INFO, 2017 1

Aplicacindetcnicasdeaprendizajeautomtico
paralaagriculturaaltoandinadePer

VladimirCceresSalazar
Innovaciones Tecnolgicas S.A.C., Centro de Tecnologas de la informacin para el agro, Huaraz,
Ancash, Per; email: vladimiralex50@hotmail.com

Resumen

La agricultura es el pilar de una economa en desarrollo como es el caso de Per. La mayora de la

poblacin altoandina depende de la agricultura para generar sus ingresos. Con el agotamiento de los
recursos naturales, la reduccin del tamao de la tierra y el aumento de los costos de insumos
agropecuarios y de mano de obra, combinada con la incertidumbre de diversos factores climticos,
los precios del mercado y otros factores, hacen que la agricultura altoandina de Per sea una
profesin llena de riesgos. Los avances de la tecnologa deben ser llevados a varias disciplinas y lo
largo de la historia han demostrado mejoras en muchos campos. Sin embargo, la agricultura no se
ha beneficiado mucho de tales avances. La agricultura inteligente es una necesidad actualmente
para la economa peruana. El aprendizaje automtico es un campo inminente de la informtica que
puede aplicarse al sector agrcola con bastante eficiencia. Puede facilitar la mejora de las tcnicas de
los cultivos convencionales en el enfoque ms econmico. El propsito de este trabajo fue en
ampliar el horizonte de la agricultura mediante la inclusin y evaluacin de las diferentes
tcnicas del aprendizaje de mquinas en la agricultura altoandina y ayudar a los agricultores a
avanzar en su trabajo de producir alimentos.

Palabras clave: Agricultura altoandina, aprendizaje automtico, inteligencia artificial.

