Comparison of the machine learning and aquacrop models for quinoa crops

Abstract

One of the main causes of low crop efficiency in Peru is poor management of water resources; that is why the main objective of this article is to estimate the amount of irrigation water required in quinoa crops through a comparison between the machine learning and Aquacrop models. For the development of this study, meteorological data from the province of Jauja and descriptive data of quinoa crops were processed and a simulation period was established from June to December. From the simulation carried out, it was determined that the best model to predict the required irrigation water is the Ada Boost model in which it was observed that the mean and standard deviation of the Ada Boost models (Mean = 19.681 and Std. Dev. = 4.665) behave similarly to AquaCrop (Mean = 19.838 and Std. Dev. = 5.04). In addition, the result of the analysis of variance (ANOVA) was that the AdaBoost model has the best p-value indicator with a value of 0.962 and a smaller margin of error in relation to the MAE indicator with a value of 0.629. Likewise, it was identified that for the simulation period of 190 days, 472.35mm of water was required to carry out the irrigation process in red quinoa crops.

Una de las principales causas de la baja eficiencia de los cultivos en el Perú es la mala gestión de los recursos hídricos; por lo que el presente artículo tiene como objetivo principal estimar la cantidad de agua de riego requerida en cultivos de quinua mediante una comparación entre los modelos de Machine Learning y AquaCrop. Para el desarrollo de este estudio se procesaron datos meteorológicos de la provincia de Jauja y descriptivos del cultivo de quinua y se estableció un periodo de simulación de junio a diciembre del 2020. De la simulación realizada se determinó que el mejor modelo para predecir el agua de riego requerida es el modelo AdaBoost en el cual se observó que la media y desviación estándar de los modelos AdaBoost (Mean = 19.681 y Std. Dev. = 4.665) se comportan de manera similar a AquaCrop (Media = 19.838 y Std. Dev. = 5.04). Además, el resultado del análisis de varianza (ANOVA) fue que el modelo AdaBoost tiene el mejor indicador de valor p con un valor de 0.962 y un margen de error menor en relación al indicador MAE con un valor de 0.629. Asimismo, se identificó que para el periodo de simulación de 190 días se requirieron 472.35mm de agua para realizar el proceso de riego en cultivos de quinua roja.