PREDICCIÓN DEL RENDIMIENTO DE UN CULTIVO DE PLÁTANO MEDIANTE REDES NEURONALES ARTIFICIALES DE REGRESIÓN GENERALIZADA // PREDICTION OF THE YIELD OF BANANA CROP BY MEANS OF A GENERALIZED REGRESSION ARTIFICIAL NEURAL NETWORK

Banana is an important crop in Latin America, for both large scale and small farmers. In Venezuela, the main production centers are in the area of Sur del Lago de Maracaibo. Knowing the crop yield is vital due to the need to maximize the investment-pro_t, and availability of such information in advance helps in the decision-making process of the production unit. The purpose of this research is to evaluate the ability of artificial neural networks to predict the yield of a banana crop, employing the best predictors dataset, given the physical characteristics of the soil and the chemical profile of leaf tissue. Generalized regression networks trained with the leave-one-out strategy, and two types of data transformations were used in this study. It was found that neural networks were excellent tools for predicting the yield of banana crop. The physicochemical profiles of soil and leaf tissue were suitable descriptors of the response variable. Among the data evaluated in this study, it was found that the physical data of 20-40 cm of soil was, after standardization of the training data, the best predictor group. // RESUMEN: El plátano es un cultivo importante en Latinoamérica, tanto a gran escala como para pequeños hacendados. En Venezuela, los principales centros productivos están en la zona del Sur del Lago de Maracaibo. Conocer el rendimiento de un cultivo obedece a la necesidad de maximizar la relación inversión-ganancia y la disponibilidad de esa información, con anticipación, permite tomar decisiones sobre el manejo de una plantación. La finalidad de esta investigación es evaluar la capacidad de las redes neuronales artificiales para predecir el rendimiento de un cultivo de plátano, empleando para ello el mejor grupo de datos predictores, determinado entre las características físicas del suelo y el perfil químico del tejido foliar. Se emplean redes de regresión generalizada y la estrategia leave-one-out, así como dos tipos de transformaciones de los datos. Se encuentra que las redes neuronales artificiales constituyen una excelente herramienta de predicción del rendimiento del cultivo de plátano y que los perfiles físico -químicos de suelo y del tejido foliar son adecuados descriptores para la variable respuesta. Entre los datos evaluados, en este estudio, se encontró que los datos físicos de suelo de 20-40 cm son el mejor grupo predictor, previo la estandarización de los datos de entrenamiento