4 Mem

INTELIGENCIA EN REDES
DE COMUNICACIONES
CONTRIBUCIÓN DE LA IA
A PROYECTOS DE
DESARROLLO SOSTENIBLE
JAVIER GONZÁLEZ LLORENTE

RAÚL SÁNCHEZ GÓMEZ
INGENIERÍA DE TELECOMUNICACIÓN
5º CURSO
Contribución de la IA a proyectos de desarrollo sostenible González Llorente, Javier
IRC 2004-2005 Sánchez Gómez, Raúl
SISTEMAS EXPERTOS EN LAS CIENCIAS AGRARIAS

1 Introducción: sistemas de apoyo a la toma de decisiones
Después de los primeros usos agrícolas de la informática, sobre todo con el uso de la
programación lineal como tecnología de optimización, este tipo de sistemas se
convirtieron en el primer camino hacia la gestión de los sistemas de información (MIS:
Management Information System).
Sprague y Carlson definen los sistemas de apoyo a la toma de decisiones (DSS) como:
"sistema interactivo computarizado, que ayuda en la toma de decisión utilizando datos y
modelos para encontrar la solución de un problema no estructurado."
OLDER (1983, S.32 FF.) clasifica las ayudas en la toma de decisión relevantes en el
DSS según los datos del modelo. Define tres tipos de ayudas orientadas a datos en la
toma de decisión:
• Sistemas del índice de tarjeta: procesan la información, tradicionalmente se

colocan sobre las hojas de registro o en cuadernos. Tales sistemas solamente
sirven para acelerar y aumentar la flexibilidad en el acceso de información.
• Sistemas de manipulación de datos: permiten el acceso seguro y la
composición de los datos, para probar las muestras. Este concepto está más
emparentado a los sistemas de base de datos.
• Sistemas de análisis de información: representan un sistema de modelo, que
tienen a su vez acceso a diversas bases de datos.
Aparte de estos sistemas dato-orientados se describen cuatro modelos-orientados para la

ayuda en la toma de decisión:
• Modelos de la contabilidad
• Modelos de la representación
• Modelos de la optimización
• Modelos de la sugerencia
2 Usos disponibles de los sistemas expertos en las ciencias

agrarias
Los sistemas expertos suponen una rama relativamente reciente de la computación y las
ciencias agrarias no se queda atrás y usa estos sistemas como una nueva herramienta de
trabajo, sobretodo en EEUU. Todos los sistemas expertos desarrollados dentro del
campo de las ciencias agrarias han significado una ayuda directa para la empresa
agrícola.
2.1 ESICM: Sistema Experto para la mejora de la gestión del cultivo
Este proyecto comienza en 1989 financiado por la FAO y el programa de desarrollo de

Naciones Unidas (UNDP). Sus objetivos son aumentar la producción y la calidad de la
producción del pepino y de la fruta cítrica a través de la introducción de los sistemas
1
expertos para la gestión de la cosecha. Con este fin fueron concebidos dos sistemas
expertos: Cuptex y Citex. En 1993 se comenzaron a obtener los primeros resultados en
Egipto a través de la producción en invernaderos.
2.1.1 CUPTEX
Sistema experto para el cultivo de pepino. El sistema ha sido establecido en

localizaciones como Mariot, El-Bousealy, Tokh, El-Dokki y El-Haram, siendo
utilizado en seis sitios para la agricultura protegida, dos facultades de agricultura
(como la de la universidad de El Cairo), dos institutos de investigación y catorce
granjas del sector privado. Comprende cinco subsistemas:
• Diagnosis: proporciona al usuario un diagnóstico del desorden que

causa problemas en la plantación o verifica la suposición de un
usuario.
• Tratamiento: proporciona al usuario el remedio de un desorden
después de ser verificado o identificado por el subsistema de
diagnosis.
• Irrigación: el objetivo principal de esta función es obtener un horario
de irrigación (cantidad de agua en determinados instantes de tiempo)
para un invernadero particular. La cantidad de agua calculada se
adapta según algunas características del invernadero como densidad
de plantas, eficacia del alcantarillado, etc.
• Fertilización: el objetivo es determinar los requisitos para la
fertilización de la cosecha, de tal forma que se incluyen aspectos
varios como el tipo de fertilizante, cantidad y los intervalos entre
usos.
• Cuidado de la planta: el objetivo es poder predecir a partir de la
última cosecha y de las características del invernadero la posibilidad
de tener un problema de plagas. De acuerdo con esta información
produce un horario de las operaciones que se harán para proteger la
planta contra cualquier desorden previsto.
La metodología empleada para el desarrollo de este sistema experto se divide en

