Investigación sobre la Predicción de Temperatura de las Bases de Cultivo de Maracuyá en la Provincia de Fujian del Suroeste
Autores: Mou, Shiyun; Yuan, Shujie; Shi, Yuchen; Han, Lin; Yang, Kai; Li, Hongyi
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
Categoría
Ciencias Naturales y Subdisciplinas
Subcategoría
Astronomía
Palabras clave
Datos de temperatura horaria
Humedad
Presión
Velocidad del viento
Red neuronal BP
Método de regresión escalonada
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 8
Citaciones: Sin citaciones
Este artículo utilizó datos horarios de temperatura, humedad, presión y velocidad del viento de estaciones meteorológicas de maracuyá en tres ciudades del suroeste de la provincia de Fujian (Longyan, Sanming, Zhangzhou) desde 2020 hasta 2022, así como de estaciones meteorológicas convencionales nacionales. Se aplicaron redes neuronales BP y el método de regresión por pasos para construir modelos de predicción de temperatura para las bases de cultivo de maracuyá. Los resultados mostraron que: (1) El efecto de simulación del modelo de predicción de temperatura de la estación de maracuyá basado en la red neuronal BP (denominado modelo BP) fue mejor que el del modelo basado en el método de regresión por pasos (denominado modelo de regresión). El error absoluto medio (MSE) del modelo BP (2.75-3.42 gradosC) fue menor que el del modelo de regresión (3.32-3.94 gradosC). (2) Para los resultados de simulación de los cambios diarios de temperatura en la estación de maracuyá, la diferencia en la temperatura media horaria entre las predicciones del modelo BP (predicciones del modelo de regresión) y las temperaturas observadas en la estación de maracuyá fue de -4.1-4.4 gradosC (-6.0-10.2 gradosC). El modelo BP mostró una tendencia de temperatura diaria más cercana a los valores medidos; (3) Para los resultados de simulación de temperaturas altas y bajas en la estación de maracuyá, el modelo de red neuronal BP (modelo de regresión) mostró un rango de error de predicción de -5.6 gradosC a 5.2 gradosC en comparación con las temperaturas observadas, mientras que el rango de error del modelo de regresión por pasos fue de -4.1 gradosC a 8.8 gradosC. La tendencia de temperatura predicha por el modelo BP fue más cercana a los valores medidos. (4) Ambos modelos tienen desventajas significativas en la predicción de casos individuales de altas temperaturas y promedios horarios, con errores relativamente grandes (generalmente superiores a 3 gradosC), especialmente durante el período de 10 a 16 horas. La versión futura necesita ser optimizada.
Descripción
Este artículo utilizó datos horarios de temperatura, humedad, presión y velocidad del viento de estaciones meteorológicas de maracuyá en tres ciudades del suroeste de la provincia de Fujian (Longyan, Sanming, Zhangzhou) desde 2020 hasta 2022, así como de estaciones meteorológicas convencionales nacionales. Se aplicaron redes neuronales BP y el método de regresión por pasos para construir modelos de predicción de temperatura para las bases de cultivo de maracuyá. Los resultados mostraron que: (1) El efecto de simulación del modelo de predicción de temperatura de la estación de maracuyá basado en la red neuronal BP (denominado modelo BP) fue mejor que el del modelo basado en el método de regresión por pasos (denominado modelo de regresión). El error absoluto medio (MSE) del modelo BP (2.75-3.42 gradosC) fue menor que el del modelo de regresión (3.32-3.94 gradosC). (2) Para los resultados de simulación de los cambios diarios de temperatura en la estación de maracuyá, la diferencia en la temperatura media horaria entre las predicciones del modelo BP (predicciones del modelo de regresión) y las temperaturas observadas en la estación de maracuyá fue de -4.1-4.4 gradosC (-6.0-10.2 gradosC). El modelo BP mostró una tendencia de temperatura diaria más cercana a los valores medidos; (3) Para los resultados de simulación de temperaturas altas y bajas en la estación de maracuyá, el modelo de red neuronal BP (modelo de regresión) mostró un rango de error de predicción de -5.6 gradosC a 5.2 gradosC en comparación con las temperaturas observadas, mientras que el rango de error del modelo de regresión por pasos fue de -4.1 gradosC a 8.8 gradosC. La tendencia de temperatura predicha por el modelo BP fue más cercana a los valores medidos. (4) Ambos modelos tienen desventajas significativas en la predicción de casos individuales de altas temperaturas y promedios horarios, con errores relativamente grandes (generalmente superiores a 3 gradosC), especialmente durante el período de 10 a 16 horas. La versión futura necesita ser optimizada.