Anda di halaman 1dari 5

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 fines educativos.
La agricultura es la columna vertebral de
El aprendizaje automtico es una tecnologa cada economa. En un pas como el Per, que
emergente que puede ayudar en el tiene cada vez mayor demanda de alimentos
descubrimiento de nuevas reglas y patrones debido al aumento de la poblacin, los
en conjuntos de datos. Se ha observado con avances en el sector agrcola son necesarios
frecuencia que el volumen de datos grabados para satisfacer las necesidades. Para agregar a
est creciendo a un ritmo asombroso que ello, las condiciones econmicas actuales y
supera en mucho nuestra capacidad de darle las polticas gubernamentales del Per son
sentido, y la frase "minera de datos" se tales que requiere la adopcin de la
utiliza ahora para describir los esfuerzos para agricultura de Precisin o la agricultura
analizar automticamente los conjuntos de inteligente. Esto permitir a los agricultores
datos estructurales significativos (Piatetsky- maximizar los rendimientos de sus cultivos y
Shapiro y Frawley, 1991). Las aplicaciones minimizar los costos de los insumos, as
potenciales de estas tcnicas en campos como como las prdidas debidas a razones como
la agricultura y la horticultura son amplias. precipitaciones inciertas, sequas, heladas,
Hay muchas formas posibles de capitalizar etc. El sector agrcola necesita una gran
cualquier patrn que se descubra. Por informacin para sobrevivir a las cambiantes
ejemplo, su capacidad predictiva implcita condiciones de la economa peruana. A lo
podra ser incorporada en procesos largo de los avances en las mquinas y
automticos, tales como sistemas expertos, o tecnologas utilizadas en la agricultura, la
podran ser utilizados directamente para la informacin til y precisa sobre diferentes
INFO, 2017 2

materias tambin juega un papel significativo el proceso de adquisicin de habilidades en


en ella. Esta informacin se est recopilando los seres humanos por aprender a hacer algo
mediante el uso de sensores remotos, sin codificar este conocimiento en una forma
imgenes de satlite, encuestas, etc. Esta que es fcil de interpretar. Un ejemplo son los
informacin junto con el conocimiento de los modelos conexionistas de aprendizaje, que
expertos en la materia y los investigadores incorporan el conocimiento en espacios
deben estar fcilmente disponibles para los numricamente parametrizados de gran
agricultores con el fin de explotar su dimensin y transforman as el aprendizaje en
potencial. Adems, a medida que la cantidad un proceso de ajuste de peso. Otro ejemplo
de esa informacin est aumentando son los algoritmos genticos, que emulan una
gradualmente, existe la necesidad urgente de forma evolutiva de adaptacin por mutacin y
analizarla para extraer conocimiento y seleccin natural. Un tercer ejemplo es la
patrones tiles. Aqu es donde la informtica compresin de texto adaptativo, que crea un
y la tecnologa entra en vigencia para poder modelo de texto entrante y lo utiliza para
resolver estos problemas de la agricultura. predecir los prximos caracteres. La razn
Dentro del objetivo que se planteo en el por la que estamos dispuestos a descartar
siguiente trabajo de investigacin fue en estos esquemas es que prevemos que en el
conocer y aplicar las tcnicas de aprendizaje dominio de la aplicacin que se est
automtico para la agricultura altoandina de considerando, los conocimientos adquiridos
Per. sern frecuentemente utilizados para fines de
comunicacin y las descripciones implcitas
que se utilizan en estos esquemas y no
2. Marco terico pueden ser comunicadas entre personas Ni
entre mquinas que tengan arquitecturas
2.1. Aprendizaje automtico diferentes.
Como se usa en el lenguaje cotidiano,
"aprender" es un trmino muy amplio que 2.2. Aprendizaje automtico y sus tcnicas
denota la obtencin de conocimiento, Aprendizaje automtico es la rama de la
habilidad y comprensin de la instruccin, la informtica que se utiliza para construir
experiencia o la reflexin. Para los fines del algoritmos que exhiben la propiedad de
presente trabajo, lo tomamos en un sentido autoaprendizaje, es decir, el aprendizaje que
mucho ms especfico para denotar la se realiza por la propia mquina por lo tanto,
adquisicin de descripciones estructurales a el trmino "Aprendizaje automtico". Se
partir de ejemplos de lo que se est considera que es una de las reas principales
describiendo. Hay muchas otras palabras que de la Inteligencia Artificial. Para que una
podran ser usadas para significar mucho lo mquina se vuelva inteligente como una
mismo; De hecho, otros han definido mente humana, tiene que primero pensar y
trminos como "generalizacin" (Schank et aprender como un ser humano. La mente
al., 1986), "Aprendizaje inductivo" humana aprende de los datos y experiencias
(Michalski, 1983) y "Modelamiento pasados a los que est expuesta y basado en
inductivo" (Angluin & Smith, 1983) de la toma decisiones en el futuro. Cualquier
formas casi idnticas. Por otra parte, lo que se algoritmo de computadora convencional
aprende (nuestra descripcin estructural) a funciona como est programado por su
veces se denomina una "generalizacin", una desarrollador. En otras palabras, slo seguir
"descripcin", un "concepto", un "modelo", las instrucciones dadas por su controlador.
una "hiptesis". Simplemente se usa el Para que una mquina muestre inteligencia,
trmino "concepto" para denotar la tiene que interpretar y analizar los datos de
descripcin estructural que la mquina entrada y resultado aparte de simplemente
adquiere. seguir las instrucciones en esos datos. Esto es
El "aprendizaje" en este sentido implica la lo que hacen los algoritmos de aprendizaje de
adquisicin de descripciones que hacen mquina.
explcita la estructura de generalizaciones. Estos algoritmos pueden construir el modelo
Esto descarta una serie de paradigmas del del sistema a partir de los datos de entrada y
software interesantes que pueden paralelizar 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 Existen diferentes tcnicas de aprendizaje
convencionales, ya que no se basan en los mecnico en la agricultura. Estas tcnicas
parmetros especificados por el usuario sino mejorarn la productividad de los campos
que se auto-improvisan utilizando los datos junto con una reduccin en los esfuerzos de
disponibles. Las aplicaciones del aprendizaje los agricultores, estas se sealan en la
automtico son multidisciplinarias donde no siguiente tabla.
se pueden construir algoritmos tradicionales
basados en reglas o no se pueden obtener Tabla N 1. Aplicaciones del Aprendizaje
resultados correctos. Uno de esos campos es Automtico en la Agricultura
la agricultura. Hay tres tipos de aprendizaje
automtico: Campos de Estudio Algoritmos Usados
N

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


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