriculture. On-farm estimated productivity function (yield as a response of treatments) for a given number of crop seasons, allows us to make environmentally and economically optimum prescriptions for crop management in the agricultural plots. The underlying spatial variability among sites in a plot (soil properties, topography, water availability, historical yields) can be used for identification of management zones, in which treatments are compared under uniform conditions or, rather, as covariables of yield prediction models as a function of treatments.The benefits of adopting a site-specific predictive model approach, including site characteristics as covariables as well as interactions between them with input rates, are discussed through 12 real datasets of on-farm trials of variable seed and nitrogen rate on maize and wheat. Additionally, we evaluate the relative accuracy of modern statistical algorithms: Random Forest, Generalized additive model, Gradient boosting machine (GBM), Partial least squares (PLS). The algorithms were fitted to estimate predictive models and compared in terms of root mean square prediction error (RMSPE). As reference model, multiple linear regression was fitted. All algorithms were adjusted with and without previous zonification and with and without accounting for spatial correlations. All algorithms accuracy increased in models including site covariables. The spatial models showed smaller RMSPE than the non-spatially restricted models. The use of continuous covariates auto-performed the use of management zones as classification factors. GBM and PLS with spatial correlation were the best models for fitting productivity function. Fil: Paccioretti, Pablo Ariel. Universidad Nacional de Córdoba. Facultad de Ciencias Agropecuarias. Cátedra de Estadística y Biometría; Argentina. Fil: Paccioretti, Pablo Ariel. Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET). Unidad de Fitopatología y Modelización Agrícola (UFyMA); Argentina. Fil: Paccioretti, Pablo Ariel. Instituto Nacional de Tecnología Agropecuaria (INTA). Unidad de Fitopatología y Modelización Agrícola (UFyMA); Argentina. Fil: Córdoba, Mariano Augusto. Universidad Nacional de Córdoba. Facultad de Ciencias Agropecuarias. Cátedra de Estadística y Biometría; Argentina. Fil: Córdoba, Mariano Augusto. Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET). Unidad de Fitopatología y Modelización Agrícola (UFyMA); Argentina. Fil: Córdoba, Mariano Augusto. Instituto Nacional de Tecnología Agropecuaria (INTA). Unidad de Fitopatología y Modelización Agrícola (UFyMA); Argentina. Fil: Bruno, Cecilia Inés. Universidad Nacional de Córdoba. Facultad de Ciencias Agropecuarias; Argentina. Fil: Bruno, Cecilia Inés. Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET). Centro Científico Tecnológico (CCT Córdoba); Argentina. Fil: Bullock, David S. University of Illinois - Urbana-Champaign; Estados Unidos. Fil: Balzarini, Mónica Graciela. Universidad Nacional de Córdoba. Facultad de Ciencias Agropecuarias. Cátedra de Estadística y Biometría; Argentina. Fil: Balzarini, Mónica Graciela. Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET). Unidad de Fitopatología y Modelización Agrícola (UFyMA); Argentina. Fil: Balzarini, Mónica Graciela. Instituto Nacional de Tecnología Agropecuaria (INTA). Unidad de Fitopatología y Modelización Agrícola (UFyMA); Argentina. 2024-12-17T13:24:52Z 2024-12-17T13:24:52Z 2019 conferenceObject http://hdl.handle.net/11086/554611 eng Attribution-NonCommercial-NoDerivatives 4.0 Internacional http://creativecommons.org/licenses/by-nc-nd/4.0/ The 12th European Conference on Precision Agriculture : book of abstracts of all the posters ISBN: 9782900792490 http://ecpa2019.agrotic.org/wp-content/uploads/2019/07/ECPA2019_Proceedings_Poster.pdf

Ejemplares similares