51
Propuestas metodológicas para el análisis de la información en la agricultura específica por sitio en frutales Con la participación de : Secretarias técnicas de las cadenas productivas (mango, aguacate, cítricos, plátano)

AESCE - Metodologías del Análisis de la información

Embed Size (px)

DESCRIPTION

Metodologías para el análisis de la información para la agricultura específica por sitioDaniel Jiménez

Citation preview

Page 1: AESCE - Metodologías del Análisis de la información

Propuestas metodológicas para el análisis de la información en  la agricultura

específica por sitio  en frutales

Con la participación de :

Secretarias técnicas de las cadenas productivas (mango, aguacate, cítricos, plátano)

Page 2: AESCE - Metodologías del Análisis de la información

Agricultura de precisión (AP)

Agricultura específica por sitio (AEPS)

Referencias:

Plant, 2001. Computers and electronics in agriculture.Jiménez et al., 2009. Computers and electronics in agricultureJiménez et al., 2010. Agricultural Systems

• Manejo de lotes a mayor escala/resolución dentro del lote

• Mide la variación dentro del lote

• Analiza el efecto de un factor o factor por factor sobre la productividad.

• Modelos requieren conocimiento detallado de procesos involucrados en el crecmiento de las plantas.

• Manejo de lotes según sus caractérísticas particulares

• Mide la variación entre lotes

• Analiza la combinación de factores sobre su efecto en la productividad

• Modelos construidos con limitado conocimiento acerca de la interacción de los factores que determinan el crecimiento de una planta (caña, café)

Page 3: AESCE - Metodologías del Análisis de la información

Variación dentro del lote

• Elementos Fertilización• Agua Riegos• Plagas y enfermedades Manejo fitosanitario

Agricultura de Precisión (AP)

Page 4: AESCE - Metodologías del Análisis de la información

www.frutisitio.orgAgricultura específica por sitio compartiendo experiencias (AESCE)

Es un área definida por el productor y se diferencian claramente de otras por características ambientales, prácticas agrícolas o características del cultivar establecido en ella.

Las unidades de manejo existen debido a razones naturales como  las diferencias en las características de los suelos, climáticas o  topográficas, o debido a la intervención del agricultor quien implementa y experimenta con diversas prácticas agrícolas.

Edad de las plantas

Tipo de suelo

Tipos de manejo

Variedad

6

3

6

Agricultura Específica por Sitio (AEPS)

Page 5: AESCE - Metodologías del Análisis de la información

www.frutisitio.orgAgricultura específica por sitio compartiendo experiencias (AESCE)

AP – AESCE …. Que implementar?

Banano

APAEPSSensores remotoAutomatización

Investigación

Frutales Tropicales

Algunos forestales Caña

Es cuestión de investigar y avanzar en la medida del compromiso de los actores

MaizTrigoSoyaCafé

Page 6: AESCE - Metodologías del Análisis de la información

www.frutisitio.orgAgricultura específica por sitio compartiendo experiencias (AESCE)

Antecedentes AEPS en Colombia

• Caña de azúcar: CENICAÑA ( mas de 20 años)

• Camarones: Ceniacua

• Café : CIAT– Federación nacional de cafeteros

• Frutales sin gremios organizados: BIOTEC – CIAT – HEIG-VD

Alrededor de 8 años de experiencia en el tema – 6 años

detrás de la idea en frutales tropicales

Page 7: AESCE - Metodologías del Análisis de la información

www.frutisitio.orgAgricultura específica por sitio compartiendo experiencias (AESCE)

Definición Agricultura Específica por Sitio

Según CENICAÑA: El arte de realizar las prácticas agronómicas requeridas por un cultivo de acuerdo con las condiciones espaciales y temporales del sitio donde se cultiva, para obtener de ella su rendimiento potencial. (Isaacs et al., 2004)

