View
639
Download
3
Embed Size (px)
DESCRIPTION
Metodologías para el análisis de la información para la agricultura específica por sitioDaniel Jiménez
Citation preview
Propuestas metodológicas para el análisis de la información en la agricultura
específica por sitio en frutales
Con la participación de :
Secretarias técnicas de las cadenas productivas (mango, aguacate, cítricos, plátano)
Agricultura de precisión (AP)
Agricultura específica por sitio (AEPS)
Referencias:
Plant, 2001. Computers and electronics in agriculture.Jiménez et al., 2009. Computers and electronics in agricultureJiménez et al., 2010. Agricultural Systems
• Manejo de lotes a mayor escala/resolución dentro del lote
• Mide la variación dentro del lote
• Analiza el efecto de un factor o factor por factor sobre la productividad.
• Modelos requieren conocimiento detallado de procesos involucrados en el crecmiento de las plantas.
• Manejo de lotes según sus caractérísticas particulares
• Mide la variación entre lotes
• Analiza la combinación de factores sobre su efecto en la productividad
• Modelos construidos con limitado conocimiento acerca de la interacción de los factores que determinan el crecimiento de una planta (caña, café)
Variación dentro del lote
• Elementos Fertilización• Agua Riegos• Plagas y enfermedades Manejo fitosanitario
Agricultura de Precisión (AP)
www.frutisitio.orgAgricultura específica por sitio compartiendo experiencias (AESCE)
Es un área definida por el productor y se diferencian claramente de otras por características ambientales, prácticas agrícolas o características del cultivar establecido en ella.
Las unidades de manejo existen debido a razones naturales como las diferencias en las características de los suelos, climáticas o topográficas, o debido a la intervención del agricultor quien implementa y experimenta con diversas prácticas agrícolas.
Edad de las plantas
Tipo de suelo
Tipos de manejo
Variedad
6
3
6
Agricultura Específica por Sitio (AEPS)
www.frutisitio.orgAgricultura específica por sitio compartiendo experiencias (AESCE)
AP – AESCE …. Que implementar?
Banano
APAEPSSensores remotoAutomatización
Investigación
Frutales Tropicales
Algunos forestales Caña
Es cuestión de investigar y avanzar en la medida del compromiso de los actores
MaizTrigoSoyaCafé
www.frutisitio.orgAgricultura específica por sitio compartiendo experiencias (AESCE)
Antecedentes AEPS en Colombia
• Caña de azúcar: CENICAÑA ( mas de 20 años)
• Camarones: Ceniacua
• Café : CIAT– Federación nacional de cafeteros
• Frutales sin gremios organizados: BIOTEC – CIAT – HEIG-VD
Alrededor de 8 años de experiencia en el tema – 6 años
detrás de la idea en frutales tropicales
www.frutisitio.orgAgricultura específica por sitio compartiendo experiencias (AESCE)
Definición Agricultura Específica por Sitio
Según CENICAÑA: El arte de realizar las prácticas agronómicas requeridas por un cultivo de acuerdo con las condiciones espaciales y temporales del sitio donde se cultiva, para obtener de ella su rendimiento potencial. (Isaacs et al., 2004)
0.2
0.4
0.6
0.8
1.0
1.2
1.4
1.6
1960 1965 1970 1975 1980 1985 1990 1995 2000 2005 2010
Año
TAH
M
SSA= Site Specific Agriculture
Broad Adaptation development
Technology development for local
conditions based on SSA
Imported technology
Tons of sugar per ha per month
0.2
0.4
0.6
0.8
1.0
1.2
1.4
1.6
1960 1965 1970 1975 1980 1985 1990 1995 2000 2005 2010
Año
TA
HM
Tecnología AutóctonaTecnología Autóctona
Tecnologia ImportadaTecnologia Importada
AEPS
Cenicaña
Caña de azúcar y AEPS:
Nota: un taller realizado en oct 2010, CENICAÑA ilustro que en sus investigaciones recientes se esta integrando información de las practicas que hacen cañicultores poco y muy exitosos para aprender de lo que realizan
Cap
acit
ació
n
Sis
tem
as d
e in
form
ació
n
3 x
Co
ord
inac
ión
1er año 3er año
Recopilación “eventos”(sistema centralizado)
Sistema de monitoreo
(sistema descentralizado)
1
2
Contacto con actores
Protocolos de análisisautomatizados
3
Análisis de datos
Formación de grupos
Entrega del conocimiento adquirido
www.frutisitio.orgAgricultura específica por sitio compartiendo experiencias (AESCE)
Componentes generales del proyecto AESCE
•Recopilar información sobre las características ambientales de los sitios y las experiencias o "eventos" de los agricultores
•Analizar e interpretar la información recopilada.
