Modelado de Crecimiento de Plantas con Técnicas Estadísticas

Abstract

A través de este Trabajo Fin de Grado se pretende modelar el crecimiento del diámetro de una planta por medio de métodos estadísticos, comparando diferentes modelos desarrollados y los resultados obtenidos con cada uno de ellos con el fin de encontrar el más adecuado. Los modelos se implementan mediante Matlab utilizando el método de regresión lineal y mínimos cuadrados. Todos ellos están compuestos por un subconjunto de variables escogidas por el modo de Selección Paso a Paso. Todas las variables que se utilizan han sido proporcionadas por el tutor. Por medio del conjunto de variables escogido se desarrolla el modelo, analizando los resultados obtenidos en el entrenamiento y validación de todos ellos. Se ha trabajado con variables como la temperatura, la humedad relativa, el déficit de presión de vapor, la cantidad de luz, la temperatura de la tierra, la cantidad de agua en la tierra... Tras calcular la correlación entre la variable a estimar, el diámetro de una planta, y todas las demás, se escogen los subconjuntos de variables que formarán el modelo. A través de este modelo y de la variable de salida real, se obtiene una variable de salida estimada y se compara con la real. Tras realizar el entrenamiento y la validación con todos los modelos, se escoge el modelo más adecuado.

The aim of this degree project is to model the growth of the diameter of a plant by means of statistical methods, comparing different developed models and the results obtained with each of them in order to find the most suitable one. The models are implemented in Matlab using Linear Regression and Least Squares. All of them are composed of a subset of variables chosen by the Stepwise Selection mode. All variables used have been provided by the advisor. By means of the set of variables chosen, the model is developed, analysing the results obtained in the training and validation of all of them. After calculating the correlation between the variable to be estimated, the diameter of a plant, and all the others, the subsets of variables that will form the model are chosen. Through this model and the real output variable, an estimated output variable is obtained and compared with the real one. After training and validation with all models, the most appropriate model is chosen.