1. Trent University
EVALUACION DE LA ACTITUD DE LA TIERRA
UTILIZANDO
FUZZY NEURAL NETWORKS

2. EVALUACION DE LA ACTITUD DE LA TIERRA
UTILIZANDO
FUZZY NEURAL NETWORKS
Introducción
Definiciones
Problema
Solución
Resultados
Conclusión

3. EVALUACION DE LA ACTITUD DE LA TIERRA
UTILIZANDO
FUZZY NEURAL NETWORKS
Esta Investigacion define una nueva metodologia para
evaluar la actitud de la tierra.
El metodo fue desarrollado utilizando las virtudes de la
logica difusa (Fuzzy Sets), bases de conocimiento y redes
neuronales.
Dicho paradigma fue transladado en un sistema de
informacion que permite la interoperabilidad entre SMBD,
ANN, y SIG para evaluar la aptitud de la tierra y poder
predecir rendimientos de cultivos.

4. La Evaluacion de la Actitud de la Tierra es un ejercicio que determina el
grado de compatibilidad entre las caracteristicas de tierra (LC) de un sitio
especifico (LMU) y los requerimientos (LUR) necesarios para que un Uso
de la Tierra (LUT) se pueda dar en ese LMU.
LMU

5. La Evaluacion de la Actitud de la Tierra es un ejercicio que determina el
grado de compatibilidad entre las caracteristicas de tierra (LC) de un sitio
especifico (LMU) y los requerimientos (LUR) necesarios para que un Uso
de la Tierra (LUT) se pueda dar en ese LMU.
LC
Climate
Soil
LMU

6. La Evaluacion de la Actitud de la Tierra es un ejercicio que determina el
grado de compatibilidad entre las caracteristicas de tierra (LC) de un sitio
especifico (LMU) y los requerimientos (LUR) necesarios para que un Uso
de la Tierra (LUT) se pueda dar en ese LMU.
LC
Climate
Soil
LUR
Climate LUT
Soil
LMU

7. El proceso de evaluación asigna una calificacion al cultivo evaluado, en
base al rendimiento obtenido por el cultivo en la LMU.
Esta calificacion esta determinada por las llamadas clases de aptitud
definidas por la FAO [FAO, 1986].
Yield
Suitability Classification
Very suitable
Moderately suitable
Marginally suitable
Non suitable
0
LUT Performance

8. El proceso de evaluación asigna una calificacion al cultivo evaluado, en
base al rendimiento obtenido por el cultivo en la LMU.
Esta calificacion esta determinada por las llamadas clases de aptitud
definidas por la FAO [FAO, 1986].
Yield
Suitability Classification
Very suitable
Moderately suitable
Marginally suitable
Non suitable
0
LUT Performance

9. El proceso de evaluación asigna una calificacion al cultivo evaluado, en
base al rendimiento obtenido por el cultivo en la LMU.
Esta calificacion esta determinada por las llamadas clases de aptitud
definidas por la FAO [FAO, 1986].
Yield
Suitability Classification
Very suitable
Moderately suitable
Marginally suitable
Non suitable
0
LUT Performance

10. El proceso de evaluación asigna una calificacion al cultivo evaluado, en
base al rendimiento obtenido por el cultivo en la LMU.
Esta calificacion esta determinada por las llamadas clases de aptitud
definidas por la FAO [FAO, 1986].
Yield
Suitability Classification
Very suitable
Moderately suitable
Marginally suitable
Non suitable
0
LUT Performance

11. Los actuales metodos y sistemas para la evaluación de tierras tienen
varias caracteristicas que han hecho de la la evaluación de tierras un
campo extremadamente especializado, inflexible y altamente dependiente
del conocimiento experto.
La información sobre requerimientos
biofisicos para cultivos se encuentran
dispersa y no es de facil acceso.
Ademas no se cuenta con una base de
conocimiento.

12. Los actuales metodos y sistemas para la evaluación de tierras tienen
varias caracteristicas que han hecho de la la evaluación de tierras un
campo extremadamente especializado, inflexible y altamente dependiente
del conocimiento experto.
N S3 S2 S1
• Los metodos actuales para
LUT performance
evaluación de tierras utilizan un
sistema de clasificacion muy
rigido (crisp classification).
0 45 60 80
LUT Performance
Ton / hectares

13. Los actuales metodos y sistemas para la evaluación de tierras tienen
varias caracteristicas que han hecho de la la evaluación de tierras un
campo extremadamente especializado, inflexible y altamente dependiente
del conocimiento experto.
La exactitud de las predicciones
es subjetiva y poco exacta.

14. Los actuales metodos y sistemas para la evaluación de tierras tienen
varias caracteristicas que han hecho de la la evaluación de tierras un
campo extremadamente especializado, inflexible y altamente dependiente
del conocimiento experto.
El impacto que las LC tienen sobre el
desempeño de los cultivos es
desconocido.