•Grupos de productores (compartiendo experiencias - Conocimiento colectivo)
www.frutisitio.orgAgricultura específica por sitio compartiendo experiencias (AESCE)
Principio 1 Principio 2 Principio 3
Principios AESCE
Cultura de medición Conocimiento colectivo Uso de tecnología
www.frutisitio.orgAgricultura específica por sitio compartiendo experiencias (AESCE)
Clima Topografía y
paisaje
Relieve y Suelo
Manejo del cultivo
• Productividad y calidad• Condiciones ambientales ideales
• Prácticas mas adecuadas• Adaptación de variedades
AESCE información de entrada y de salida
Caracterización de los sitios de producción
Clima
GTOPO30
SRTM
Topografia
PaisajeElevation Slope Aspect Landscape Class
MoistureSolar RadiationExposureCurvature
www.frutisitio.orgAgricultura específica por sitio compartiendo experiencias (AESCE)
RASTACaracteriza los suelos y terreno en forma rápida, confiable y sencilla
en el sitio
Suelos
Suelos: RASTA:
www.frutisitio.orgAgricultura específica por sitio compartiendo experiencias (AESCE)
• Formato de registro (unidades, tipo)
• Dispositivos parametrizados
• Control en tiempo real
Oportunidades actuales para la compilación de la información en bases de datos
Manejo (información básica y de monitoreo)
www.frutisitio.org
www.frutisitio.orgAgricultura específica por sitio compartiendo experiencias (AESCE)
1. Proyecto AESCE: Metodologías empleadas en la modelación de respuestas de los árboles frutales
Regresiones (lineales y no lineales)
Obs Clima Suelos Kilos/lote
1 X1 X2 X3 X4 X5 X6 …Xn Y1
2 X1 X2 X3 X4 X5 X6 …Xn Y2
3 X1 X2 X3 X4 X5 X6 …Xn Y3
4 Y4
…..
70000
X1 X2 X3 X4 X5 X6 …Xn Y70000
www.frutisitio.orgAgricultura específica por sitio compartiendo experiencias (AESCE)
Regresiones (lineales y no lineales)
Formato de información
www.frutisitio.orgAgricultura específica por sitio compartiendo experiencias (AESCE)
Proyecto AESCE :Metodologías empleadas en la modelación de respuestas de los árboles frutales
Regresiones lineales
• OLS: (Ordinary least squares)
• Regresiones robustas: (permiten contrarrestar la influencia de
outliers)
• BLUP (Best Linear Unbiased Predictor ): permiten estimar efectos
fijos o aleatorios
Kilos/lote = Clima (b1) + Suelos (b2) + manejo (b3) + (B)
www.frutisitio.orgAgricultura específica por sitio compartiendo experiencias (AESCE)
Capa Oculta
Perceptron Multicapa
Neurona
Función de activación
Algoritmo de aprendizaje
BackpropagationFeed-Forward
Pesos
BiasConexiones
Arquitectura
Capa de entrada
Capa de salida
Capa de salida
Variables de entrada
Variables de salida
Inteligencia Artificial
Caja negra Redes supervisadas
Redes no supervisadas
Predicción
Clasificación
Clustering
Entrenamiento
Aprendizaje
Interpolación
Función de error
Curse of dimensionality
Pre procesamiento de datos
Modelo no lineal
Redes Neuronales Artificiales
Mapas de Kohonen Pesos en la capa de entrada
Conjunto de datos
Ajuste del modelo
Precisión del modelo
Clasificación
Validación
Conjunto de prueba
Conjunto de prueba
Reconocimiento de patrones
Mínimo local
Mínimo global
Modelos no lineales
Proyecto AESCE :Metodologías empleadas en la modelación de respuestas de los árboles frutales
Regresiones no lineales (redes neuronales artificiales)
Kilos/lote
Suelos
Manejo
Info
adicional
Parámetro
Mat.
