LANSAS es un sistema de evaluación de tierras que permite determinar que cultivar en un determinado terreno, lo unico que requiere es conocer que clima y que suelo existe en ese predio y usando una base de datos con la informacion de más de 2500 variedades de cultivos hace la evaluacion y prediccion de rendimiento

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

2. EVALUACION DE LA ACTITUD DE LA TIERRA
UTILIZANDO
FUZZY NEURAL NETWORKS
Objetivo
Esta Investigación define un nuevo método para evaluar la
actitud de la tierra.
El método fue desarrollado utilizando las virtudes de los
SIG, los Fuzzy Sets y las Redes Neuronales.
El nuevo paradigma permitio desarrollar un sistema
espacial de soporte a las decisiones.

3. ANTECEDENTES
• Land Evaluation Framework (FAO, 1983)
• Limitation Method and Parametric Method (Sys 1985)
• LECS (Wood, 1983)
• ALES (Rossiter 1986)
• AEZWin (IIASA, 1998)
• GAEZ (IIASA, 2000)

4. La Evaluación de la Actitud de la Tierra es un ejercicio que determina el
grado de compatibilidad entre las características de tierra (CT) de un sitio
especifico (UMT) y los requerimientos del cultivo (RC) necesarios para
que un Uso de la Tierra (UT) se pueda dar en esa UMT.
CT
Cantidad en el terreno
Climate
Soil
RC
Cantidad requerida UT
para el cultivo
Agua
Maiz
Tipo de tierra
UMT

5. El proceso de evaluación asigna una calificación al cultivo evaluado, en
base al rendimiento obtenido por el cultivo en la UMT.
Esta calificación esta determinada por las llamadas clases de aptitud
definidas por la FAO [FAO, 1986].
Yield
Ton/Hect.
100
% de
rendimiento
0
N S3 S2 S1
No Marginal Moderado Muy
Apto apto

6. Problema
Los actuales métodos y sistemas para la evaluación de tierras tienen
varias características que han hecho de la evaluación de tierras un
campo extremadamente especializado, inflexible y altamente dependiente
del conocimiento experto.
La información sobre requerimientos
biofísicos para cultivos se encuentran
dispersa y no es de fácil acceso.

7. Problema
Los actuales métodos y sistemas para la evaluación de tierras tienen
varias características que han hecho de la evaluación de tierras un
campo extremadamente especializado, inflexible y altamente dependiente
del conocimiento experto.
N S3 S2 S1
Los métodos actuales para
evaluación de tierras utilizan un
sistema de clasificación muy
rígido (crisp classification).
0 45 60 80
LUT Performance
Ton / hectares

8. Problema
Los actuales métodos y sistemas para la evaluación de tierras tienen
varias características que han hecho de 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.

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

10. Modelo de Solución
• Desarrollo de una base de conocimiento sobre requerimientos bio-
fisicos para 1711 cultivos
• Diseñar una nueva metodologia de clasificación de actitud de la
tierra menos rigida
• Determinar del impacto de las CT sobre los cultivos
• Crear un sistema espacial para el soporte a las decisiones aplicado
a la evaluación de la tierra

11. Base de Conocimiento
sobre
requerimientos para cultivos
Falta de una fuente oficial de información sobre requerimientos
biofísicos para cultivos.
Existen algunas fuentes de información dispersas en todo el mundo con
suficiente información que puede ser utilizada para predecir el
desempeño de una gran variedad de cultivos en base a las caracteristicas
de la tierra.

12. Base de Conocimiento
sobre
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

13. Base de Conocimiento
sobre
requerimientos para cultivos
Se definió un modelo de empresa basado en la agricultura de temporal
y para el cual se diseñaron una serie de tablas.
Thematic Databases

14. Base de Conocimiento
sobre
requerimientos para cultivos
La información espacial requerida para ser utilizada por los SIG fue
almacenada en otra serie de tablas.
Thematic Database Spatial Database

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

16. Aplicación de fuzzy sets para clasificar
actitud de la tierra
Huajun (1991) demostró que la evaluación de tierras
Aplicando fuzzy sets es mas exacta que los métodos
aplicados actualmente.
N S3 S2 S1 γ 1
LC value
LC value
N S3 S2 S1
LUT performance α LUT performance

17. Aplicación de fuzzy sets para clasificar
actitud de la tierra
Huajun (1991) demostró que la evaluación de tierras basada
en fuzzy sets es mas exacta que los métodos actuales.
Huajun definió una función de membresía genérica
γ 1 0; x ∈ (−∞, α )