dos partes principales: ingeniería de conocimiento y tecnología de dotación
lógica. Las dos partes de la metodología están obrando recíprocamente a través
de un modelo espiral. Esta metodología se ha basado en KADS.
La idea detrás del principio de modelo múltiple de KADS es que el espacio de

opciones y herramientas en la ingeniería de conocimiento se puede controlar por
la introducción de un número de modelos. Un modelo refleja, con la abstracción
del detalle, las características seleccionadas del sistema empírico en el mundo
real. Estos modelos son:
de organización: proporciona un análisis del ambiente socio-

organizativo en el que el sistema experto funcionará.
de uso: define los problemas que el sistema debe solucionar dentro de
la organización, sus funciones en la organización y los condicionantes
externos relevantes.
2
de tarea: especifica cómo el sistema funciona según lo especificado

en el modelo de uso, en términos de número de tareas.
de cooperación: contiene una especificación de la funcionalidad de
los subsistemas dados por el modelo de tarea que requieren un esfuerzo
cooperativo.
de maestría: especifica la maestría requerida en solucionar un
problema para realizar las tareas asignadas.
de diseño: describe las técnicas de cómputo y representación para el
sistema.
Para modelarla, KADS asume que es posible distinguir entre varios tipos de
conocimiento según los diversos papeles que éste puede desempeñar en el
proceso de razonamiento y que se pueden organizar en varias capas, que tienen
solo interacción limitada. Las categorías en las cuales el conocimiento de la
maestría puede ser analizado y descrito se basan en distinciones epistemológicas:
contienen diferentes tipos de conocimiento. Así distingue entre: a) conocimiento
del dominio: conocimiento estático que describe una afirmación del dominio del
uso; b) conocimiento de la inferencia: conocimiento de diversos tipos de
inferencias que se pueden hacer; c) conocimiento de la tarea: conocimiento que
representa las tareas elementales; y d) conocimiento estratégico: conocimiento
que controla el proceso total del razonamiento.
La técnica adoptada para la validación del sistema experto es la evaluación de su

comportamiento respecto al de expertos humanos a través de una colección de
casos cuidadosamente seleccionados. Los casos de prueba son solucionados por
un número de expertos del dominio así como por el sistema experto. Los
expertos humanos evaluarán todas las soluciones de los casos de prueba usando
una cierta fórmula de evaluación. Después tiene lugar una discusión donde los
expertos humanos pueden justificar sus soluciones. Esta discusión puede
cambiar la evaluación de soluciones y así se alcanza la gradación final de
soluciones. En caso de que el sistema experto se encuentre lejos, la base de
conocimiento debe ser modificada.
Para cada uno de los tres expertos del dominio y para el sistema experto se
calcula un factor del funcionamiento de cada subsistema:
P = (nº casos E * 3 + nº casos G * 2 + nº casos A * 1) / nº total de casos
donde E, G y A, representan los casos excelente, bueno y aceptable. Este factor

toma valores desde 0 (cuando todos los casos son evaluados como inaceptable)
hasta 3 (cuando todos los casos son evaluados como excelente). Se calcula así:
P = (nº de casos verdaderos / nº total de casos) * 3
3
La tabla siguiente muestra los factores calculados:
CUPTEX Experto 1 Experto 2 Experto 3

