Sistema de evaluación de Terrenos para la producción de cultivos

EVALUACION DE LA ACTITUD DE LA TIERRAUTILIZANDO

FUZZY NEURAL NETWORKS

Trent University

IntroducciónDefinicionesProblemaSoluciónResultadosConclusión



Esta Investigacion define una nueva metodologia para evaluar la actitud de la tierra.

El metodo fue desarrollado utilizando las virtudes de la logica difusa (Fuzzy Sets), bases de conocimiento y redes neuronales.

Dicho paradigma fue transladado en un sistema de informacion que permite la interoperabilidad entre SMBD, ANN, y SIG para evaluar la aptitud de la tierra y poder predecir rendimientos de cultivos.



LMU

La Evaluacion de la Actitud de la Tierra es un ejercicio que determina el grado de compatibilidad entre las caracteristicas de tierra (LC) de un sitio especifico (LMU) y los requerimientos (LUR) necesarios para que un Uso de la Tierra (LUT) se pueda dar en ese LMU.

LMU

LCClimate

Soil


LMU

LCClimate

Soil

LUTLUR

ClimateSoil


El proceso de evaluación asigna una calificacion al cultivo evaluado, en base al rendimiento obtenido por el cultivo en la LMU.

Esta calificacion esta determinada por las llamadas clases de aptitud definidas por la FAO [FAO, 1986].

LUT Performance

Yield

Su

itab

ilit

y C

lass

ific

atio

n

0

Very suitable

Moderately suitable

Marginally suitable

Non suitable

Yield

Su

itab

ilit

y C

lass

ific

atio

n

0

Very suitable

Moderately suitable

Marginally suitable

Non suitable

El proceso de evaluación asigna una calificacion al cultivo evaluado, en base al rendimiento obtenido por el cultivo en la LMU.

Esta calificacion esta determinada por las llamadas clases de aptitud definidas por la FAO [FAO, 1986].

LUT Performance

La información sobre requerimientos biofisicos para cultivos se encuentran dispersa y no es de facil acceso.Ademas no se cuenta con una base de conocimiento.

Los actuales metodos y sistemas para la evaluación de tierras tienen varias caracteristicas que han hecho de la la evaluación de tierras un campo extremadamente especializado, inflexible y altamente dependiente del conocimiento experto.

• Los metodos actuales para evaluación de tierras utilizan un sistema de clasificacion muy rigido (crisp classification).


LUT PerformanceTon / hectares

LU

T p

erfo

rman

ce

N S3 S2 S1

0 45 60 80

La exactitud de las predicciones es subjetiva y poco exacta.


El impacto que las LC tienen sobre el desempeño de los cultivos es desconocido.


• Desarrollo de bases de datos con el conocimiento existente

• Aplicación de fuzzy sets para clasificar actitud de tierra

• Determinación del impacto de las LC sobre los cultivos

• Desarrollo de un sistema de información para la evaluación de la tierra

SOLUCION

Base de datos de requerimientos para cultivos

Actualmente, no existe una fuente oficial de información sobre requerimientos biofisicos para cultivos.

Sin embargo, existen algunas fuentes con suficiente información que puede ser utilizada para predecir actitud de la tierra.

Como resultado de una extensa busqueda y se recabo información sobre los requerimientos climaticos y del suelo para 1711 distintos tipos de cultivos y arboles.

Crop, Requirement,LC-Type,

threshold values Soil seriesClimaticclasses

La información colectada se normalizo y codifico para ser almacenada en una base de datos relacional.


Thematic Databases

Se definio un modelo de empresa basado en la agricultura de temporaly para el cual se diseñaron una serie de tablas.


Thematic Database Spatial Database

La informacion espacial requerida para ser utilizada por los SIG fuealmacenada en otra serie de tablas.


Crop RequirementsData Base

SoilClassification

ClimateClassification

Thematic Databases Spatial Databases

Por lo que para esta investigacion tres distintos tipos de bases de datos fueron diseñadas.


Teoría de los Fuzzy Sets:

Teoría matemática propuesta por Zadeh en 1965 y la cual define que todo elemento de un conjunto tiene un valor de pertenencia dentro del conjunto y este valor será entre 0 y 1.

Dichos valores son determinados por una función de membresía.

Aplicación de fuzzy sets para clasificaractitud de la tierra

Huajun (1991) demostro que la evaluacion de tierras basada en fuzzy sets es mas exacta que los metodos actuales.

LUT performance

LC

val

ue

N S3 S2 S1 1

LUT performanceL

C v

alu

eN S3 S2 S1


Huajun (1991) demostro que la evaluacion de tierras basada en fuzzy sets es mas exacta que los metodos actuales.

Sin embargo cuando la investigacion de Huajun fue probada en una amplia variedad de cultivos se encontraron ciertos errores.

1

LUT performance

LC

val

ue

N S3 S2 S1


Se definieron 3 nuevas funciones de membresía, una función para cada una de las clases de aptitud existentes (S1, S2, S3).

0

0.5

1

0 25 50 75 100

PERFORMANCE (%)

MEM

BER

SH

IP D

EGR

EE

S

S1

S2

S3

N S3 S2 S1

Crisp Suitability Classes

0


La aplicación de las 3 nuevas funciones, se demostró que las LC varían dependiendo de la clase evaluada y de la función aplicada.

3 patrones distintos fueron descubiertos en las LC.