Page 8: AESCE - Metodologías del Análisis de la información

0.2

0.4

0.6

0.8

1.0

1.2

1.4

1.6

1960 1965 1970 1975 1980 1985 1990 1995 2000 2005 2010

Año

TAH

M

SSA= Site Specific Agriculture

Broad Adaptation development

Technology development for local

conditions based on SSA

Imported technology

Tons of sugar per ha per month

0.2

0.4

0.6

0.8

1.0

1.2

1.4

1.6

1960 1965 1970 1975 1980 1985 1990 1995 2000 2005 2010

Año

TA

HM

Tecnología AutóctonaTecnología Autóctona

Tecnologia ImportadaTecnologia Importada

AEPS

Cenicaña

Caña de azúcar y AEPS:

Nota: un taller realizado en oct 2010, CENICAÑA ilustro que en sus investigaciones recientes se esta integrando información de las practicas que hacen cañicultores poco y muy exitosos para aprender de lo que realizan

Page 9: AESCE - Metodologías del Análisis de la información

Cap

acit

ació

n

Sis

tem

as d

e in

form

ació

n

3 x

Co

ord

inac

ión

1er año 3er año

Recopilación “eventos”(sistema centralizado)

Sistema de monitoreo

(sistema descentralizado)

1

2

Contacto con actores

Protocolos de análisisautomatizados

3

Análisis de datos

Formación de grupos

Entrega del conocimiento adquirido

Page 10: AESCE - Metodologías del Análisis de la información

www.frutisitio.orgAgricultura específica por sitio compartiendo experiencias (AESCE)

Componentes generales del proyecto AESCE

•Recopilar información sobre las características ambientales de los sitios y las experiencias o "eventos" de los agricultores

•Analizar e interpretar la información recopilada.

•Grupos de productores (compartiendo experiencias - Conocimiento colectivo)

Page 11: AESCE - Metodologías del Análisis de la información

www.frutisitio.orgAgricultura específica por sitio compartiendo experiencias (AESCE)

Principio 1 Principio 2 Principio 3

Principios AESCE

Cultura de medición Conocimiento colectivo Uso de tecnología

Page 12: AESCE - Metodologías del Análisis de la información

www.frutisitio.orgAgricultura específica por sitio compartiendo experiencias (AESCE)

Clima Topografía y

paisaje

Relieve y Suelo

Manejo del cultivo

• Productividad y calidad• Condiciones ambientales ideales

• Prácticas mas adecuadas• Adaptación de variedades

AESCE información de entrada y de salida

Page 13: AESCE - Metodologías del Análisis de la información

Caracterización de los sitios de producción

Clima

Page 14: AESCE - Metodologías del Análisis de la información

GTOPO30

SRTM

Topografia

Page 15: AESCE - Metodologías del Análisis de la información

PaisajeElevation Slope Aspect Landscape Class

MoistureSolar RadiationExposureCurvature

Page 16: AESCE - Metodologías del Análisis de la información

www.frutisitio.orgAgricultura específica por sitio compartiendo experiencias (AESCE)

RASTACaracteriza  los suelos y terreno  en forma rápida, confiable y sencilla

en el sitio

Suelos

Page 17: AESCE - Metodologías del Análisis de la información

Suelos: RASTA:

Page 18: AESCE - Metodologías del Análisis de la información

www.frutisitio.orgAgricultura específica por sitio compartiendo experiencias (AESCE)

• Formato de registro (unidades, tipo)

• Dispositivos parametrizados

• Control en tiempo real

Oportunidades actuales para la compilación de la información en bases de datos

Manejo (información básica y de monitoreo)

www.frutisitio.org

Page 19: AESCE - Metodologías del Análisis de la información

www.frutisitio.orgAgricultura específica por sitio compartiendo experiencias (AESCE)

1. Proyecto AESCE: Metodologías empleadas en la modelación de respuestas de los árboles frutales

Regresiones (lineales y no lineales)

Obs Clima Suelos Kilos/lote

1 X1 X2 X3 X4 X5 X6 …Xn Y1

2 X1 X2 X3 X4 X5 X6 …Xn Y2

3 X1 X2 X3 X4 X5 X6 …Xn Y3

4 Y4

…..

