Insumos de producción y cantidad cosechada: un estudio a los cultivos transitorios

• Lara-Haro, Diego Marcelo ^[1] ; Villacis Uvidia, Juan Federico ^[1] ; Martínez Mesias, Juan Pablo ^[1] ; Lascano Aimacaña, Nelson Rodrigo
  1. [1] Universidad Técnica de Ambato

     Universidad Técnica de Ambato

     Ambato, Ecuador

     
• Localización: Revista Ciencia Multidisciplinaria CUNORI, ISSN-e 2617-4758, ISSN 2617-474X, Vol. 7, Nº. 2, 2023 (Ejemplar dedicado a: Revista Ciencia Multidisciplinaria CUNORI), págs. 11-21
• Idioma: español
• Enlaces
  • Texto completo
• Resumen
  • español

    PROBLEMA: el aumento demográfico y la asegurabilidad alimentaria se ha convertido en un tema de alta convergencia en organismos internacionales, según la Organización de Naciones Unidas para la Alimentación y la Agricultura (FAO), esta necesidad induce en la elevada producción y el uso elevado de insumos de producción reduciendo la eficiencia en costos y eficacia en el volumen productivo. OBJETIVO: realizar modelos lineales bajo estándares de machine learning a los insumos frente al volumen cosechado. MÉTODO: para su resolución se aplica un modelo lineal machine learning bagging y boosting. RESULTADOS: los predictores más importantes según la estratificación de los componentes son la cantidad de herbicida, cantidad fq (N) y cantidad fq (NPK), además, las variables del modelo adjudican comportamiento directamente proporcional, es decir, los estimadores son positivos para cada elemento. CONCLUSIÓN: el mayor predictor, es decir, cantidad de herbicida, ayuda a que las hierbas perjudiciales que pueden sustraer los minerales y nutrientes a los cultivos crezcan, no obstante, estos pueden alterar los ecosistemas del suelo (microbiota) reduciendo considerablemente la calidad producto agrícola.

  • English

    PROBLEM: the demographic increase and food insurability has become a topic of high convergence in international organizations, according to the Food and Agriculture Organization of the United Nations (FAO), this need induces high production and high use of production inputs reducing cost efficiency and effectiveness in the productive volume. OBJECTIVE: perform linear models under machine learning standards to inputs versus harvested volume. METHOD: a linear machine learning bagging and boosting model is applied for its resolution. RESULTS: the most important predictors according to the stratification of the components are the amount of herbicide, amount fq (N) and amount fq (NPK), in addition, the variables of the model have directly proportional behavior, i.e., the estimators are positive for each element. CONCLUSION: the highest predictor, i.e. amount of herbicide, helps harmful weeds that can subtract minerals and nutrients from the crops to grow, however, these can alter soil ecosystems (microbiota) reducing considerably the quality of the agricultural product.