comunicacin entre expertos humanos y con

1. Introduccin
El aprendizaje automtico es una tecnologa
emergente que puede ayudar en el
descubrimiento de nuevas reglas y patrones
en conjuntos de datos. Se ha observado con
frecuencia que el volumen de datos grabados
est creciendo a un ritmo asombroso que
supera en mucho nuestra capacidad de darle
sentido, y la frase "minera de datos" se
utiliza ahora para describir los esfuerzos para
analizar automticamente los conjuntos de
datos estructurales significativos (Piatetsky-
Shapiro y Frawley, 1991). Las aplicaciones
potenciales de estas tcnicas en campos como
la agricultura y la horticultura son amplias.
Hay muchas formas posibles de capitalizar
cualquier patrn que se descubra. Por
ejemplo, su capacidad predictiva implcita
podra ser incorporada en procesos
automticos, tales como sistemas expertos, o
podran ser utilizados directamente para la
fines educativos.
La agricultura es la columna vertebral de
cada economa. En un pas como el Per, que
tiene cada vez mayor demanda de alimentos
debido al aumento de la poblacin, los
avances en el sector agrcola son necesarios
para satisfacer las necesidades. Para agregar a
ello, las condiciones econmicas actuales y
las polticas gubernamentales del Per son
tales que requiere la adopcin de la
agricultura de Precisin o la agricultura
inteligente. Esto permitir a los agricultores
maximizar los rendimientos de sus cultivos y
minimizar los costos de los insumos, as
como las prdidas debidas a razones como
precipitaciones inciertas, sequas, heladas,
etc. El sector agrcola necesita una gran
informacin para sobrevivir a las cambiantes
condiciones de la economa peruana. A lo
largo de los avances en las mquinas y
tecnologas utilizadas en la agricultura, la
informacin til y precisa sobre diferentes
INFO, 2017
materias tambin juega un papel significativo
en ella. Esta informacin se est recopilando
mediante el uso de sensores remotos,
imgenes de satlite, encuestas, etc. Esta
informacin junto con el conocimiento de los
expertos en la materia y los investigadores
deben estar fcilmente disponibles para los
agricultores con el fin de explotar su
potencial. Adems, a medida que la cantidad
de esa informacin est aumentando
gradualmente, existe la necesidad urgente de
analizarla para extraer conocimiento y
patrones tiles. Aqu es donde la informtica
y la tecnologa entra en vigencia para poder
resolver estos problemas de la agricultura.
Dentro del objetivo que se planteo en el
siguiente trabajo de investigacin fue en
conocer y aplicar las tcnicas de aprendizaje
automtico para la agricultura altoandina de
Per.
2. Marco terico
2.1. Aprendizaje automtico
Como se usa en el lenguaje cotidiano,
"aprender" es un trmino muy amplio que
denota la obtencin de conocimiento,
habilidad y comprensin de la instruccin, la
experiencia o la reflexin. Para los fines del
presente trabajo, lo tomamos en un sentido
mucho ms especfico para denotar la
adquisicin de descripciones estructurales a
partir de ejemplos de lo que se est
describiendo. Hay muchas otras palabras que
podran ser usadas para significar mucho lo
mismo; De hecho, otros han definido
trminos como "generalizacin" (Schank et
al., 1986), "Aprendizaje inductivo"
(Michalski, 1983) y "Modelamiento
inductivo" (Angluin & Smith, 1983) de
formas casi idnticas. Por otra parte, lo que se
aprende (nuestra descripcin estructural) a
veces se denomina una "generalizacin", una
"descripcin", un "concepto", un "modelo",
una "hiptesis". Simplemente se usa el
trmino "concepto" para denotar la
descripcin estructural que la mquina
adquiere.
El "aprendizaje" en este sentido implica la
adquisicin de descripciones que hacen
explcita la estructura de generalizaciones.
Esto descarta una serie de paradigmas del
software interesantes que pueden paralelizar
2
el proceso de adquisicin de habilidades en
los seres humanos por aprender a hacer algo
sin codificar este conocimiento en una forma
que es fcil de interpretar. Un ejemplo son los
modelos conexionistas de aprendizaje, que
incorporan el conocimiento en espacios
numricamente parametrizados de gran
dimensin y transforman as el aprendizaje en
un proceso de ajuste de peso. Otro ejemplo
son los algoritmos genticos, que emulan una
forma evolutiva de adaptacin por mutacin y
seleccin natural. Un tercer ejemplo es la
compresin de texto adaptativo, que crea un
modelo de texto entrante y lo utiliza para
predecir los prximos caracteres. La razn
por la que estamos dispuestos a descartar
estos esquemas es que prevemos que en el
dominio de la aplicacin que se est
considerando, los conocimientos adquiridos
sern frecuentemente utilizados para fines de
comunicacin y las descripciones implcitas
que se utilizan en estos esquemas y no
pueden ser comunicadas entre personas Ni
entre mquinas que tengan arquitecturas
diferentes.
2.2. Aprendizaje automtico y sus tcnicas
Aprendizaje automtico es la rama de la
informtica que se utiliza para construir
algoritmos que exhiben la propiedad de
autoaprendizaje, es decir, el aprendizaje que
se realiza por la propia mquina por lo tanto,
el trmino "Aprendizaje automtico". Se
considera que es una de las reas principales
de la Inteligencia Artificial. Para que una
mquina se vuelva inteligente como una
mente humana, tiene que primero pensar y
aprender como un ser humano. La mente
humana aprende de los datos y experiencias
pasados a los que est expuesta y basado en
la toma decisiones en el futuro. Cualquier
algoritmo de computadora convencional
funciona como est programado por su
desarrollador. En otras palabras, slo seguir
las instrucciones dadas por su controlador.
Para que una mquina muestre inteligencia,
tiene que interpretar y analizar los datos de
entrada y resultado aparte de simplemente
seguir las instrucciones en esos datos. Esto es
lo que hacen los algoritmos de aprendizaje de
mquina.
Estos algoritmos pueden construir el modelo
del sistema a partir de los datos de entrada y
salida. El sistema se puede utilizar para
INFO, 2017 3

