Mapas de Kohonen como una herramienta visual de apoyo al soporte de decisiones en agroecología

Caso de estudio: La caña de azúcar

Miguel BARRETOInvestigador

MINISTERIO DE AGRICULTURA Y

DESARROLLO RURAL

asocaña

Sistemas Agroecológicos

-Múltiples datos- Datos discretos y continuos - Datos cualitativos y cuantitativos- Datos incompletos y ruidosos - Outliers- Diferentes interacciones entre variables (lineales, no lineales)-Compleja visualización de variables y correlaciones-Gran carga computacional en el preprocesamiento de datos-Conocimiento experto para el preprocesamiento de los datos

Incremental modeling

Integration ofheterogeneous

data

Intelligent visualization

4th dimension: model validation (usefulness & biological response) model exploitation

“triple I”

Mapas autoorganizados como herramienta de visualización

Los mapas auto organizados son una herramienta para la visualización de datos en altas dimensiones.

Básicamente SOM produce un grafico de similitud de los datos de entrada. Genera una taxonomía de datos sin conocimientos previos.

Convierte las relaciones estadísticas no lineales entre datos de alta dimensionalidad en simples relaciones geométricas en puntos de una imagen en una visualización de baja dimensionalidad.

En contraste con los métodos clásicos, los SOM proporcionan una fácil visualización, tomando pocas suposiciones y restricciones además es capaz de manejar grandes grupos de datos y aislar patrones y estructuras de los datos.

Por estas razones los mapas autoorganizados han empezado a ser de gran interés para en exploración y análisis de datos, data mining y ahora también en procesos agro-ecológicos.

Bondades de los mapas autoorganizados

Clustering: Actuar como clasificadores, encontrando patrones en los datos de entrada y clasificándolos en grupos según estos patrones.

Reducción de dimensión: Representar datos multidimensionales en espacios de mucha menor dimensión, normalmente una o dos dimensiones, preservando la topología de la entrada.

Esto es muy útil cuando se trabaja con espacios multidimensionales (más de tres dimensiones) que el ser humano no es capaz de representar, como por ejemplo en problemas agro-ecológicos en los que intervienen numerosas variables como temperatura, precipitación, humedad relativa, etc.

Pre-tratamiento de datos: SOM trabaja con ausencia de datos, ruido, outliers.

Análisis y comprensión de datos: SOM permite una presentación visual sobre las relaciones entre variables

Mapas autoorganizados

Tomando la inspiración biológica

Red de Neuronas

Proceso de aprendizajepor competición

Bio

ins

pir

ado

Bio

lóg

ico

Ejemplos

Estímulos del espacio de entrada

La inspiración biológica

Mapas Autoorganizados

Al final del aprendizajeneuronas con características similares se ubican cerca unas de otras.

Descomposición del SOM en sus componentesKohonen(1997)

Planos que componen los vectores SOMSOM

n = variables de entrada

a

b

c

d

Vector = [a,b,c,d]

Planos que componen los vectores SOM

Planos que componen el SOM

ab

cd

Vector = [a,b,c,d]

Neuronas

1

1

1

1

Buscando correlaciones

Correlaciones parciales

Buscar correlaciones

Componentes proyectados SOM proyectados en otro SOMVesanto, Ahola (1999)

Los vectores de entrada del nuevo SOM son los vectores de la matrix de correlaciones de los planos

Representación en árbol de los clusters formados por los planos Barreto, Pérez (2007)

2 clusters

4 clusters

7 clusters

Primer experimento

Este experimento se realizó usando promedios mensuales de las variables ambientales.

Temperatura media.Humedad relativa media.Radiación media.Precipitación acumulada.

Además Variables de suelo : Orden, textura, profundidad.Variables topográficas: pendiente, paisaje. Otras: Balance hídrico, Variedad, Productividad.

Se tuvieron en cuenta los 4 primeros meses y los 4 últimos meses del desarrollo de la caña.

Productividad Correlación

Radiación y productividad

BMUs de Ra1AC, Ra1DS y Productividad

-0.4

-0.2

0

0.2

0.4

0.6

0.8

1

1 6 11 16 21 26 31 36 41 46 51 56 61 66 71 76 81 86 91 96 101 106 111 116

BMUs

Mag

nit

ud

de

las

vari

able

s Ra1DS Ra1AC Productidad

Productividad correlación absoluta

Productividad correlación absoluta

Datos de manejo

Datos de Manejo:

•Total Observaciones: 1881

•Total de variables después de labinarización : 97

•1992-2005

Variable Muestras

Área Todas

Edad Todas

Variedad Todas

Numero de cortes Todas

TCH – TCHM Todas

Rendimiento Todas

TAH – TAHM Todas

Sacarosa Todas

Brix Todas

Edad de corte Todas

Distancia entre surcos Todas

Bandereo en siembra Todas

Suelo (Orden-Serie) Todas

Tipo de labranza Todas

Tipo de corte (quemada, verde) Todas

Madurante (aplicación si o no, DAC, productos) Incompleta

Fertilización (DDS, DDC, unidades de N,P,K) Incompleta

Número de riegos Incompleta

Arvenses (pre-emergente, 1er control, 2do control) Incompleta

Subsuelo Incompleta

Precipitación Incompleta

Zona agroecologica Todas

Bioestimulante (aplicación DDC-DDS) Incompleta

Datos de manejo / planos del SOM

Datos de manejo / planos del SOM

Datos de manejo / planos del som

Rendimiento

Toneladas de caña

Sacarosa

Conclusiones

Los mapas de Kohonen son una herramienta poderosa para encontrar patrones cuando se manejan muchas dimensiones.

Es un método que permite obtener información de un gran set de datos con un preprocesamiento mínimo.

Permite un manejo visual de la información que ayuda a un mejor entendimiento del comportamiento de las variables

SOM una herramienta para el soporte de decisiones, en ningún momento presenta respuestas inmediatas, estas respuestas son dadas con ayuda de los expertos