70000

X1 X2 X3 X4 X5 X6 …Xn Y70000

Page 20: AESCE - Metodologías del Análisis de la información

www.frutisitio.orgAgricultura específica por sitio compartiendo experiencias (AESCE)

Regresiones (lineales y no lineales)

Formato de información

Page 21: AESCE - Metodologías del Análisis de la información

www.frutisitio.orgAgricultura específica por sitio compartiendo experiencias (AESCE)

Proyecto AESCE :Metodologías empleadas en la modelación de respuestas de los árboles frutales

Regresiones lineales

• OLS: (Ordinary least squares)

• Regresiones robustas: (permiten contrarrestar la influencia de

outliers)

• BLUP (Best Linear Unbiased Predictor ): permiten estimar efectos

fijos o aleatorios

Kilos/lote = Clima (b1) + Suelos (b2) + manejo (b3) + (B)

Page 22: AESCE - Metodologías del Análisis de la información

www.frutisitio.orgAgricultura específica por sitio compartiendo experiencias (AESCE)

Capa Oculta

Perceptron Multicapa

Neurona

Función de activación

Algoritmo de aprendizaje

BackpropagationFeed-Forward

Pesos

BiasConexiones

Arquitectura

Capa de entrada

Capa de salida

Capa de salida

Variables de entrada

Variables de salida

Inteligencia Artificial

Caja negra Redes supervisadas

Redes no supervisadas

Predicción

Clasificación

Clustering

Entrenamiento

Aprendizaje

Interpolación

Función de error

Curse of dimensionality

Pre procesamiento de datos

Modelo no lineal

Redes Neuronales Artificiales

Mapas de Kohonen Pesos en la capa de entrada

Conjunto de datos

Ajuste del modelo

Precisión del modelo

Clasificación

Validación

Conjunto de prueba

Conjunto de prueba

Reconocimiento de patrones

Mínimo local

Mínimo global

Modelos no lineales

Page 23: AESCE - Metodologías del Análisis de la información

Proyecto AESCE :Metodologías empleadas en la modelación de respuestas de los árboles frutales

Regresiones no lineales (redes neuronales artificiales)

Kilos/lote

Suelos

Manejo

Info

adicional

Parámetro

Mat.

Parámetro

Mat.

Parámetro

Mat.

Clima

Ba

ses

de

da

tos

Page 24: AESCE - Metodologías del Análisis de la información

V1

V2

V3

V4

V5

V60

sp1

V1

V2

V3

V4

V5

V60

sp1

Predicho

RealEE

Regresiones no lineales (redes neuronales artificiales – perceptron multi -capa)

V1 V2 V3 V4 V5 … V60 L 2 L 3 L 4 L 5 … Kg/lote

Obs 1 0.1 18 3 312 0.3 … 89 0 1 0 1 0 … 2.39Obs 2 0.2 15 4 526 0.1 … 52 1 0 0 0 1 … 30.35Obs 3 0.6 14 1 489 0.2 … 64 0 1 1 1 1 … 42.25Obs 4 0.05 19 2 523 0.5 … 13 0 0 0 0 1 … 52.50Obs 5 0.4 13 3 214 0.6 … 57 1 1 1 1 1 …

Obs 6 0.8 12 4 265 0.4 … 24 1 1 0 1 0 … 82.25Obs 7 0.2 15 1 236 0.8 … 26 0 0 1 0 0 … 89.28Obs 8 0.1 17 3 541 0.1 … 35 0 1 1 1 0 … 125.0Obs9 0.6 16 2 845 0.3 … 51 0 0 1 1 0 … 142.8Obs10 0.1 18 1 126 0.1 … 43 1 1 0 0 1 … 150.0

