LANSAS
-
Upload
luis-manuel-callejas -
Category
Technology
-
view
228 -
download
1
description
Transcript of LANSAS
EVALUACION DE LA ACTITUD DE LA TIERRAUTILIZANDO
FUZZY NEURAL NETWORKS
Objetivo
Esta Investigación define un nuevo método para evaluar la actitud de la tierra.
El método fue desarrollado utilizando las virtudes de los SIG, los Fuzzy Sets y las Redes Neuronales.
El nuevo paradigma permitio desarrollar un sistema espacial de soporte a las decisiones.
EVALUACION DE LA ACTITUD DE LA TIERRAUTILIZANDO
FUZZY NEURAL NETWORKS
ANTECEDENTESANTECEDENTES
• Land Evaluation Framework (FAO, 1983)
• Limitation Method and Parametric Method (Sys 1985)
• LECS (Wood, 1983)
• ALES (Rossiter 1986)
• AEZWin (IIASA, 1998)
• GAEZ (IIASA, 2000)
UMT
CTCantidad en el terreno
ClimateSoil
UTMaiz
RCCantidad requerida
para el cultivoAgua
Tipo de tierra
La Evaluación de la Actitud de la Tierra es un ejercicio que determina el grado de compatibilidad entre las características de tierra (CT) de un sitio especifico (UMT) y los requerimientos del cultivo (RC) necesarios para que un Uso de la Tierra (UT) se pueda dar en esa UMT.
YieldTon/Hect.
0
El proceso de evaluación asigna una calificación al cultivo evaluado, en base al rendimiento obtenido por el cultivo en la UMT.
Esta calificación esta determinada por las llamadas clases de aptitud definidas por la FAO [FAO, 1986].
NNo
Apto
S3Marginal
S2Moderado
S1Muy apto
0
100
% derendimiento
La información sobre requerimientos biofísicos para cultivos se encuentran dispersa y no es de fácil acceso.
Problema
Los actuales métodos y sistemas para la evaluación de tierras tienen varias características que han hecho de la evaluación de tierras un campo extremadamente especializado, inflexible y altamente dependiente del conocimiento experto.
Los métodos actuales para evaluación de tierras utilizan un sistema de clasificación muy rígido (crisp classification).
LUT PerformanceTon / hectares
N S3 S2 S1
0 45 60 80
Problema
Los actuales métodos y sistemas para la evaluación de tierras tienen varias características que han hecho de la evaluación de tierras un campo extremadamente especializado, inflexible y altamente dependiente del conocimiento experto.
La exactitud de las predicciones es subjetiva y poco exacta.
Problema
Los actuales métodos y sistemas para la evaluación de tierras tienen varias características que han hecho de la evaluación de tierras un campo extremadamente especializado, inflexible y altamente dependiente del conocimiento experto.
El impacto que las CT tienen sobre el desempeño de los cultivos es desconocido.
Problema
Los actuales métodos y sistemas para la evaluación de tierras tienen varias características que han hecho de la evaluación de tierras un campo extremadamente especializado, inflexible y altamente dependiente del conocimiento experto.
• Desarrollo de una base de conocimiento sobre requerimientos bio-fisicos para 1711 cultivos
• Diseñar una nueva metodologia de clasificación de actitud de la tierra menos rigida
• Determinar del impacto de las CT sobre los cultivos
• Crear un sistema espacial para el soporte a las decisiones aplicado a la evaluación de la tierra
Modelo de Solución
Base de Conocimientosobre
requerimientos para cultivos
Falta de una fuente oficial de información sobre requerimientos biofísicos para cultivos.
Existen algunas fuentes de información dispersas en todo el mundo con suficiente información que puede ser utilizada para predecir el desempeño de una gran variedad de cultivos en base a las caracteristicas de la tierra.
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 Conocimientosobre
requerimientos para cultivos
Thematic Databases
Se definió un modelo de empresa basado en la agricultura de temporaly para el cual se diseñaron una serie de tablas.
Base de Conocimientosobre
requerimientos para cultivos
Thematic Database Spatial Database
La información espacial requerida para ser utilizada por los SIG fuealmacenada en otra serie de tablas.
Base de Conocimientosobre
requerimientos para cultivos
Crop RequirementsData Base
SoilClassification
ClimateClassification
Thematic Databases Spatial Databases
Por lo que para esta investigación tres distintos tipos de bases de datos fueron diseñadas.
Base de Conocimientosobre
requerimientos para cultivos
Huajun (1991) demostró que la evaluación de tierras Aplicando fuzzy sets es mas exacta que los métodos aplicados actualmente.
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) demostró que la evaluación de tierras basada en fuzzy sets es mas exacta que los métodos actuales.