Parámetro
Mat.
Parámetro
Mat.
Clima
Ba
ses
de
da
tos
V1
V2
V3
V4
V5
V60
sp1
V1
V2
V3
V4
V5
V60
sp1
Predicho
RealEE
Regresiones no lineales (redes neuronales artificiales – perceptron multi -capa)
V1 V2 V3 V4 V5 … V60 L 2 L 3 L 4 L 5 … Kg/lote
Obs 1 0.1 18 3 312 0.3 … 89 0 1 0 1 0 … 2.39Obs 2 0.2 15 4 526 0.1 … 52 1 0 0 0 1 … 30.35Obs 3 0.6 14 1 489 0.2 … 64 0 1 1 1 1 … 42.25Obs 4 0.05 19 2 523 0.5 … 13 0 0 0 0 1 … 52.50Obs 5 0.4 13 3 214 0.6 … 57 1 1 1 1 1 …
Obs 6 0.8 12 4 265 0.4 … 24 1 1 0 1 0 … 82.25Obs 7 0.2 15 1 236 0.8 … 26 0 0 1 0 0 … 89.28Obs 8 0.1 17 3 541 0.1 … 35 0 1 1 1 0 … 125.0Obs9 0.6 16 2 845 0.3 … 51 0 0 1 1 0 … 142.8Obs10 0.1 18 1 126 0.1 … 43 1 1 0 0 1 … 150.0
… … … … … … … … … … … … … … …
Obs3000 0.04 15 3 235 0.6 … 85 1 1 1 1 0 … 180
L 1
Ob
s 1
Ob
s 2
Ob
s 3
Ob
s 4
Ob
s 5
Ob
s 6
Ob
s 7
Ob
s 8
Ob
s 9
Ob
s 1
0
…
Ob
s3
00
0
0.1 0.2 0.6 0.05 0.4 0.8 0.2 0.1 0.6 0.1 … 0.04
18 15 14 19 13 12 15 17 16 18 … 15
3 4 1 2 3 4 1 3 2 1 … 3
312 526 489 523 214 265 236 541 845 126 … 235
0.3 0.1 0.2 0.5 0.6 0.4 0.8 0.1 0.3 0.1 … 0.6
… … … … … … … … … … … …
89 52 64 13 57 24 26 35 51 43 … 85
Ob
s 1
Ob
s 2
Ob
s 3
Ob
s 4
Ob
s 5
Ob
s 6
Ob
s 7
Ob
s 8
Ob
s 9
Ob
s 1
0
…
Ob
s3
00
0
2.3 30.3 42.5 52.5 82.2 89.2 125 142 150 … 180
Ob
s 1
Ob
s 2
Ob
s 3
Ob
s 4
Ob
s 5
Ob
s 6
Ob
s 7
Ob
s 8
Ob
s 9
Ob
s 1
0
…
Ob
s3
00
0
3.07 29.8 54 60 … 90 100 150 170 149 … 192
Predicciónes
Ob
s 1
Ob
s 2
Ob
s 3
Ob
s 4
Ob
s 5
Ob
s 6
Ob
s 7
Ob
s 8
Ob
s 9
Ob
s 1
0
…
Ob
s3
00
0
2.07 29.0 53.5 50.5 89.5 99.2 120172 170 … 188
Datos cualitativos
observado
predicho
site
1
site
2
site
3
site
4
site
5
site
6
site
7
site
8
site
9
site
10
0.01 0.95 0.5 0.4 0.6 0.9 0.9 0.2 0.1 0.8
0 1 0 0 1 1 0 0 0 1
0 1 1 0 1 1 1 0 0 1
Puntaje= # de classificaciones correctas # total de objetos a classificar
Puntaje=8/10=80%
10 25 12 22 14 3 5 9 1 4
site
1
site
2
site
3
site
4
site
5
site
6
site
7
site
8
site
9
site
10
11 22 11 21 15 2 3 5 0 1
0
5
10
15
20
25
0 5 10 15 20 25 30
Observées
Pré
dit
es
Validación: test Kappa
y = 0.8927x + 0.0157
R2 = 0.9
-0.2
0.3
0.8
1.3
1.8
-0.2 0.3 0.8 1.3 1.8
Real
Pre
dic
ted
Predicted
Regresiones no lineales (redes neuronales artificiales – perceptron multi -capa)
observado
predicho
Datos cuantitativos
26
www.frutisitio.orgAgricultura específica por sitio compartiendo experiencias (AESCE)
Dependencia de variables Calidad de vida en el mundo
• Estadísticas del banco mundial sobre varios países en el año 1992
• 39 indicadores fueron tomados describiendo varios factores de calidad de vida tales como salud, nutrición, calida de los servicios públicos, acceso a la educación etc.
• Países que tenían indicadores similares se ubicaron cerca el uno del otro en el mapa.
• Realizado con datos faltantes
Métodos de Clustering (redes neuronales artificiales – Mapas de Kohonen)
Iris setosa Iris versicolor Iris virgínica
Base de datos plantas de Iris
Variables (1.Longitud sépalo, 2. Ancho sépalo, 3.Longitud pétalo, 4.Ancho pétalo)