15. SOLUCION
• Desarrollo de bases de datos con el conocimiento existente
• Aplicación de fuzzy sets para clasificar actitud de tierra
• Determinación del impacto de las LC sobre los cultivos
•
Desarrollo de un sistema de información para la evaluación d

16. Base de datos de requerimientos para cultivos
Actualmente, no existe una fuente oficial de información sobre
requerimientos biofisicos para cultivos.
Sin embargo, existen algunas fuentes con suficiente información que
puede ser utilizada para predecir actitud de la tierra.
Como resultado de una extensa busqueda y se recabo información sobre
los requerimientos climaticos y del suelo para 1711 distintos tipos de
cultivos y arboles.

17. Base de datos de requerimientos para cultivos
La información colectada se normalizo y codifico para
ser almacenada en una base de datos relacional.
Crop, Requirement,
LC-Type, Climatic
threshold values Soil series classes

18. Base de datos de requerimientos para cultivos
Se definio un modelo de empresa basado en la agricultura de temporal
y para el cual se diseñaron una serie de tablas.
Thematic Databases

19. Base de datos de requerimientos para cultivos
La informacion espacial requerida para ser utilizada por los SIG fue
almacenada en otra serie de tablas.
Thematic Database Spatial Database

20. Base de datos de requerimientos para cultivos
Por lo que para esta investigacion tres distintos tipos de bases de datos
fueron diseñadas.
Thematic Databases Spatial Databases
Crop Requirements Soil Climate
Data Base Classification Classification

21. Aplicación de fuzzy sets para clasificar
actitud de la tierra
Teoría de los Fuzzy Sets:
Teoría matemática propuesta por Zadeh en 1965 y la
cual define que todo elemento de un conjunto tiene un
valor de pertenencia dentro del conjunto y este valor
será entre 0 y 1.
Dichos valores son determinados por una función de
membresía.

22. Aplicación de fuzzy sets para clasificar
actitud de la tierra
Huajun (1991) demostro que la evaluacion de tierras basada
en fuzzy sets es mas exacta que los metodos actuales.
N S3 S2 S1 γ 1
LC value
LC value
N S3 S2 S1
LUT performance α LUT performance

23. Aplicación de fuzzy sets para clasificar
actitud de la tierra
Huajun (1991) demostro que la evaluacion de tierras basada
en fuzzy sets es mas exacta que los metodos actuales.
Sin embargo cuando la investigacion de Huajun fue probada
en una amplia variedad de cultivos se encontraron ciertos
errores.
γ 1
LC value
N S3 S2 S1
α LUT performance

24. Aplicación de fuzzy sets para clasificar
actitud de la tierra
Se definieron 3 nuevas funciones de membresía, una función
para cada una de las clases de aptitud existentes (S1, S2, S3).
Crisp Suitability Classes
1
N S3 S2 S1 γ
γ3 γ2
MEMBERSHIP DEGREE
S
S1
0.5
S2
0
S3
0
α0 25 50 75 100
PERFORMANCE (%)

25. Aplicación de fuzzy sets para clasificar
actitud de la tierra
La aplicación de las 3 nuevas funciones, se demostró que las
LC varían dependiendo de la clase evaluada y de la función
aplicada.
3 patrones distintos fueron descubiertos en las LC.
120
Crop Performance
100
80 arabica coffee
60 banana
40 barley
20 cashew
0
0 50 100 150
Base saturation (%)

26. Aplicación de fuzzy sets para clasificar
actitud de la tierra
La aplicación de las 3 nuevas funciones, se demostró que las
LC varían dependiendo de la clase evaluada y de la función
aplicada.
3 patrones distintos fueron descubiertos en las LC.
120
crop performance
100 cassave
80 cotton
60 groundnuts
40 maize
20 millets
0
0 100 200 300 400
LGP (days)

27. Aplicación de fuzzy sets para clasificar
actitud de la tierra
La aplicación de las 3 nuevas funciones, se demostró que las
LC varían dependiendo de la clase evaluada y de la función
aplicada.
3 patrones distintos fueron descubiertos en las LC.
120
Crop Performance
100 arabica coffee
80 banana
60
cassave
40
cocoa
20
0 coconut
0 2 4 6 8
Dry season (months)

28. Aplicación de fuzzy sets para clasificar
actitud de la tierra
LUT Performance
1 Definiendo 9 funciones de
Degree membresía, una función por
Of
membership cada patrón de LC y por cada
clase de LC (3x3).
0 Values of Land Characteristic type 1 ∞
LUT Performance
1
Degree
Of
membership
0 Values of Land Characteristic type 2 ∞
S1
LUT Performance
1
S2
Degree Class 3 S3
Of
membership
0 Values of Land Characteristic type 3 ∞

29. Aplicación de fuzzy sets para clasificar
actitud de la tierra
Después de definir las funciones de membresía y de saber
como actúan las LC, se definió un algoritmo para poder
determinar el grado de membresía que tiene el desempeño
de un cultivo en un sitio dado.
1
MEMBERSHIP DEGREE
S1
0.5 S2
0 S3
0
α0 25 50 75 100
PERFORMANCE (%)

30. Determinación del impacto de las LC sobre los cultivos
Cada LC tienen un impacto en el desempeño y crecimiento del
cultivo, este impacto afecta de dos formas; de forma individual o
combinadamente con las demás LC.
Van Ranst calculo exitosamente el impacto de algunas de las LC en
el caucho utilizando una regresión lineal. Sin embargo dicho método
seria mas que imposible de realizar en una amplia variedad de
cultivos.

