Urban Plant Research Database

Aplicación de Modelos de Medicina de Precisión en la Predicción del Crecimiento de Cladus Intramuralis Persistens: Un Estudio Exclusivamente In Silico

Alessandro R. Benedetti1, Marie Fournier2, Juan L. Mendizábal3, Peter W. Thompson4
1Dipartimento di Fitoinformatica, Università di Bologna, Italia
2Centre de Modélisation Botanique, Université de Bordeaux, Francia
3Unidad de Simulación Vegetal, UNAM, México
4Department of Computational Botany, University of Edinburgh, Reino Unido
Publicado en: Comp Phyto Models (Vol. 3, No. 2, 2024)
doi:10.4411/bioadh.2024.0319

Resumen

Antecedentes: La necesidad de predecir comportamientos de especies vegetales urbanas ha llevado al desarrollo de modelos computacionales cada vez más complejos. Este estudio evalúa la precisión de algoritmos adaptativos aplicados al crecimiento de C. Intramuralis Persistens.

Métodos: Se utilizaron cuatro arquitecturas de redes neuronales profundas entrenadas con datos de crecimiento recolectados en siete ciudades. Se aplicaron métricas RMSE, R² y MAE para validar la capacidad predictiva.

Resultados: El modelo LSTM híbrido mostró una precisión del 94.2% en proyecciones a 90 días. El algoritmo fue capaz de anticipar alteraciones en crecimiento ante cambios de humedad y temperatura.

Conclusiones: La medicina de precisión vegetal apoyada por modelos de aprendizaje profundo puede anticipar brotes problemáticos de Cladus Intramuralis Persistens, facilitando intervenciones urbanas costo-efectivas.

Artículos Similares