Huajun definió una función de membresía genérica
1
LUT performance
LC
val
ue
N S3 S2 S1
Aplicación de fuzzy sets para clasificaractitud de la tierra
x
xx
xx
x
xS
;1
],[;)]/()[(21
],[;)]/()[(2
),(;0
),,;(2
2
Donde:X representa el valor de una CT evaluada para un cultivo dado representa el valor en el cual la CT es no apta para el cultivo el valor en cual la CT es optima para el cultivo
1
LUT performance
LC
val
ue
N S3 S2 S1
Aplicación de fuzzy sets para clasificaractitud de la tierra
x
xx
xx
x
xS
;1
],[;)]/()[(21
],[;)]/()[(2
),(;0
),,;(2
2
Sin embargo la investigación de Huajun solo fue desarrollada solo para el maíz.
Para generalizar el modelo de Huajun, se utilizo la información recopilada en la Base de Conocimiento de requerimientos bio-físicos para 1711 distintos cultivos.
Al probar el modelo con la información contenida en las base de conocimiento se encontraron ciertos errores.
Aplicación de fuzzy sets para clasificaractitud de la tierra
Huajun solamente desarrollo una funcion de membresia generica para una clase de evaluación llamada S y omitio las otras 4 clases (N, S3, S2 y S1)
S
0
0.5
1
0 25 50 75 100
PERFORMANCE (%)
ME
MB
ER
SH
IP D
EG
RE
E
S
N S3 S2 S1
Crisp Suitability Classes
Aplicación de fuzzy sets para clasificaractitud de la tierra
Por lo que se Calcularón las funciones para las 4 clases de aptitud definidas por la FAO(S1, S2, S3 y N)
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, demostró que las CT varían dependiendo de la clase evaluada y de la función aplicada, descubriendo 3 patrones en las CT.
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
La aplicación de las 3 nuevas funciones, demostró que las CT varían dependiendo de la clase evaluada y de la función aplicada, descubriendo 3 patrones en las CT.
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, demostró que las CT varían dependiendo de la clase evaluada y de la función aplicada, descubriendo 3 patrones en las CT.
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
Al aplicar los 3 funciones de membresia a los 3 tipos de CT, se descubrio que se podian definir 9 funciones de membresía que representaran el impacto de cualquier tipo de CT en cualquiera de los 1711 cultivos estudiados.
Aplicación de fuzzy sets para clasificaractitud de la tierra
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
9 funciones de membresía, una función por cada patrón de CT y por cada clase de aptitud (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 CT en el desempeño de todos los cultivos estudiados.
CT
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.
La red se entreno con la información referente a 20 ejemplos de cada uno de los 1711 cultivos estudiados.
Determinación del impacto de las LC sobre los cultivos
La NN trabajo con una simulación de epoch = 10000
Después de este numero de simulaciones se obtuvo el mejor valor de aproximación.
Determinación del impacto de las LC sobre los cultivos
Impacto de las LC en el performance del cultivoImpacto de las LC en el performance del cultivo
Precipitación 0.40Temporada de crecimiento 0.74Temperatura 1.00Humedad 0.79Pendiente del suelo 0.69Pedregozidad 0.32Profundidad del suelo 1.00CaCO3 0.32Capacidad de intercambio cationico 0.22Bases saturadas 0.03Materia Orgánica 1.00Ph 0.09
“LANSAS” : LANd Suitability Assessment System.
Desarrollo de un sistema espacial para soporte a las decisiones para la evaluación
de tierras
LANSAS utiliza una Fuzzy Neural Network (FNN) para llevar acabo la evaluación de la tierra.
Esta FNN tiene 5 capas
Desarrollo de un sistema de información para la evaluación de tierras
Input layer
Fuzzy set nodes
Conjunction layer
Output fuzzy layer
Output layer
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
Membership degree0.7731
Suitable classS1 Y estimada
Membership functions
Minfunction
Maxfunction
Yield EstimationFunction
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 información geográfica 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 Units2: LUT selected was corn and setting up 2 plots in each LMU.3: To carry out analysis of accuracy of prediction (to assess the 3 algorithms)
Field Trials
LMU12 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
Conclusion
Esta investigación demuestra que el nuevo paradigma para evaluar tierras, basado en el uso de Fuzzy Sets y utilizando los valores de impacto de las CT, es superior que los métodos utilizados actualmente.
Conclusion
Por otra parte, El sistema de información llamado “LANSAS”, posee nuevas capacidades que los actuales sistemas automatizados para evaluación de tierras.
Las características de LANSAS son:• Acceso al conocimiento• Interfase con SIG• Procesamiento intensivo vía NN y FNN• Portable• Interoperabilidad entre SIG- SMBD – FNN- NN• Interfase amigable