Estimación de masa de forraje en una pradera mixta por aprendizaje automatizado, datos del manejo de la pradera y meteorológicos satelitales
DOI:
https://doi.org/10.22319/rmcp.v14i1.6162Palabras clave:
Alfalfa, Forraje, Lluvia, Temperatura, Sensores remotosResumen
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.
Descargas
Citas
Sheath GW, Hay RJM, Giles KH. Managing pastures for grazing animals. In: Nicol, AM, editor. Livestock feeding on pasture. NZ Soc Anim Prod occasional publication. 1987;65–74.
Murphy D, O’Brien B, Hennessy D, Hurley M, Murphy M. Evaluation of the precision of the rising plate meter for measuring compressed sward height on heterogeneous grassland swards. Precis Agric 2021;22(3):922–946.
Radcliffe J. Cutting techniques for pasture yields on hill country. Proc NZ Grassland Association. 1971;33:91–104.
Jáuregui JM, Delbino FG, Bonvini MIB, Berhongaray G. Determining yield of forage crops using the Canopeo mobile phone app. J NZ Grassl 2019;41–46.
Marsett RC, Qi J, Heilman P, Biedenbender SH, Watson MC, Amer S, et al. Remote sensing for grassland management in the arid southwest. Rangel Ecol Manag 2006;59(5):530–540.
O’Donovan M, Dillon P, Rath M, Stakelum G. A comparison of four methods of herbage mass estimation. Ir J Agric Food Res 2002;17–27.
Mills A, Smith M, Moot DJ. Relationships between dry matter yield and height of rotationally grazed dryland lucerne. J NZ Grassl 2016;(78):185–196.
Moot DJ, Yang X, Ta HT, Brown HE, Teixeira EI, Sim RE, et al. Simplified methods for on-farm prediction of yield potential of grazed lucerne crops in New Zealand. NZ J Agric Res 2021;65(4-5)1–19.
Robertson S. Mass to height relationships in annual pastures and prediction of sheep growth rates. Anim Prod Sci 2014;54(9):1305–1310.
Nicol AM, Nicoll GB. Pastures for beef cattle. In: Nicol, AM. editor. Feeding livestock on pasture. Society of Animal Production. Lincoln, New Zealand. 1987;119–131.
Zhang Y, Ye A. Would the obtainable gross primary productivity (GPP) products stand up? A critical assessment of 45 global GPP products. Sci Total Environ 2021;783:146965.
Jiao W, Wang L, McCabe MF. Multi-sensor remote sensing for drought characterization: current status, opportunities and a roadmap for the future. Remote Sens Environ 2021;256:112313.
Anav A, Friedlingstein P, Beer C, Ciais P, Harper A, Jones C, et al. Spatiotemporal patterns of terrestrial gross primary production: A review. Rev Geophys 2015;53(3):785–818.
Lang M, Mahyou H, Tychon B. Estimation of rangeland production in the arid oriental region (Morocco) combining remote sensing vegetation and rainfall indices: challenges and lessons learned. Remote Sens 2021;13(11):2093.
Chen Y, Guerschman J, Shendryk Y, Henry D, Harrison MT. Estimating pasture biomass using sentinel-2 imagery and machine learning. Remote Sens 2021;13(4):603.
Hacker R, Smith W. An evaluation of the DDH/100 mm stocking rate index and an alternative approach to stocking rate estimation. Rangel J 2007;29(2):139–148.
CICESE C de IC y de ES de E. Base de datos climatológica nacional (CLICOM). [Internet]. Tequisquiapan, Querétaro; 2021. Estación 22025: Consultada 6 Mar, 2021. http://clicom-mex.cicese.mx/.
Hodgson J. Grazing management. Science into practice. Longman Group UK Ltd. 1990.
Schaaf C, Wang Z. MCD43A4 MODIS/Terra+ Aqua BRDF/Albedo Nadir BRDF Adjusted Ref Daily L3 Global 500 m V006. NASA EOSDIS Land Processes DAAC. 2015.
R Development Core Team. R: A language and environment for statistical computing. R Foundation for Statistical Computing. 2009. https://www.r-project.org
QGIS.org. QGIS Geographic Information System. QGIS Association. 2021. http://www.qgis.org
Google maps. Mapa satelital. México; 2021.
Pasquel D, Roux S, Richetti J, Cammarano D, Tisseyre B, Taylor JA. A review of methods to evaluate crop model performance at multiple and changing spatial scales. Precis Agric 2022;23:1489–1513.
Warton DI, Duursma RA, Falster DS, Taskinen S. smatr 3-an R package for estimation and inference about allometric lines. Methods Ecol Evol 2012;3(2):257–259.
Tedeschi LO. Assessment of the adequacy of mathematical models. Agric Syst 2006;89(2):225–247.
Hall P, Gill N, Kurka M, Phan W, Bartz A. Machine learning interpretability with H2O driverless AI. Bartz A. Editor. California, U.S.: H2O.ai Inc.; 2019.
LeDell E, Poirier S. H2o automl: Scalable automatic machine learning. In 2020. https://www.automl.org/wp-ontent/uploads/2020/07/AutoML_2020_paper_61.pdf.
Mitchell R, Frank E. Accelerating the XGBoost algorithm using GPU computing. PeerJ Comput Sci 2017;3:e127.
McElreath R. Statistical rethinking: A bayesian course with examples in R and STAN. Boca Raton, FL. U.S.: CRC Press; 2020.
Wang J, Petersen WA, Wolff DB. Validation of satellite-based precipitation products from TRMM to GPM. Remote Sens 2021;13(9):1745.
Bretas IL, Valente DS, Silva FF, Chizzotti ML, Paulino MF, D’Áurea AP, et al. Prediction of aboveground biomass and dry‐matter content in Brachiaria pastures by combining meteorological data and satellite imagery. Grass Forage Sci 2021;76(3):340–352.
Friedman JH. Greedy function approximation: a gradient boosting machine. Ann Stat 2001;1189–1232.
Joiner J, Yoshida Y. Satellite-based reflectances capture large fraction of variability in global gross primary production (GPP) at weekly time scales. Agric For Meteorol 2020;291:108092.
Griffiths W, Dodd M, Kuhn-Sherlock B, Chapman D. Management options to recover perennial ryegrass populations and productivity in run-out pastures. NZGA: Research and Practice Series. 2021;17.
Ahmad A, Ordonez J, Cartujo P, Martos V. Remotely piloted aircPARt (RPA) in agriculture: A pursuit of sustainability. Agronomy 2021;11(1):7.
Descargas
Publicado
Cómo citar
-
Resumen997
-
PDF412
-
PDF 326
-
Texto completo566
Número
Sección
Licencia
Los autores/as que publiquen en la Revista Mexicana de Ciencias Pecuarias aceptan las siguientes condiciones:
De acuerdo con la legislación de derechos de autor, la Revista Mexicana de Ciencias Pecuarias reconoce y respeta el derecho moral de los autores/as, así como la titularidad del derecho patrimonial, el cual será cedido a la revista para su difusión en acceso abierto.
Esta obra está bajo una Licencia Creative Commons Atribución-NoComercial-CompartirIgual 4.0 Internacional.