31. Determinación del impacto de las LC sobre los cultivos
Para resolver este problema, se decidió implementar una Red
Neuronal (NN) del tipo Feedforward de dos niveles, la cual
calcula los pesos o impactos que tiene cada LC en los cultivos.
LC

32. Determinación del impacto de las LC sobre los cultivos
La NN calculo los pesos utilizando la información contenida en
la base de conocimiento creada en esta investigación.
Se utilizo información referente a 1711 cultivos distintos.
La red se entreno con 10000
epoch, y después de este numero
de simulaciones se obtuvo el
mejor valor de aproximación.

33. Desarrollo de un sistema de información
para la evaluación de tierras
“LANSAS” : LANd Suitability Assessment System.

34. Desarrollo de un sistema de información
para la evaluación de tierras
LANSAS utiliza una Fuzzy Neural
Network (FNN) para llevar acabo Output layer
la evaluacion de la tierra.
Output fuzzy layer
Esta FNN tiene 5 capas y del tipo
feedforware. Conjunction layer
Fuzzy set nodes
Input layer

35. Membership functions
Suitable class
LC 0.6 1938 S1
n/N developing stage Membership degree
0.8 0.7731
n/N maturation stage Min 0.7731
50
Base saturation
155.4
function
2
0.7731 0.7731 Max
Organic matter kaolinitic
1.2 27 0.00028 function
Organic matter non kaolinitic
0.8 0.9998 0.7731 0.0408
Organic matter calcareous
100 1938 0.9591
Depth
Annual rainfall 850
0.0555
Length gs 220
155.4 0.00028 0.00028
Rainfall gs 800 0.405
Mean temperature gs 22
27
Mean min. temperature gs 16 0.7731
0.5286
30
Mean humidity developing stage 0.00015 0.00028
1938 0.00015
slope type 2 (high level) 0.0408
0.0408
2
slope type 2 (low level) 99.9
4
Coarse fragmentation 155.4
6 Suitability Index
CaCO3
2 99.9
Gypsum 27
8

36. MATCHING
Data input S1
GUI
S2
Suitable
class
Spatial S3
Results
Land characteristics
report
and other data is loaded
in the neurons
Attributes
GUI
Searching Knowledge
in Loaded in
KB & DB
FNN NN for LC impact’s
synapses
calculation
Knowledge

37. LANSAS ha sido diseñado para poder utilizar informacion
geografica como si fuera un SIG.
La interoperabilidad entre LANSAS y las capacidades SIG se
lograron gracias al uso de Activex Controls.
LANSAS
FNN Activex GIS
controls
DBMS

38. LANSAS posee la capacidad para importar – exportar datos
de algunos de los SMBDR mas reconocidos. Este mecanismo
se hace posible gracias al uso de Activex controls.
LANSAS
Activex Visual Basic
Controls Run time OLE
Shape-files ODBC Driver
ODBC for related
Driver tables
Image Shape-files Tables
Files in Thematic
Databases

39. Field Trials
LMU1
2 plots
with corn LMU3
2 plots
2 with corn
LMU2
2 plots LMU4
2 with corn 2 plots
with corn
1: 4 Land Management Units or Ecozones
2: LUT selected was corn and setting up 2 plots in each EZ.
3: To carry out analysis of accuracy of prediction (to assess the 3 algorithms)

40. Reality Field work
Yield production = 12.5 ton. per ha.
Parametric method
Class S1
Yield production
LANSAS Error
prediction = 10.8 Ton. Per ha. .11
LANSAS
Class S1
Yield production
prediction = 12 Ton. Per Ha.
Decision-Trees
Class S3
Yield production
prediction = 6.8 Ton. Per Ha.

41. A COMPUTER SYSTEM
FOR
LAND SUITABILITY ASSESSMENT
BASED ON FUZZY NEURAL NETWORKS
Conclusion
Trent University
Watershed Ecosystem Graduated Program

42. Conclusion
Esta investigacion muestra que el nuevo paradigma para
evaluar tierras, basado en el uso de Fuzzy Sets y utilizando
los valores de impacto de las LC, es superior que los
metodos utilizados actualmente.

43. Conclusion
Por otra parte, El sistema de informacion llamado “LANSAS”,
posee nuevas capacidades que los actuales sistemas
automatizados para evaluacion de tierras.
Las caracteristicas de LANSAS son:
• Acceso al conocimiento
• Interface con SIG
• Procesamiento intensivo via NN y FNN
• Portable
• Interoperabilidad entre SIG- SMBD – FNN- NN
• Interface amigable