Tierras 95 nº 282 (año 2020) en algunos casos (Tabla 2), conviene destacar como mejor modelo el TCARI/OSAVI con R2=0,461, RMSE=0,842 kg/cepa y ER=9,896%, si bien descartamos el TCARI/ OSAVI ya que este IV considera el suelo en su cálculo, por lo que no sería significativo, pues de acuerdo a la metodología seguida se segmentó únicamente la vegetación eliminando el resto de elementos del medio. Teniendo esto en cuenta, el mejor modelo sería el NDVI con R2=0,455, RMSE=0,846 kg/cepa y ER=9,947%. Para resolver los problemas altamente no lineales, ya que el rendimiento no se relaciona linealmente con los IVs, se emplearon modelos de redes neuronales artificiales (RNA) basadas en el aprendizaje de datos medidos en campo. Los resultados obtenidos con el empleo de RNAs con índices de vegetación multiespectrales como predictores, muestran ajustes bastante finos, con R2=0,813, RMSE=0,338 kg/cepa y ER=3,794%, es decir, mejores que los obtenidos con NDVI. Cabe, pues, destacar la superioridad de estos modelos basados en máquinas de aprendizaje frente a los resultados obtenidos mediante la aplicación de relaciones lineales, lo que indica que estas relaciones responden a modelos altamente no lineales. Si bien, no existen modelos generalizados para todas Tabla 2. Estadísticos descriptivos de las relaciones lineales entre los IVs multiespectrales y la producción para el 19/09/2018. 269A087 Viñedo
RkJQdWJsaXNoZXIy Njg1MjYx