Identificación borrosa de un cultivo experimental

• M. Santos ^[1] ; B. Mendoza ^[1]
  1. [1] Universidad Complutense de Madrid

     Universidad Complutense de Madrid

     Madrid, España

     
• Localización: XXXIX Jornadas de Automática: actas. Badajoz, 5-7 de septiembre de 2018 / coord. por Inés Tejado Balsera, Emiliano Pérez Hernández, Antonio José Calderón Godoy, Isaías González Pérez, Pilar Merchán García, Jesús Salvador Lozano Rogado, Santiago Salamanca Miño, Blas Manuel Vinagre Jara, 2018, ISBN 978-84-9749-756-5, págs. 888-893
• Idioma: español
• Títulos paralelos:
  • Fuzzy Identification of an Experimental Crop
• Enlaces
  • Texto completo
• Resumen
  • español

    En el campo de la producción agrícola es importante contar con un modelo del sistema que permita anticipar las diferentes situaciones debidas a la variabilidad de las condiciones climáticas y la incertidumbre de los datos que se manejan. Una técnica que permite tratar esta problemática es la lógica borrosa. En este trabajo, partiendo de datos registrados de un cultivo experimental de Maralfalfa en la Granja del Cabildo de Gran Canaria, se propone un modelo de reglas borrosas obtenido mediante el método de Wang-Mendel para estimar la producción de materia seca de este cultivo. Los resultados se han comparado con una regresión lineal. El modelo borroso obtenido se ajusta bien a los datos reales disponibles, lo que permitiría su uso para la predicción de la cosecha

  • English

    In the agricultural field it is important to have a model of the crop production in order to forecast possible situations due to the variability of the weather conditions and the uncertainty in the measures. One technique that allows us to deal with this problem is fuzzy logic. In this work, based on real data obtained from an experimental crop of Elephant Grass in the Gran Canaria Cabildo Farm, a fuzzy model is obtained by the Wang-Mendel method to estimate the dry matter production of this crop. The results have been compared with a linear regression. The fuzzy model is well adjusted to the available real data, thus it can be used for the prediction of the harvest.