Examinando por Materia "Poder germinativo"

Mostrando 1 - 3 de 3

Efecto de dos tratamientos pre-germinativos y el tiempo de almacenamiento en el Poder Germinativo delas semillas de la Cinchona officinalis L.
(INIA. Estación Experimental Agraria Baños del Inca - Cajamarca, 2018) Villar Cabeza, Miguel Ángel; Marcelo Bazán, Fátima Elizabeth; Baselly Villanueva, Juan Rodrigo
La Cinchona officinalis L., conocida como Quina o Cascarillaen la actualidad tiene muy poca población producto de la presión que sufrió para la obtención de la Quina y el aumento de la frontera agrícola. En vista de este problema y en un intento de recuperar esta especie de gran valor se desea obtener una tecnología óptima de propagación. En el presente artículo se evaluó el Poder Germinativo (PG) de semillas en función de 2 tratamientos pre-germinativos (remojo de semillas por 5 días en agua fría permanente y cambiándola diariamente) y a su tiempo de almacenamiento; el material biológico provino de árboles candidatos a semilleros ubicados en la Zona de Amortiguamiento del Bosque de Protección de Pagaibamba - Chota. Determinándose que no existe diferencia del PG entre tratamientos y el testigo, pero el remojo de semillas cambiando el agua diariamente aceleró y homogenizó la germinación. Además, la disminución del P.G. en función al tiempo de almacenamiento puede ser representado por el modelo % P.G.= e(4.7229−0.0496*meses).E, que tiene un R2 de 0.882; estimándose que las semillas de la Quina de los árboles semilleros identificados pierden toda su viabilidad alrededor de los 3 años.
Efectos de dos tratamientos pre-germinativos y el tiempo de almacenamiento en el Poder Germinativo de las Semilla de la Cinchona officinallis L.
(Instituto Nacional de Innovación Agraria - INIA, 2018-12-31) Villar Cabeza, Miguel Ángel; Marcelo Bazán, Fátima Elizabeth; Baselly Villanueva, Juan Rodrigo
En el presente artículo se evaluó el poder germinativo (PG) de semillas en función de 2 tratamientos pre-germinativos (remojo de semillas por 5 días en agua fría permanente y cambiándola diariamente) y a su tiempo de almacenamiento; el material biológico provino de árboles candidatos a semilleros ubicados en la zona de amortiguamiento del Bosque de Protección de Pagaibamba - Chota. Determinándose que no existe diferencia del PG entre tratamientos y el testigo, pero el remojo de semillas cambiando el agua diariamente aceleró y homogenizó la germinación. Además, la disminución del P.G. en función al tiempo de almacenamiento puede ser representado por el modelo % P.G.= exp(4.7229-0.496*meses).E, que tiene un R2 de 0.882; estimándose que las semillas de la Quina de los árboles semilleros identificados pierden toda su viabilidad alrededor de los 3 años.
Estimation of forage biomass in oat (Avena sativa) using agronomic variables through UAV multispectral imaging
(MDPI, 2024-10-06) Urquizo Barrera, Julio Cesar; Ccopi Trucios, Dennis; Ortega Quispe, Kevin; Castañeda Tinco, Italo; Patricio Rosales, Solanch; Passuni Huayta, Jorge; Figueroa Venegas, Deyanira; Enriquez Pinedo, Lucia; Ore Aquino, Zoila; Pizarro Carcausto, Samuel
Accurate and timely estimation of oat biomass is crucial for the development of sustainable and efficient agricultural practices. This research focused on estimating and predicting forage oat biomass using UAV and agronomic variables. A Matrice 300 equipped with a multispectral camera was used for 14 flights, capturing 21 spectral indices per flight. Concurrently, agronomic data were collected at six stages synchronized with UAV flights. Data analysis involved correlations and Principal Component Analysis (PCA) to identify significant variables. Predictive models for forage biomass were developed using various machine learning techniques: linear regression, Random Forests (RFs), Support Vector Machines (SVMs), and Neural Networks (NNs). The Random Forest model showed the best performance, with a coefficient of determination R2 of 0.52 on the test set, followed by Support Vector Machines with an R2 of 0.50. Differences in root mean square error (RMSE) and mean absolute error (MAE) among the models highlighted variations in prediction accuracy. This study underscores the effectiveness of photogrammetry, UAV, and machine learning in estimating forage biomass, demonstrating that the proposed approach can provide relatively accurate estimations for this purpose.