Métodos de Clustering (redes neuronales artificiales – Mapas de Kohonen)
Dependencia de variables
Iris setosa Iris versicolor Iris virgínica
Distribución de Iris
Dependencia de variables
Métodos de Clustering (redes neuronales artificiales – Mapas de Kohonen)
Iris setosa
Iris versicolor
Iris virgínica
Base de datos plantas de Iris
Kohonen map
Dependencia de variables
Métodos de Clustering (redes neuronales artificiales – Mapas de Kohonen)
Iris setosa
Iris versicolor
Iris virgínica
Dependencia de variables
Métodos de Clustering (redes neuronales artificiales – Mapas de Kohonen)
Base de datos plantas de Iris
Caso de estudio: Mora (Rubus glaucus) – Modelo correcto:
(Jiménez, D., Cock, J., Satizábal, F., Barreto, M., Pérez-Uribe, A., Jarvis, A. and Van Damme, P., 2009. Computers and Electronics in Agriculture. 69 (2): 198–208
Ejemplos reales en frutales en Colombia
(Redes neuronales artificiales en regresión y visualización de dependencia de variables)
-0.2 0.3 0.8 1.3 1.8
-0.2
0.3
0.8
1.3
1.8
f(x) = 0.892655122481665 x + 0.0157451798619759R² = 0.891999243225333
Predicted
Real yield (kg/plant/week)
Pre
dict
ed y
ield
(kg/
plan
t/w
eek)
Caso de estudio: Mora (Rubus glaucus) - Análisis de relevancia:
(Jiménez, D., Cock, J., Satizábal, F., Barreto, M., Pérez-Uribe, A., Jarvis, A. and Van Damme, P., 2009. Computers and Electronics in Agriculture. 69 (2): 198–208
Ejemplos reales en frutales en Colombia
(Redes neuronales artificiales en regresión y visualización de dependencia de variables)
(a) Plano indicando la productividad de mora. La escala a la derecha indica el valor de productividad kg/planta/semana. La parte superior indica valores altos de producción mientras la parte inferior muestra bajos valores. (b) mapa de red neuronal mostrando 6 grupos de productividad y sus etiquetas de acuerdo a los valores de productividad
Ejemplos reales en frutales en Colombia
(Redes neuronales artificiales en regresión y visualización de dependencia de variables)
Caso de estudio: Mora (Rubus glaucus) - visualización de dependencia de variables)
Planos de profundidad efectiva: La escala de la dercha indica el rango de valor en centimetros de profundidad efectiva, la parte superior de la escala indica valores altos mientras la baja indica valores bajos de profundidad efectiva
Ejemplos reales en frutales en Colombia
(Redes neuronales artificiales en regresión y visualización de dependencia de variables)
Caso de estudio: Mora (Rubus glaucus) - visualización de dependencia de variables)
Planos de temperatura: (a) temperatura del mes de cosecha, (b) temperatura promedio del 1er mes anterior a la cosecha, (c) temperatura promedio del 2do mes anterior a la cosecha, and (d) temperatura promedio del 3er mes anterior a la cosecha En todas las figuras, la escala (derecha) indica el rango de temperatura en ◦C . La parte superior indica valores altos de temperatua mientras la baja indica valores bajos
Caso de estudio: Mora (Rubus glaucus) - visualización de dependencia de variables)
