Attribute selection impact on linear and nonlinear regression models for crop yield prediction

JUAN FRAUSTO SOLIS WALDO OJEDA BUSTAMANTE (2014)

Efficient cropping requires yield estimation for each involved crop, where data-driven models are commonly applied. In recent years, some data-driven modeling technique comparisons have been made, looking for the best model to yield prediction. However, attributes are usually selected based on expertise assessment or in dimensionality reduction algorithms. A fairer comparison should include the best subset of features for each regression technique; an evaluation including several crops is preferred. This paper evaluates the most common data-driven modeling techniques applied to yield prediction, using a complete method to define the best attribute subset for each model. Multiple linear regression, stepwise linear regression, M5' regression trees, and artificial neural networks (ANN) were ranked. The models were built using real data of eight crops sowed in an irrigation module of Mexico. To validate the models, three accuracy metrics were used: the root relative square error (RRSE), relative mean absolute error (RMAE), and correlation factor (R). The results show that ANNs are more consistent in the best attribute subset composition between the learning and the training stages, obtaining the lowest average RRSE (86.04%), lowest average RMAE (8.75%), and the highest average correlation factor (0.63).

Artículo

Cultivos alimenticios Predicción Modelos matemáticos INGENIERÍA Y TECNOLOGÍA

Optimización de los diámetros de las tuberías de una red de distribución de agua mediante algoritmos de recocido simulado

HECTOR SANVICENTE SANCHEZ JUAN FRAUSTO SOLIS (2003)

La determinación de los diámetros de las tuberías en el diseño de menor costo de una red de distribución de agua es un problema con restricciones, fuertemente no lineal, con múltiples óptimos locales, cuyo espacio de soluciones posee muchas regiones no factibles. El algoritmo heurístico de optimización llamado recocido simulado (RS) es un método global que ha sido usado para hacer búsquedas estocásticas en el espacio de soluciones del problema, mejorando el desempeño de otros métodos. Este trabajo propone una formulación penalizada del problema que permite al algoritmo RS, entre otras ventajas, la posibilidad de que la caminata estocástica que efectúa sea menos sinuosa al cruzar regiones no factibles. Este enfoque mejora la eficiencia del algoritmo RS para un mismo nivel de error en relación con su desempeño para una formulación clásica del problema con restricciones.

Artículo

Redes de distribución de agua Optimización Métodos estocásticos INGENIERÍA Y TECNOLOGÍA