… … … … … … … … … … … … … … …

Obs3000 0.04 15 3 235 0.6 … 85 1 1 1 1 0 … 180

L 1

Ob

s 1

Ob

s 2

Ob

s 3

Ob

s 4

Ob

s 5

Ob

s 6

Ob

s 7

Ob

s 8

Ob

s 9

Ob

s 1

0

Ob

s3

00

0

0.1 0.2 0.6 0.05 0.4 0.8 0.2 0.1 0.6 0.1 … 0.04

18 15 14 19 13 12 15 17 16 18 … 15

3 4 1 2 3 4 1 3 2 1 … 3

312 526 489 523 214 265 236 541 845 126 … 235

0.3 0.1 0.2 0.5 0.6 0.4 0.8 0.1 0.3 0.1 … 0.6

… … … … … … … … … … … …

89 52 64 13 57 24 26 35 51 43 … 85

Ob

s 1

Ob

s 2

Ob

s 3

Ob

s 4

Ob

s 5

Ob

s 6

Ob

s 7

Ob

s 8

Ob

s 9

Ob

s 1

0

Ob

s3

00

0

2.3 30.3 42.5 52.5 82.2 89.2 125 142 150 … 180

Ob

s 1

Ob

s 2

Ob

s 3

Ob

s 4

Ob

s 5

Ob

s 6

Ob

s 7

Ob

s 8

Ob

s 9

Ob

s 1

0

Ob

s3

00

0

3.07 29.8 54 60 … 90 100 150 170 149 … 192

Predicciónes

Ob

s 1

Ob

s 2

Ob

s 3

Ob

s 4

Ob

s 5

Ob

s 6

Ob

s 7

Ob

s 8

Ob

s 9

Ob

s 1

0

Ob

s3

00

0

2.07 29.0 53.5 50.5 89.5 99.2 120172 170 … 188

Page 25: AESCE - Metodologías del Análisis de la información

Datos cualitativos

observado

predicho

site

1

site

2

site

3

site

4

site

5

site

6

site

7

site

8

site

9

site

10

0.01 0.95 0.5 0.4 0.6 0.9 0.9 0.2 0.1 0.8

0 1 0 0 1 1 0 0 0 1

0 1 1 0 1 1 1 0 0 1

Puntaje= # de classificaciones correctas # total de objetos a classificar

Puntaje=8/10=80%

10 25 12 22 14 3 5 9 1 4

site

1

site

2

site

3

site

4

site

5

site

6

site

7

site

8

site

9

site

10

11 22 11 21 15 2 3 5 0 1

0

5

10

15

20

25

0 5 10 15 20 25 30

Observées

Pré

dit

es

Validación: test Kappa

y = 0.8927x + 0.0157

R2 = 0.9

-0.2

0.3

0.8

1.3

1.8

-0.2 0.3 0.8 1.3 1.8

Real

Pre

dic

ted

Predicted

Regresiones no lineales (redes neuronales artificiales – perceptron multi -capa)

observado

predicho

Datos cuantitativos

Page 26: AESCE - Metodologías del Análisis de la información

26

www.frutisitio.orgAgricultura específica por sitio compartiendo experiencias (AESCE)

Dependencia de variables Calidad de vida en el mundo

• Estadísticas del banco mundial sobre varios países en el año 1992

• 39 indicadores fueron tomados describiendo varios factores de calidad de vida tales como salud, nutrición, calida de los servicios públicos, acceso a la educación etc.

• Países que tenían indicadores similares se ubicaron cerca el uno del otro en el mapa.

