COMPARACIÓN DE MODELOS DE REGRESIÓN LINEAL, LOGARÍTMICA Y POLINÓMICA EN LA PREDICCIÓN DEL RENDIMIENTO DEL REPOLLO MORADO (Brassica oleracea L.)
DOI:
https://doi.org/10.53719/rca.2025.890Palabras clave:
Abonamiento orgánico, Brassica oleracea, predicción estadística, regresión múltiple, rendimiento agrícola.Resumen
El estudio tuvo como propósito comparar la capacidad predictiva de tres modelos de regresión lineal múltiple, logarítmico y polinómico cuadrático para estimar el rendimiento del repollo morado (Brassica oleracea L. var. capitata f. rubra), utilizando variables morfológicas e interacciones entre guano de islas y humus de lombriz. Los datos provinieron de un experimento factorial 3 × 3 desarrollado en invernadero mediante un diseño completamente aleatorizado con tres repeticiones. Se evaluaron cinco variables morfológicas, el peso de repollo como respuesta y las interacciones entre los niveles de fertilización. Los modelos se ajustaron en R y se validaron con división entrenamiento, prueba y validación cruzada k-fold. El modelo lineal múltiple identificó como predictores significativos al ancho de hoja, el diámetro polar, el guano 1000 kg/ha y el humus 5000 kg/ha, explicando el 95.5% de la variabilidad y cumpliendo normalidad y homocedasticidad. El modelo logarítmico obtuvo el R² más alto (0.993) y presentó estabilidad de residuos. El modelo polinómico cuadrático mostró menor precisión. La comparación mediante R², RMSE y AIC permitió distinguir diferencias claras entre los modelos. Aunque el modelo logarítmico reveló el ajuste más elevado, el modelo lineal múltiple presentó el mejor equilibrio entre precisión, simplicidad e interpretación agronómica. Por ello, se considera la alternativa adecuada para predecir el rendimiento del repollo morado bajo fertilización orgánica, constituyendo una herramienta útil para apoyar decisiones de manejo en sistemas hortícolas altoandinos.
Referencias
Aguilar-Ariza, M., et al. (2023). Individual-plant weight estimation in leafy vegetables using UAV-derived features and machine learning. Scientific Reports, 13, 47431. https://doi.org/10.1038/s41598-023-47431-y
Bejarano-Herrera, W. F., Marcillo-Paguay, C. A., Rojas-Tapias, D. F., & Estrada-Bonilla, G. A. (2024). Effect of mineral fertilization and microbial inoculation on cabbage yield and nutrition: A field experiment. Agronomy, 14(1), 210. https://doi.org/10.3390/agronomy14010210
Field, A., Miles, J., & Field, Z. (2012). Discovering statistics using R. SAGE Publications. https://batrachos.com/sites/default/files/pictures/Books/Field_ea_2012_Discovering%20Statistics%20using%20R.pdf
Filho, A. B. C., Luiz-Cavarianni, R., Castro, J. C. C. de, & Mendoza-Cortez, J. W. (2011). Crecimiento y producción de repollo en función de la densidad de población y nitrógeno. Agrociencia, 45(5), 573–582. http://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S1405-31952011000500004&lng=es&tlng=es
Jabed, M., et al. (2024). Crop yield prediction: Methodological advances and applications. Heliyon, 10, e40836. https://doi.org/10.1016/j.heliyon.2024.e40836
James, G., Witten, D., Hastie, T., & Tibshirani, R. (2023). An introduction to statistical learning: With applications in R (3rd ed.). Springer. https://www.stat.berkeley.edu/~rabbee/s154/ISLR_First_Printing.pdf
Kuhn, M. (2022). Caret: Classification and regression training (R package version 6.0-93). Comprehensive R Archive Network. https://cran.r-project.org/package=caret
Kuradusenge, M., Hitimana, E., Hanyurwimfura, D., Rukundo, P., Mtonga, K., Mukasine, A., Uwitonze, C., Ngabonziza, J., & Uwamahoro, A. (2023). Crop yield prediction using machine learning models: Case of Irish potato and maize. Agriculture, 13(1), 225. https://doi.org/10.3390/agriculture13010225
Lüdecke, D., Makowski, D., Waggoner, P., & Patil, I. (2021). Performance: Assessment of regression models performance (R package version 0.9.0). Comprehensive R Archive Network. https://cran.r-project.org/package=performance