predecir valores futuros. Estos mtodos son 3. Metodologa de solucin

mucho mejores que los mtodos estadsticos
convencionales, ya que no se basan en los
parmetros especificados por el usuario sino
que se auto-improvisan utilizando los datos
disponibles. Las aplicaciones del aprendizaje
automtico son multidisciplinarias donde no
se pueden construir algoritmos tradicionales
basados en reglas o no se pueden obtener
resultados correctos. Uno de esos campos es
la agricultura. Hay tres tipos de aprendizaje
automtico:
N
Existen diferentes tcnicas de aprendizaje
mecnico en la agricultura. Estas tcnicas
mejorarn la productividad de los campos
junto con una reduccin en los esfuerzos de
los agricultores, estas se sealan en la
siguiente tabla.
Tabla N 1. Aplicaciones del Aprendizaje
Automtico en la Agricultura
Campos de Estudio Algoritmos Usados

A. Aprendizaje Supervisado. Al algoritmo Seleccin de cultivos

se le dan algunos ejemplos de entrenamiento y prediccin del Algoritmos de
1
sobre la base de los cuales puede estudiar las rendimiento de los clasificacin
entradas y sus salidas correspondientes. Por cultivos
ejemplo, mostrar a un nio la bandera de un
pas y tambin decirle el nombre del pas al Redes neuronales
que pertenece. Si se proporcionan las
variables de salida, se supervisa el Redes neurales de
aprendizaje. Problemas como la clasificacin propagacin posterior
y la regresin entran en esta categora. Los
algoritmos de aprendizaje supervisados Soporte de mquinas
populares son redes neuronales artificiales, 2 Prediccin del clima
vectoriales
rboles de decisin, clustering de K-medias,
mquinas del vector de la ayuda, redes
Sistema de riego Algoritmos generales de
bayesian, etc. 3
inteligente aprendizaje de mquinas
B. Aprendizaje sin supervisin. Cuando el
algoritmo no se proporciona con ninguna Prediccin de
Soporte de mquinas
salida, se dice que el aprendizaje no est 4 enfermedades de
vectoriales
supervisado. Por ejemplo, si leemos un libro cultivos
en un idioma que no sabemos, no entendemos
nada, pero seguimos leyendo o observando Reconocimiento de
que identificaremos ciertos patrones de patrones
palabras lentamente empiecen a entender. Los
algoritmos que implican tcnicas de Redes neuronales
agrupacin pertenecen a esta categora. Los artificiales, rboles de
algoritmos de aprendizaje no supervisados decisiones.
mas populares son: mapas de caractersticas
autoorganizadas, COBWEB, DBSCAN, etc. Tcnicas de
Decidir el precio
5 clasificacin, las redes
mnimo de soporte
C. Aprendizaje de refuerzo. Este tipo de neuronales.
aprendizaje funciona sobre el principio de
retroalimentacin. Cada accin tiene su 4. Resultados obtenidos
impacto en el sistema, el cual es reportado al
Interfaz principal donde se lista los
algoritmo. El algoritmo modifica su
algoritmos expertos que se desarrollaron para
comportamiento de acuerdo a la
el trabajo de investigacin.
retroalimentacin recibida. Los algoritmos
populares son algoritmos genticos,
algoritmos de decisin de Markov, etc.
INFO, 2017 4

rendimiento o produccin que depender de 4

variables que definiremos.

4.1. CLUSTERING.
El objetivo del clustering no es clasificar,
estimar o predecir una variable; sino entender
la estructura macroscpica y relaciones entre
objetos, considerando las maneras en las que
estos son similares y diferentes. En otras
palabras, se enfoca en segmentar el conjunto En el ejemplo se usa como datos de
completo de datos en subgrupos homogneos. entrenamiento a las variables como : cultivo ,
A los objetos con cierta similaridad se los uso fertilizante , control biolgico y anlisis
agrupa en clster. de suelo quienes son significativos para el
rendimiento del mismo cultivo.

