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

Mapas de Kohonen como una herramienta visual de apoyo al soporte de decisiones en agroecología Caso de estudio: La caña de azúcar Miguel BARRETO Investigador 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

“ triple I” I ncremental modeling I ntegration of heterogeneous data I ntelligent visualization 4th dimension : model validation (usefulness & biological response) model exploitation

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 La inspiración biológica Mapas Autoorganizados Al final del aprendizaje neuronas con características similares se ubican cerca unas de otras. Red de Neuronas Proceso de aprendizaje por competición Bioinspirado Biológico Ejemplos Estímulos del espacio de entrada

Descomposición del SOM en sus componentes Kohonen(1997) Planos que componen los vectores SOM SOM n = variables de entrada a b c d Vector = [a,b,c,d]

Planos que componen los vectores SOM Planos que componen el SOM Vector = [a,b,c,d] a b c d

Neuronas 1 1 1 1

Buscando correlaciones

Correlaciones parciales

Buscar correlaciones

Componentes proyectados SOM proyectados en otro SOM Vesanto, 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

Productividad correlación absoluta

Datos de manejo

Datos de Manejo:

Total Observaciones: 1881

Total de variables después de la

binarización : 97

1992-2005

Incompleta Bioestimulante (aplicación DDC-DDS) Todas Zona agroecologica Incompleta Precipitación Incompleta Subsuelo Incompleta Arvenses (pre-emergente, 1er control, 2do control) Incompleta Número de riegos Incompleta Fertilización (DDS, DDC, unidades de N,P,K) Incompleta Madurante (aplicación si o no, DAC, productos) Todas Tipo de corte (quemada, verde) Todas Tipo de labranza Todas Suelo (Orden-Serie) Todas Bandereo en siembra Todas Distancia entre surcos Todas Edad de corte Todas Brix Todas Sacarosa Todas TAH – TAHM Todas Rendimiento Todas TCH – TCHM Todas Numero de cortes Todas Variedad Todas Edad Todas Área Muestras Variable

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