View
2.160
Download
0
Category
Preview:
Citation preview
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
Recommended