• Realizado con datos faltantes

Métodos de Clustering (redes neuronales artificiales – Mapas de Kohonen)

Page 27: AESCE - Metodologías del Análisis de la información

Iris setosa Iris versicolor Iris virgínica

Base de datos plantas de Iris

Variables (1.Longitud sépalo, 2. Ancho sépalo, 3.Longitud pétalo, 4.Ancho pétalo)

Métodos de Clustering (redes neuronales artificiales – Mapas de Kohonen)

Dependencia de variables

Page 28: AESCE - Metodologías del Análisis de la información

Iris setosa Iris versicolor Iris virgínica

Distribución de Iris

Dependencia de variables

Métodos de Clustering (redes neuronales artificiales – Mapas de Kohonen)

Page 29: AESCE - Metodologías del Análisis de la información

Iris setosa

Iris versicolor

Iris virgínica

Base de datos plantas de Iris

Kohonen map

Dependencia de variables

Métodos de Clustering (redes neuronales artificiales – Mapas de Kohonen)

Page 30: AESCE - Metodologías del Análisis de la información

Iris setosa

Iris versicolor

Iris virgínica

Dependencia de variables

Métodos de Clustering (redes neuronales artificiales – Mapas de Kohonen)

Base de datos plantas de Iris

Page 31: AESCE - Metodologías del Análisis de la información

Caso de estudio: Mora (Rubus glaucus) – Modelo correcto:

(Jiménez, D., Cock, J., Satizábal, F., Barreto, M., Pérez-Uribe, A., Jarvis, A. and Van Damme, P., 2009. Computers and Electronics in Agriculture. 69 (2): 198–208

Ejemplos reales en frutales en Colombia

(Redes neuronales artificiales en regresión y visualización de dependencia de variables)

-0.2 0.3 0.8 1.3 1.8

-0.2

0.3

0.8

1.3

1.8

f(x) = 0.892655122481665 x + 0.0157451798619759R² = 0.891999243225333

Predicted

Real yield (kg/plant/week)

Pre

dict

ed y

ield

(kg/

plan

t/w

eek)

Page 32: AESCE - Metodologías del Análisis de la información

Caso de estudio: Mora (Rubus glaucus) - Análisis de relevancia:

(Jiménez, D., Cock, J., Satizábal, F., Barreto, M., Pérez-Uribe, A., Jarvis, A. and Van Damme, P., 2009. Computers and Electronics in Agriculture. 69 (2): 198–208

Ejemplos reales en frutales en Colombia

(Redes neuronales artificiales en regresión y visualización de dependencia de variables)

Page 33: AESCE - Metodologías del Análisis de la información

(a) Plano indicando la productividad de mora. La escala a la derecha indica el valor de productividad kg/planta/semana. La parte superior indica valores altos de producción mientras la parte inferior muestra bajos valores. (b) mapa de red neuronal mostrando 6 grupos de productividad y sus etiquetas de acuerdo a los valores de productividad

Ejemplos reales en frutales en Colombia

(Redes neuronales artificiales en regresión y visualización de dependencia de variables)

Caso de estudio: Mora (Rubus glaucus) - visualización de dependencia de variables)

Page 34: AESCE - Metodologías del Análisis de la información

Planos de profundidad efectiva: La escala de la dercha indica el rango de valor en centimetros de profundidad efectiva, la parte superior de la escala indica valores altos mientras la baja indica valores bajos de profundidad efectiva

Ejemplos reales en frutales en Colombia

(Redes neuronales artificiales en regresión y visualización de dependencia de variables)

Caso de estudio: Mora (Rubus glaucus) - visualización de dependencia de variables)

Page 35: AESCE - Metodologías del Análisis de la información

Planos de temperatura: (a) temperatura del mes de cosecha, (b) temperatura promedio del 1er mes anterior a la cosecha, (c) temperatura promedio del 2do mes anterior a la cosecha, and (d) temperatura promedio del 3er mes anterior a la cosecha En todas las figuras, la escala (derecha) indica el rango de temperatura en ◦C . La parte superior indica valores altos de temperatua mientras la baja indica valores bajos

Caso de estudio: Mora (Rubus glaucus) - visualización de dependencia de variables)

Page 36: AESCE - Metodologías del Análisis de la información

Planos de las localidades Nariño–la union–chical alto (izquierda) y Nariño–la union–cusillo bajo derecha). . La parte superior de la escala a la derecha indica presencia mientras la baja indica vausenciadebido a que son variables categóricas

