EVALUACION DE LA ACTITUD DE LA TIERRAUTILIZANDO
FUZZY NEURAL NETWORKS
Trent University
IntroducciónDefinicionesProblemaSoluciónResultadosConclusión
EVALUACION DE LA ACTITUD DE LA TIERRAUTILIZANDO
FUZZY NEURAL NETWORKS
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.
EVALUACION DE LA ACTITUD DE LA TIERRAUTILIZANDO
FUZZY NEURAL NETWORKS
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
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
LUTLUR
ClimateSoil
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.
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
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
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).
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.
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.
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.
El impacto que las LC tienen sobre el desempeño de los cultivos es desconocido.
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.
• 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.
Base de datos de requerimientos para cultivos
Thematic Databases
Se definio un modelo de empresa basado en la agricultura de temporaly para el cual se diseñaron una serie de tablas.
Base de datos de requerimientos para cultivos
Thematic Database Spatial Database
La informacion espacial requerida para ser utilizada por los SIG fuealmacenada en otra serie de tablas.
Base de datos de requerimientos para cultivos
Crop RequirementsData Base
SoilClassification
ClimateClassification
Thematic Databases Spatial Databases
Por lo que para esta investigacion tres distintos tipos de bases de datos fueron diseñadas.
Base de datos de requerimientos para cultivos
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
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.
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
Aplicación de fuzzy sets para clasificaractitud de la tierra
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
Aplicación de fuzzy sets para clasificaractitud de la tierra
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.
Aplicación de fuzzy sets para clasificaractitud de la tierra
0
20
40
60
80
100
120
0 50 100 150
Base saturation (%)
Cro
p P
erfo
rman
ce
arabica coffee
banana
barley
cashew
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.
Aplicación de fuzzy sets para clasificaractitud de la tierra
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
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.
Aplicación de fuzzy sets para clasificaractitud de la tierra
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
Values of Land Characteristic type 2
Values of Land Characteristic type 3
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).
Aplicación de fuzzy sets para clasificaractitud de la tierra
Aplicación de fuzzy sets para clasificaractitud de la tierra
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
Determinación del impacto de las LC sobre los cultivos
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.
Determinación del impacto de las LC sobre los cultivos
“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