Meu SciELO
Serviços Personalizados
Artigo
Indicadores
- Citado por SciELO
Links relacionados
- Similares em SciELO
Compartilhar
Revista Cubana de Ciencias Informáticas
versão On-line ISSN 2227-1899
Resumo
PASCUAL SANCHEZ, Ibet de los A; ORTIZ DIAZ, Agustín A; RAMIREZ DE LA RIVERA, Jorge e FIGUEREDO LEON, Angel. Prediction of yield and quality of three grasses in the Cauto Valley. Rev cuba cienc informat [online]. 2017, vol.11, n.3, pp. 144-158. ISSN 2227-1899.
RESUMEN En las regiones tropicales los pastos y forrajes se han convertido en la principal alternativa como fuente de nutrientes para la alimentación del ganado, es por ello que en la actualidad se hace necesario el conocimiento más preciso del valor alimenticio de los mismos. El estudio de los pastos y forrajes cobra una gran relevancia en el Valle del Cauto por las difíciles condiciones edafoclimáticas que posee. En el Centro de Estudios de Producción Animal (CEPA) de la Universidad de Granma se lleva a cabo el proceso de caracterización de varias especies de pastizales. Dicho proceso presentaba diversas limitantes que dificultaban la obtención de factores de rendimiento y calidad que se debían tener en cuenta a la hora de elaborar las raciones de los animales. A lo largo de los años se ha propuesto la sustitución de la caracterización tradicional de la productividad y rendimiento de cultivos, por la predicción, a través de métodos como la regresión múltiple, y en las últimas décadas las redes neuronales artificiales. En la presente investigación se obtuvieron tres modelos de redes neuronales artificiales utilizando la herramienta Matlab 2013b, que permiten predecir factores de rendimiento y la calidad de las especies Megathyrsus maximus, Bracharia decumbens y Bracharia brizantha x Brachiaria ruziziensis,en las condiciones edafoclimáticas del Valle del Cauto, posibilitando agilizar el proceso de caracterización y evitar el uso de complejas técnicas de laboratorio.
Palavras-chave : predicción; pastos; forrajes; redes neuronales; Prediction; pastures; fodder; neural networks.