Ejemplos reales en frutales en Colombia

(Redes neuronales artificiales en regresión y visualización de dependencia de variables)

Caso de estudio: Mora (Rubus glaucus) - visualización de dependencia de variables)

Page 37: AESCE - Metodologías del Análisis de la información

Ejemplos reales en frutales en Colombia

(Redes neuronales artificiales en combinación con metodologías tradicionales)

Caso de estudio: Lulo (Solanum quitoense) – Modelo correcto

Jiménez, D., Cock, J., Jarvis, A., Garcia, J., Satizábal, H.F., Van Damme, P., Pérez-Uribe, A. and Barreto-Sanz, M., 2010. Interpretation of Commercial Production Information: A case study of lulo (Solanum quitoense), an under-researched Andean fruit. Agricultural Systems. In press. published online at: http://dx.doi.org/10.1016/j.agsy.2010.10.004

0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2

0

0.05

0.1

0.15

0.2

0.25

f(x) = 0.984221363104401 x + 0.00302772626424537R² = 0.714284079908756

Predic...

Real yield (kg/plant/week)

Pre

dic

ted

yie

ld (

kg

/pla

nt/

wee

k)

Page 38: AESCE - Metodologías del Análisis de la información

Ejemplos reales en frutales en Colombia

(Redes neuronales artificiales en combinación con metodologías tradicionales)

Caso de estudio: Lulo (Solanum quitoense) – Modelo correcto

Page 39: AESCE - Metodologías del Análisis de la información

Caso de estudio: Lulo (Solanum quitoense) – Análisis de relevancia

effDep

th

tempA

vg_0

slope

Na_un

_chi

cal

srtm

Na_un

_jac

trmm_2

Na_ca

_san

Na_un

_ba

TempR

ang_

1

TempR

ang_

0

trmm_1

int_

extD

rain

TempR

ang_

2

trmm_0

0

0.02

0.04

0.06

0.08

0.1

0.12

0.14

0.16

0.18

Ejemplos reales en frutales en Colombia

(Redes neuronales artificiales en combinación con metodologías tradicionales)

Tres variables: 1. Profundidad efectiva, 2. Temperatura y 3. Pendiente fueron relevantes para ambas regresiones lineal y no lineal

Page 40: AESCE - Metodologías del Análisis de la información

Caso de estudio: Lulo (Solanum quitoense) – clustering

Ejemplos reales en frutales en Colombia

(Redes neuronales artificiales en combinación con metodologías tradicionales)

Las tres variables relevantes fueron utilizadas para definir grupos con condiciones ambientales homogéneas = 3

Page 41: AESCE - Metodologías del Análisis de la información

Caso de estudio: Lulo (Solanum quitoense) – Modelo mixto para conocer los efectos sobre la productividad de grupos con condiciones ambientales homogéneas

1 2 3

-30.00

-20.00

-10.00

0.00

10.00

20.00

30.00

40.00

50.00

Effects of clusters of environmental conditions

Lu

lo y

ield

(k

g/p

lan

t/w

eek

)Ejemplos reales en frutales en Colombia

(Redes neuronales artificiales en combinación con metodologías tradicionales)

Condiciones ambiental homogénea 3 fue la mas productiva – 41 gr de lulo /planta más que el promedio

Variable ranges HEC

Slope (degrees) EffDepth (cm) TempAvg_0 (°C)

5-14 21-40 15 -16.5 18-15 32-69 15 -18.9 213-24 40-67 15.8 -19 3

Page 42: AESCE - Metodologías del Análisis de la información

HEC como proxy para variabilidad ambiental Finca como proxy para manejo

1 2 3 4 5 8 17 5 6 8 10 11 12 13 15 16 17 19 20 7 9 14 18 19 20 211 2 3

-80.00

-60.00

-40.00

-20.00

0.00

20.00

40.00

60.00

Effects of farms across the EC clusters of environmental conditions

Lu

lo y

ield

(k

g/p

lan

t/w

eek

)

