About identification of features that affect the estimation of citrus harvest

Abstract

Accurate models for early harvest estimation in citrus production generally involve expensive variables. The goal of this research work was to develop a model to provide early and accurate estimations of harvest using low-cost features. Given the original data may derive from tree measurements, meteorological stations, or satellites, they have varied costs. The studied orchards included tangerines (Citrus reticulata x C. sinensis) and sweet oranges (C. sinensis) located in northeastern Argentina. Machine learning methods combined with different datasets were tested to obtain the most accurate harvest estimation. The final model is based on support vector machines with low-cost variables like species, age, irrigation, red and near-infrared reflectance in February and December, NDVI in December, rain during ripening, and humidity during fruit growth.

En la producción de cítricos, los modelos precisos para estimación temprana de producción involucran variables de alto costo. El objetivo de este trabajo fue desarrollar un modelo que proporcione estimaciones tempranas y precisas utilizando características de bajo costo. Los datos iniciales considerados tienen diferentes costos, ya que provienen de mediciones en los árboles, de las estaciones meteorológicas o de satélite. Los huertos de cítricos estudiados correspondieron a mandarino (Citrus reticulata x C. sinensis) y dos naranjas dulces (C. sinensis); ubicados en el noreste argentino. Se han probado varios métodos de aprendizaje automático junto con diferentes conjuntos de datos, con el objetivo de obtener la mejor estimación de producción. El modelo final se basa en máquinas de vectores soporte con las siguientes variables de bajo costo: especie, edad de los árboles, irrigación, reflectancia roja e infrarroja cercana en febrero y diciembre, NDVI en diciembre, lluvia durante madurez y humedad en periodo de crecimiento de frutos.