Tambin podemos usar los ajuste para definir

con cuantos datos se va a entrenar la red
neuronal , cabe mencionar que a mas datos se
usen para entrenar , mayor tiempo y mayor
uso de recursos se usara.

Se elije 2 variables para poder para poder

analizarlo y segmentarlos, vemos el versus de
2 variables (Clima, productividad, rea de
siembra, riego, etc.), agrupados de acuerdo
con el tipo de cultivo y al presionar el botn
generar, podremos visualizar el grfico de
clustering.
Una vez terminamos de entrenar a la red ,
veremos la barra de progreso hasta el 100 %
4.2. REDES NEURONALES.
y nos saldr el aviso

El algoritmo de redes neuronales nos ayuda

en la prediccin de datos a partir de nuestros Una vez terminada el entrenamiento llenaron
los datos con valores de variables respectivas
datos empricos para el entrenamiento de
est. como los que seleccionamos anteriormente
En el ejemplo implementado usamos como
entrada 4 variables y una salida , con estos
datos estamos definiendo las variables que
sern significativos para la salida, como el
INFO, 2017 5

Learning. Ann Arbor, MI: Morgan

Kaufmann: 54- 64

DeJong, G. and Mooney, R. 1986.

Explanation-based learning: an alternative
view. Machine Learning 1(2): 145-176

Fisher, D., 1987. Knowledge Acquisition Via

Podemos ver que ingresamos valores de 0 y 1
por el momento para definir si es usa la
varible o no, en este caso al poner 0 en la
segunda varible estamos diciendo al
algoritmo que no se esta usando fertilizante
por lo que afectara al rendimiento de la
produccin y que tendremos un rendimiento
medio.
5. Conclusiones y recomendaciones
Actualmente se tiene implementado
varias tcnicas de aprendizaje
automtico para la agricultura
altoandina de Per
Se cuenta con una herramienta
informtica para la mejor toma de
decisiones en los cultivos altoandinos
Se tiene que seguir trabajando en la
mejora de los algoritmos
desarrollados en la investigacin.
Incremental Conceptual Clustering. Machine
Learning, 2: 139172.
Gaines, B.R., 1991. The trade-off between
knowledge and data in knowledge
acquisition. In PiatetskyShapiro and
Frawley, 1991: 491505.
Haussler, D., 1987. Learning conjunctive
concepts in structural domains. Proc. AAAI:
466 470.
Michalski, R.S., 1983. A theory and
methodology of inductive learning. Artificial
Intelligence, 20: 111161.
Pazzani, M. and Kibler, D. 1992, The utility
of knowledge in inductive learning. Machine
Learning 9(1), 57-94
Quinlan, J.R., 1986. Induction of decision
trees. Machine Learning, 1: 81106.

Witten, I.H. and MacDonald, B.A. 1988

Agradecimientos
Using concept learning for knowledge
Agradecimiento al proyecto de investigacin
acquisition, Int. J. Man Machine Studies.
estratgica: Desarrrollo de un sistema de
29(2) 171-196
soporte de deciciones con el uso de drones
para la gestin, optimizacin y control de
sistemas agrarios altoandinos frente al
cambio climtico, por la informacin
proporcionada de los estudios de lnea base.
Referencias
Angluin, D. and Smith, C.H., 1983. Inductive
inference: theory and methods. Computing
Surveys, 15: 237269.

Breiman, L., and Friedman, J.H., Olshen, R.,

and Stone C., 1984. Classification and
regression trees. Wadsworth International
Group; Belmont, California.

Cheeseman, P., Kelly, J., Self, M., Stutz, J.,

Taylor, W., and Freeman, D., 1988.
AUTOCLASS: A Bayesian classification
system. In: Laird, J. (Editor), Proc. of the
Fifth International Conference on Machine