Ejemplos reales en frutales en Colombia

(Redes neuronales artificiales en combinación con metodologías tradicionales)

Caso de estudio: Lulo (Solanum quitoense) – Modelo mixto para conocer los efectos sobre la productividad de grupos con condiciones ambientales homogéneas y las fincas

• El modelo mixto explicó mas del 80 % de variación en productividad de lulo.• Ej. Finca 9 en condición ambiental homogénea 3 produce 51 g de lulo /planta

más que el promedio

Page 43: AESCE - Metodologías del Análisis de la información

2. Proyecto AESCE: Metodologías empleadas para determinar cuáles son los nichos ecológicos de cada especie / adaptabilidad varietal

curvas de isoproductividad

Caso hipotético donde un cultivador de plátano, quiere saber cual es el cultivar con el que obtendría mayor número de cajas por racimo, peso racimo o ratio en las condiciones de su finca.

Page 44: AESCE - Metodologías del Análisis de la información

0

500

1,000

1,500

2,000

2,500

3,000

Has

0

5,000

10,000

15,000

20,000

25,000

30,000

35,000

40,000

To

ns

Area Producción

Naranja

Antioquia produce más naranjacon la mitad de las hectáreas cultivadas en Tolima Oportunidad

Departamento Área (Has)

Rendimiento(Kg/ha)

Antioquia 1,163 30,035

Tolima 2,413 8,625

Cesar 1,884 11,023

Cundinamarca 1,440 9,939

Magdalena 483 18,772

Bolívar 353 7,453

Risaralda 156 10,213

Córdoba 262 18,836

Fuente MADR (promedio 2002- 2008)

Analizar e interpretar la información recopilada

Page 45: AESCE - Metodologías del Análisis de la información

www.frutisitio.orgAgricultura específica por sitio compartiendo experiencias (AESCE)

• Identifica sitios edafológica y climáticamente similares

• Si clima y suelos influyen en la adaptabilidad del cultivo, en sitios con climas y suelos similares tendrían adaptabilidad similar

• El propósito es identificar sitios con potencial para establecer nuevas variedades, o extender tecnologías de un sitio a otro

Page 46: AESCE - Metodologías del Análisis de la información

www.frutisitio.orgAgricultura específica por sitio compartiendo experiencias (AESCE)

Page 47: AESCE - Metodologías del Análisis de la información

www.frutisitio.orgAgricultura específica por sitio compartiendo experiencias (AESCE)

Hacia un nuevo Homologue:

Modelación de grandes bases de datos - Cuantización vectorial – Visualización - Lógica difusa para “suavizar” la asignación de categorías

Crisp Fuzzy

Page 48: AESCE - Metodologías del Análisis de la información

www.frutisitio.orgAgricultura específica por sitio compartiendo experiencias (AESCE)

FENNIXSomToolbox - MATLAB

script

Aplicaciones utilizadas:

BIS

Page 49: AESCE - Metodologías del Análisis de la información

Estrategias de colecta de información primaria

Grupos

d. Individuales acceso virtual

c. Facilitadores de las Secretarías de

agricultura

Cadenas

Federaciones

Organizaciones

Asohofrucolb. Facilitadores de las

Cadenas

a. Investigadores CIAT

Niv

el d

e in

terv

en

ció

n

v

Niveles de IntervenciónMADR

Page 50: AESCE - Metodologías del Análisis de la información

www.frutisitio.orgAgricultura específica por sitio compartiendo experiencias (AESCE)

Promoción al consumo - Biblioteca con ruedas – Unidad multimedia móvil

Page 51: AESCE - Metodologías del Análisis de la información

www.frutisitio.orgAgricultura específica por sitio compartiendo experiencias (AESCE)

www.frutisitio.org