Planos de las localidades Nariño–la union–chical alto (izquierda) y Nariño–la union–cusillo bajo derecha). . La parte superior de la escala a la derecha indica presencia mientras la baja indica vausenciadebido a que son variables categóricas
Ejemplos reales en frutales en Colombia
(Redes neuronales artificiales en regresión y visualización de dependencia de variables)
Caso de estudio: Mora (Rubus glaucus) - visualización de dependencia de variables)
Ejemplos reales en frutales en Colombia
(Redes neuronales artificiales en combinación con metodologías tradicionales)
Caso de estudio: Lulo (Solanum quitoense) – Modelo correcto
Jiménez, D., Cock, J., Jarvis, A., Garcia, J., Satizábal, H.F., Van Damme, P., Pérez-Uribe, A. and Barreto-Sanz, M., 2010. Interpretation of Commercial Production Information: A case study of lulo (Solanum quitoense), an under-researched Andean fruit. Agricultural Systems. In press. published online at: http://dx.doi.org/10.1016/j.agsy.2010.10.004
0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2
0
0.05
0.1
0.15
0.2
0.25
f(x) = 0.984221363104401 x + 0.00302772626424537R² = 0.714284079908756
Predic...
Real yield (kg/plant/week)
Pre
dic
ted
yie
ld (
kg
/pla
nt/
wee
k)
Ejemplos reales en frutales en Colombia
(Redes neuronales artificiales en combinación con metodologías tradicionales)
Caso de estudio: Lulo (Solanum quitoense) – Modelo correcto
Caso de estudio: Lulo (Solanum quitoense) – Análisis de relevancia
effDep
th
tempA
vg_0
slope
Na_un
_chi
cal
srtm
Na_un
_jac
trmm_2
Na_ca
_san
Na_un
_ba
TempR
ang_
1
TempR
ang_
0
trmm_1
int_
extD
rain
TempR
ang_
2
trmm_0
0
0.02
0.04
0.06
0.08
0.1
0.12
0.14
0.16
0.18
Ejemplos reales en frutales en Colombia
(Redes neuronales artificiales en combinación con metodologías tradicionales)
Tres variables: 1. Profundidad efectiva, 2. Temperatura y 3. Pendiente fueron relevantes para ambas regresiones lineal y no lineal
Caso de estudio: Lulo (Solanum quitoense) – clustering
Ejemplos reales en frutales en Colombia
(Redes neuronales artificiales en combinación con metodologías tradicionales)
Las tres variables relevantes fueron utilizadas para definir grupos con condiciones ambientales homogéneas = 3
Caso de estudio: Lulo (Solanum quitoense) – Modelo mixto para conocer los efectos sobre la productividad de grupos con condiciones ambientales homogéneas
1 2 3
-30.00
-20.00
-10.00
0.00
10.00
20.00
30.00
40.00
50.00
Effects of clusters of environmental conditions
Lu
lo y
ield
(k
g/p
lan
t/w
eek
)Ejemplos reales en frutales en Colombia
(Redes neuronales artificiales en combinación con metodologías tradicionales)
Condiciones ambiental homogénea 3 fue la mas productiva – 41 gr de lulo /planta más que el promedio
Variable ranges HEC
Slope (degrees) EffDepth (cm) TempAvg_0 (°C)
5-14 21-40 15 -16.5 18-15 32-69 15 -18.9 213-24 40-67 15.8 -19 3
HEC como proxy para variabilidad ambiental Finca como proxy para manejo