2[( x − α ) /(γ − α )] ; x ∈[α , β ]
2
LC value
S ( x; α , β , γ ) = 
1 − 2[( x − γ ) /(γ − α )] 2 ; x ∈[ β , γ ]
1; x = γ
N S3 S2 S1 
α LUT performance

18. Aplicación de fuzzy sets para clasificar
actitud de la tierra
Donde:
X representa el valor de una CT evaluada para un cultivo dado
α representa el valor en el cual la CT es no apta para el cultivo
γ el valor en cual la CT es optima para el cultivo
0; x ∈ (−∞, α )
γ 1

2[( x − α ) /(γ − α )] ; x ∈[α , β ]
2
S ( x; α , β , γ ) = 
1 − 2[( x − γ ) /(γ − α )] 2 ; x ∈[ β , γ ]
LC value
1; x = γ

N S3 S2 S1
α LUT performance

19. Aplicación de fuzzy sets para clasificar
actitud de la tierra
Sin embargo la investigación de Huajun solo fue desarrollada
solo para el maíz.
Para generalizar el modelo de Huajun, se utilizo la
información recopilada en la Base de Conocimiento de
requerimientos bio-físicos para 1711 distintos cultivos.
Al probar el modelo con la información contenida en las base
de conocimiento se encontraron ciertos errores.

20. Aplicación de fuzzy sets para clasificar
actitud de la tierra
Huajun solamente desarrollo una funcion de membresia
generica para una clase de evaluación llamada S y omitio las
otras 4 clases (N, S3, S2 y S1)
Crisp Suitability Classes
S
N S3 S2 S1
γ
MEMBERSHIP DEGREE
1
0.5 S
0
α0 25 50 75 100
PERFORMANCE (%)

21. Aplicación de fuzzy sets para clasificar
actitud de la tierra
Por lo que se Calcularón las funciones para las 4 clases de
aptitud definidas por la FAO
(S1, S2, S3 y N)
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 (%)

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

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

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

25. Aplicación de fuzzy sets para clasificar
actitud de la tierra
Al aplicar los 3 funciones de membresia a los 3 tipos de CT,
se descubrio que se podian definir 9 funciones de membresía
que representaran el impacto de cualquier tipo de CT en
cualquiera de los 1711 cultivos estudiados.

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

27. 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 (%)

28. 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.

29. 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 CT en el desempeño
de todos los cultivos estudiados.
CT

30. 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.
La red se entreno con la información referente a 20 ejemplos de
cada uno de los 1711 cultivos estudiados.

31. Determinación del impacto de las LC sobre los cultivos
La NN trabajo con una simulación de epoch = 10000
Después de este numero de simulaciones se obtuvo el mejor valor de
aproximación.

32. Impacto de las LC en el performance del cultivo
Precipitación 0.40
Temporada de crecimiento 0.74
Temperatura 1.00
Humedad 0.79
Pendiente del suelo 0.69
Pedregozidad 0.32
Profundidad del suelo 1.00
CaCO3 0.32
Capacidad de intercambio cationico 0.22
Bases saturadas 0.03
Materia Orgánica 1.00
Ph 0.09

33. Desarrollo de un sistema espacial para
soporte a las decisiones 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 evaluación de la tierra.
Output fuzzy layer
Esta FNN tiene 5 capas
Conjunction layer
Fuzzy set nodes
Input layer

35. Membership functions
0.6 1938
0.8 0.7731
50 Min
155.4 0.9998
2 function
0.9591
1.2 27
0.7731 Max Yield Estimation
0.8
function Function
100 1938
850
0.0555
220
155.4 0.00028 0.00028 0.7731
800 0.405
22 Membership degree
27 Suitable class
16 0.7731 S1
0.5286
Y estimada
30 0.00015
1938 0.00015
0.0408
2
4
155.4
6
2 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 información
geográfica 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
LMU4
2 plots LMU3
with corn 2 plots
2 with corn
LMU1 LMU2
2 plots 2 plots
with corn 2 with corn
1: 4 Land Management Units
2: LUT selected was corn and setting up 2 plots in each LMU.
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

42. Conclusion
Esta investigación demuestra que el nuevo paradigma para
evaluar tierras, basado en el uso de Fuzzy Sets y utilizando
los valores de impacto de las CT, es superior que los
métodos utilizados actualmente.

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