Estimación de masa de forraje en una pradera mixta por aprendizaje automatizado, datos del manejo de la pradera y meteorológicos satelitales

• Aurelio Guevara-Escobar ^[1] ; Mónica Cervantes-Jiménez ^[1] ; Vicente Lemus-Ramírez ^[2] ; Adolfo Kunio Yabuta-Osorio ^[2] ; José Guadalupe García-Muñiz ^[3]
  1. [1] Universidad Autónoma de Querétaro

     Universidad Autónoma de Querétaro

     México

     
  2. [2] Universidad Nacional Autónoma de México

     Universidad Nacional Autónoma de México

     México

     
  3. [3] Universidad Autónoma Chapingo

     Universidad Autónoma Chapingo

     México

     

  Mostrar afiliaciones +
• Localización: Revista Mexicana de Ciencias Pecuarias, ISSN 2007-1124, ISSN-e 2448-6698, Vol. 14, Nº. 1, 2023, págs. 61-77
• Idioma: español
• Títulos paralelos:
  • Estimation of forage mass in a mixed pasture by machine learning, pasture management and satellite meteorological data
• Enlaces
  • Texto completo
• Resumen
  • español

    Medir la masa de forraje (MF) en la pradera, antes del pastoreo, es fundamental para determinar la asignación diaria de forraje en sistemas pastoriles de producción animal. La MF se estima por corte de forraje en áreas conocidas, utilizando ecuaciones alométricas, o con el uso de sensores de percepción remota (PR); sin embargo, la exactitud y practicidad de los distintos métodos para estimar la MF, es variable. El objetivo fue obtener modelos predictivos usando variables ambientales y del manejo de la pradera para predecir la MF. Se ajustaron modelos de regresión para estimar la MF con base en variables del manejo de la pradera (MP) o mediciones obtenidas por PR, como reflectancia, temperatura del aire y lluvia. Por tres años se estudió una pradera mixta pastoreada con bovinos productores de carne. Con 80 % de datos se modeló por mínimos cuadrados ordinarios (OLS) o por algoritmos de aprendizaje automatizado (ML). El 20 % restante de los datos se utilizó para validar los modelos usando el coeficiente de determinación y el sesgo promedio entre valores estimados y observados. El modelo base de estudio fue la relación entre la altura de la pradera antes del pastoreo y la MF de este modelo se ajustó usando OLS; la r2 fue 0.43. Cuando se ajustaron modelos que incluyeron variables del MP, la r2 fue 0.45 para OLS y 0.63 para ML. Al ajustar modelos con variables de MP y PR, la r2 fue 0.71 para OLS y 0.96 para ML. Los ensambles de modelos ajustados con ML redujeron el sesgo de estimados de MF de la pradera examinada. En general, los modelos de ML representaron mejor la relación entre altura de la pradera antes del pastoreo y MF que los de modelos de OLS, al ajustarlos con variables de manejo de la pradera y con información de PR. Los modelos de ML pueden usarse como herramienta para la toma de decisiones diaria en sistemas productivos pastoriles.

  • English

    Measuring forage mass (FM) in the pasture, prior to grazing, is critical to determining the daily allocation of forage in pastoral animal production systems. FM is estimated by cutting forage in known areas, using allometric equations, or with the use of remote sensors (RS); however, the accuracy and practicality of the different methods for estimating FM is variable. The objective was to obtain predictive models using environmental and pasture management variables to predict FM. Regression models were fitted to estimate FM based on variables of pasture management (PM) or measurements obtained by RS, such as reflectance, air temperature, and rainfall. A mixed pasture grazed by beef cattle was studied for three years. With 80 % of data, models were built by ordinary least squares (OLS) or by machine learning (ML) algorithms. The remaining 20 % of the data was used to validate the models using the coefficient of determination and average bias between estimated and observed values. The base model of study was the relationship between pasture height before grazing and FM, this model was fitted using OLS; the r2 was 0.43. When models that included PM variables were fitted, the r2 was 0.45 for OLS and 0.63 for ML. When fitting models with PM and RS variables, the r2 was 0.71 for OLS and 0.96 for ML. ML-fitted model ensembles reduced the bias of FM estimates of the examined pasture. Overall, ML models better represented the relationship between pasture height before grazing and FM than OLS models, when fitted with pasture management variables and RS information. ML models can be used as a tool for daily decision-making in pastoral production systems.