1 2 3 4 5 8 17 5 6 8 10 11 12 13 15 16 17 19 20 7 9 14 18 19 20 211 2 3
-80.00
-60.00
-40.00
-20.00
0.00
20.00
40.00
60.00
Effects of farms across the EC clusters of environmental conditions
Lu
lo y
ield
(k
g/p
lan
t/w
eek
)
Ejemplos reales en frutales en Colombia
(Redes neuronales artificiales en combinación con metodologías tradicionales)
Caso de estudio: Lulo (Solanum quitoense) – Modelo mixto para conocer los efectos sobre la productividad de grupos con condiciones ambientales homogéneas y las fincas
• El modelo mixto explicó mas del 80 % de variación en productividad de lulo.• Ej. Finca 9 en condición ambiental homogénea 3 produce 51 g de lulo /planta
más que el promedio
2. Proyecto AESCE: Metodologías empleadas para determinar cuáles son los nichos ecológicos de cada especie / adaptabilidad varietal
curvas de isoproductividad
Caso hipotético donde un cultivador de plátano, quiere saber cual es el cultivar con el que obtendría mayor número de cajas por racimo, peso racimo o ratio en las condiciones de su finca.
0
500
1,000
1,500
2,000
2,500
3,000
Has
0
5,000
10,000
15,000
20,000
25,000
30,000
35,000
40,000
To
ns
Area Producción
Naranja
Antioquia produce más naranjacon la mitad de las hectáreas cultivadas en Tolima Oportunidad
Departamento Área (Has)
Rendimiento(Kg/ha)
Antioquia 1,163 30,035
Tolima 2,413 8,625
Cesar 1,884 11,023
Cundinamarca 1,440 9,939
Magdalena 483 18,772
Bolívar 353 7,453
Risaralda 156 10,213
Córdoba 262 18,836
Fuente MADR (promedio 2002- 2008)
Analizar e interpretar la información recopilada
www.frutisitio.orgAgricultura específica por sitio compartiendo experiencias (AESCE)
• Identifica sitios edafológica y climáticamente similares
• Si clima y suelos influyen en la adaptabilidad del cultivo, en sitios con climas y suelos similares tendrían adaptabilidad similar
• El propósito es identificar sitios con potencial para establecer nuevas variedades, o extender tecnologías de un sitio a otro
www.frutisitio.orgAgricultura específica por sitio compartiendo experiencias (AESCE)
www.frutisitio.orgAgricultura específica por sitio compartiendo experiencias (AESCE)
Hacia un nuevo Homologue:
Modelación de grandes bases de datos - Cuantización vectorial – Visualización - Lógica difusa para “suavizar” la asignación de categorías
Crisp Fuzzy
www.frutisitio.orgAgricultura específica por sitio compartiendo experiencias (AESCE)
FENNIXSomToolbox - MATLAB
script
Aplicaciones utilizadas:
BIS
Estrategias de colecta de información primaria
Grupos
d. Individuales acceso virtual
c. Facilitadores de las Secretarías de
agricultura
Cadenas
Federaciones
Organizaciones
Asohofrucolb. Facilitadores de las
Cadenas
a. Investigadores CIAT
Niv
el d
e in
terv
en
ció
n
v
Niveles de IntervenciónMADR
www.frutisitio.orgAgricultura específica por sitio compartiendo experiencias (AESCE)
Promoción al consumo - Biblioteca con ruedas – Unidad multimedia móvil
www.frutisitio.orgAgricultura específica por sitio compartiendo experiencias (AESCE)
www.frutisitio.org