Lv, X. M., & Han, Y. P. (2025). Trait performance differences and fertilizer strategy optimization in cabbage under organic vs. conventional fertilization regimes. Plant Gene and Trait, 16(4), 173–181. https://doi.org/10.5376/pgt.2025.16.0019
Morugán-Coronado, A., Linares, C., & Zornoza, R. (2020). The impact of intercropping, tillage and fertilizer type on soil and crop yield in fruit orchards under Mediterranean conditions: A meta-analysis of field studies. Agricultural Systems, 178, 102736. https://doi.org/10.1016/j.agsy.2019.102736
Ramírez-Aldana, R., & Naranjo, L. (2021). Random intercept and linear mixed models including heteroscedasticity in a logarithmic scale: Correction terms and prediction in the original scale. PLOS ONE, 16(4), e0249910. https://doi.org/10.1371/journal.pone.0249910
Ramos Llanos, F. (2019). Efecto del abonamiento de guano de islas y humus de lombriz en el rendimiento del repollo morado [Tesis de pregrado, Universidad Nacional del Altiplano de Puno]. Repositorio Institucional UNA. https://repositorio.unap.edu.pe/handle/20.500.14082/18155
Sant, S., Nagel, C., & Phong, L. (2005). Evaluation of fertilizer of fresh solid manure, composted manure or biodigester effluent for growing Chinese cabbage (Brassica pekinensis). Livestock Research for Rural Development, 17(3), 26. http://www.lrrd.org/lrrd17/3/sant17026.htm
Shook, J., Gangopadhyay, T., Wu, L., Ganapathysubramanian, B., Sarkar, S., & Singh, A. K. (2021). Crop yield prediction integrating genotype and weather variables using deep learning. PLOS ONE, 16(6), e0252402. https://doi.org/10.1371/journal.pone.0252402
Srivastava, A. K., Safaei, N., Khaki, S., Lopez, G., Zeng, W., Ewert, F., Gaiser, T., & Rahimi, J. (2022). Winter wheat yield prediction using convolutional neural networks from environmental and phenological data. Scientific Reports, 12, 6249. https://doi.org/10.1038/s41598-022-06249-w
Sugiono, S., & Krismawati, A. (2020). Effectiveness of organic fertilizer on growth and production of cabbage plant (Brassica oleracea). El-Hayah: Jurnal Biologi, 7(4), 152–159. https://doi.org/10.18860/elha.v7i4.10721
Tarigan, S. (2022). The effect of cultivating media and N fertilizer application on the growth and yield of flowering cabbage (Brassica oleracea var. botrytis). International Journal of Multidisciplinary: Applied Business and Education Research, 4(2), 28. https://doi.org/10.11594/ijmaber.04.02.28
Xu, J., Li, J., Zhao, X., Liu, Z., Xu, H., Cao, K., & Ye, L. (2025). Impact of reduced chemical fertilizer and organic amendments on yield, nitrogen use efficiency, and soil microbial dynamics in Chinese flowering cabbage. Horticulturae, 11(7), 859. https://doi.org/10.3390/horticulturae11070859
Yokoyama, Y., de Wit, A., Matsui, T., & Tanaka, T. (2024). Accuracy and robustness of a plant-level cabbage yield prediction system generated by assimilating UAV-based remote sensing data into a crop simulation model. Precision Agriculture, 25, 2685–2702. https://doi.org/10.1007/s11119-024-10192-3
Yokoyama, Y., et al. (2024). Integrating UAV phenotyping and simulation models to predict Brassica biomass and head size. Precision Agriculture. https://doi.org/10.1007/s11119-024-10192-3
Yuan, J., Zhang, Y., Zheng, Z., Yao, W., Wang, W., & Guo, L. (2024). Grain crop yield prediction using machine learning based on UAV remote sensing: A systematic literature review. Drones, 8(10), 559. https://doi.org/10.3390/drones8100559
Zhang, Y., Zhang, J., Zhang, J., Li, H., Li, C., & Wang, X. (2024). Effects of the application of organic fertilizers on the yield, quality, and soil properties of open-field Chinese cabbage (Brassica rapa spp. pekinensis): A meta-analysis. Agronomy, 14(11), 2555. https://doi.org/10.3390/agronomy14112555
Zhang, Y., Zhang, J., Zhang, J., Li, H., Li, C., & Wang, X. (2024). Effects of the application of organic fertilizers on the yield, quality, and soil properties of open-field Chinese cabbage (Brassica rapa spp. pekinensis) in China: A meta-analysis. Agronomy, 14(11), 2555. https://doi.org/10.3390/agronomy14112555