0

20

40

60

80

100

120

0 50 100 150

Base saturation (%)

Cro

p P

erfo

rman

ce

arabica coffee

banana

barley

cashew




0

20

40

60

80

100

120

0 100 200 300 400

LGP (days)

cro

p p

erf

orm

an

ce

cassave

cotton

groundnuts

maize

millets




0

20

40

60

80

100

120

0 2 4 6 8

Dry season (months)

Cro

p P

erf

orm

an

ce

arabica coffee

banana

cassave

cocoa

coconut

S1S2S3

1

0

1

0

1

0

Class 3

Values of Land Characteristic type 1



LU

T P

erfo

rman

ceL

UT

Per

form

ance

LU

T P

erfo

rman

ce

DegreeOf

membership

DegreeOf

membership

DegreeOf

membership

Definiendo 9 funciones de membresía, una función por cada patrón de LC y por cada clase de LC (3x3).



Después de definir las funciones de membresía y de saber como actúan las LC, se definió un algoritmo para poder determinar el grado de membresía que tiene el desempeño de un cultivo en un sitio dado.

0

0.5

1

0 25 50 75 100

PERFORMANCE (%)

MEM

BER

SH

IP D

EGR

EE

S1

S2

S3

0

Determinación del impacto de las LC sobre los cultivos

Cada LC tienen un impacto en el desempeño y crecimiento del cultivo, este impacto afecta de dos formas; de forma individual o combinadamente con las demás LC.

Van Ranst calculo exitosamente el impacto de algunas de las LC en el caucho utilizando una regresión lineal. Sin embargo dicho método seria mas que imposible de realizar en una amplia variedad de cultivos.

Para resolver este problema, se decidió implementar una Red Neuronal (NN) del tipo Feedforward de dos niveles, la cual calcula los pesos o impactos que tiene cada LC en los cultivos.

LC


La NN calculo los pesos utilizando la información contenida en la base de conocimiento creada en esta investigación.

Se utilizo información referente a 1711 cultivos distintos.

La red se entreno con 10000 epoch, y después de este numero de simulaciones se obtuvo el mejor valor de aproximación.


“LANSAS” : LANd Suitability Assessment System.

Desarrollo de un sistema de información para la evaluación de tierras

LANSAS utiliza una Fuzzy Neural Network (FNN) para llevar acabo la evaluacion de la tierra.

Esta FNN tiene 5 capas y del tipo feedforware.

Desarrollo de un sistema de información para la evaluación de tierras

Input layer

Fuzzy set nodes

Conjunction layer

Output fuzzy layer

Output layer

n/N developing stage

n/N maturation stage

Base saturation

Organic matter kaolinitic

Organic matter non kaolinitic

Organic matter calcareous

DepthAnnual rainfall

Length gs

Rainfall gs

Mean temperature gs

Mean min. temperature gs

Mean humidity developing stage

slope type 2 (high level)

slope type 2 (low level)

Coarse fragmentation

CaCO3

Gypsum

0.6

0.8

50

2

1.2

0.8

100

850

220

800

22

16

30

2

4

6

2

8

1938

155.4

27

1938

155.4

27

1938

155.4

27

0.7731

0.9998

0.9591

0.0555

0.00028

0.405

0.5286

0.00015

0.0408

0.7731

0.00028

0.00015

0.7731

0.7731

0.00028

0.0408

0.7731

0.00028

0.0408

99.9

Suitable classS1

Membership degree0.7731

Suitability Index99.9

LC

Membership functions

Minfunction

Maxfunction

Searchingin

KB & DB

MATCHING

S1

S2

S3

Suitableclass

AttributesKnowledgeLoaded in

FNNsynapses

Land characteristicsand other data is loaded

in the neurons

Spatial

Data input

Resultsreport

GUI

GUI

Knowledge

NN for LC impact’scalculation

Activexcontrols

GIS

DBMS

FNN

LANSAS

LANSAS ha sido diseñado para poder utilizar informacion geografica como si fuera un SIG.

La interoperabilidad entre LANSAS y las capacidades SIG se lograron gracias al uso de Activex Controls.

ActivexControls

LANSAS

Visual BasicRun time OLE

Shape-filesODBCDriver

ODBC Driverfor related

tables

ImageFiles

Shape-files Tablesin ThematicDatabases

LANSAS posee la capacidad para importar – exportar datos de algunos de los SMBDR mas reconocidos. Este mecanismo se hace posible gracias al uso de Activex controls.

1: 4 Land Management Units or Ecozones2: LUT selected was corn and setting up 2 plots in each EZ.3: To carry out analysis of accuracy of prediction (to assess the 3 algorithms)

Field TrialsLMU12 plotswith corn

LMU22 plots2 with corn

LMU32 plots2 with corn

LMU42 plotswith corn

Class S1Yield production

prediction = 12 Ton. Per Ha.

Parametric methodClass S1

Yield productionprediction = 10.8 Ton. Per ha.

Class S3Yield production

prediction = 6.8 Ton. Per Ha.

Decision-Trees

Reality Field workYield production = 12.5 ton. per ha.

LANSAS

LANSAS Error.11

Conclusion

A COMPUTER SYSTEMFOR

LAND SUITABILITY ASSESSMENTBASED ON FUZZY NEURAL NETWORKS

Trent UniversityWatershed Ecosystem Graduated Program

Conclusion

Esta investigacion muestra que el nuevo paradigma para evaluar tierras, basado en el uso de Fuzzy Sets y utilizando los valores de impacto de las LC, es superior que los metodos utilizados actualmente.

Conclusion

Por otra parte, El sistema de informacion llamado “LANSAS”, posee nuevas capacidades que los actuales sistemas automatizados para evaluacion de tierras.

Las caracteristicas de LANSAS son:

• Acceso al conocimiento• Interface con SIG• Procesamiento intensivo via NN y FNN• Portable• Interoperabilidad entre SIG- SMBD – FNN- NN• Interface amigable

Sistema de evaluación de Terrenos para la producción de cultivos

Technology

Transcript of Sistema de evaluación de Terrenos para la producción de cultivos