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


La exactitud de las predicciones es subjetiva y poco exacta.

Problema


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

Problema


• 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.



Thematic Databases

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



Thematic Database Spatial Database

La información 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 investigación tres distintos tipos de bases de datos fueron diseñadas.



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


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


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.


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


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


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.


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



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 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.


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

9 funciones de membresía, una función por cada patrón de CT y por cada clase de aptitud (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 CT en el desempeño de todos los cultivos estudiados.

CT


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.


La NN trabajo con una simulación de epoch = 10000

Después de este numero de simulaciones se obtuvo el mejor valor de aproximación.


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

LANSAS

Technology

Transcript of LANSAS