Irrigación 1.17 1.87 1.17 0.23
Fertilización 1.5 1.7 0.96 0.79
Cuidado 1.79 1.44 0.91 0.88
Diagnosis 1.59 1.22 1.19 1.19
Verificación 2.7 2.4 2.27 2.25
Tratamiento 1.77 1.36 1.28 1.08
Total 1.75 1.67 1.3 1.07
Según esta tabla, el sistema experto es el mejor en cuatro subsistemas y ocupa el

segundo lugar en los otros dos (irrigación y fertilización). Finalmente, el sistema
experto ostenta el mejor factor de funcionamiento del sistema total.
A continuación presentamos una lista de todas las versiones:
¾ Marzo 1991: Sistema experto para la producción de la planta de

semillero del pepino en invernaderos (CUPTEX/Seedling) diseñado con
seis funciones: cultivo de la semilla, preparación de los medios, control
de los factores ambientales del crecimiento, diagnosis, tratamiento y
protección de la planta.
¾ Junio 1991: Sistema experto para la gestión del precultivo del pepino
en invernaderos desarrollado para dirigir la preparación del invernadero y
del suelo (CUPTEX/Pre-cultivation). Ofrece consejos acerca del arado,
agregado de fertilizantes químicos, abono y yeso orgánicos, lavado del
invernadero, instalación de abrigos y redes, desinfectado del invernadero,
etc.
¾ Noviembre 1993: CUPTEX/Agro-management fue diseñado para
generar el horario de las operaciones de irrigación y fertilización para el
cultivo de pepinos en invernaderos: cantidad del agua, intervalos de
irrigación, cantidad nutriente e intervalos de uso. También fue diseñado
un sistema experto para los desórdenes del pepino (CUPTEX/Disorder
Handling) para identificar la causa y severidad de desórdenes observados
y así proponer los remedios apropiados, siendo capaz de reconocer cerca
de 45 desórdenes del pepino.
¾ Agosto 1994: CUPTEX 1.0, implementada en KROL. Incluye
imágenes en el subsistema del tratamiento.
¾ Enero 1995: CUPTEX 2.0, versión bilingüe (árabe/inglés) que
incluye imágenes en el subsistema de diagnosis.
2.1.2 CITEX
Sistema experto para la producción de la naranja. El sistema ha sido establecido

en localizaciones como El-Salheia El-Gedida, Hosh Aisa, Tokh, Giza y Al
Behaira, siendo utilizado en cuatro sitios de horticultura, dos facultades de
agricultura, dos institutos de investigación y cinco granjas del sector privado.
Comprende cinco subsistemas:
4
• Evaluación: este subsistema tiene dos funciones. Primero, debe

evaluar una granja nueva en una localización dada para determinar la
posibilidad de cultivar la fruta cítrica en él (viabilidad). La segunda
función es evaluar una granja dada ya cultivada en términos de su
productividad y dar recomendaciones referentes a cómo mejorar sus
condiciones para conseguir más producción.
• Irrigación: el objetivo principal de esta función es obtener un horario
de irrigación para un invernadero particular. La cantidad de agua
calculada se adapta según algunas características del invernadero
como densidad de plantas, eficacia del alcantarillado, etc.
• Fertilización: el objetivo principal es determinar los requisitos para la
fertilización de la cosecha de fruta cítrica, de tal forma que se
incluyen aspectos varios como el tipo de fertilizante, cantidad,
método de uso del fertilizante y los intervalos entre usos.
• Diagnosis: este subsistema realiza dos funciones primarias. Puede
verificar o rechazar una suposición dada por el usuario cuando éste
sospeche uno o varios desórdenes y desee obtener un tratamiento.
Considera la posibilidad de que una planta pueda estar afectada por
más de un desorden a la vez, de forma que el usuario puede
seleccionar más de un valor para una cualidad de una observación.
Puede concluir las causas de todas las demandas del usuario en una
sesión.
• Tratamiento: el propósito de este subsistema es proporcionar al
usuario el tratamiento apropiado para las plantas infectadas.
Como en el sistema experto anterior, la metodología seguida en su desarrollo es

KADS. En cada subsistema, un factor del funcionamiento se calcula para cada
uno de los mejores tres expertos humanos y del sistema experto de CITEX. Se
calcula este factor como sigue:
Gi = Pi / nº de casos
donde G y P son respectivamente la puntuación media y la puntuación obtenida

por cada experto.
CITEX Experto 1 Experto 2 Experto 3

Evaluación 3.5 3.4 3.3 3.05
Irrigación 2.86 2.9 2.78 2.68
Fertilización 2.88 2.67 2.5 2.18
Diagnosis 3.54 3.13 2.81 2.71
Tratamiento 3.37 2.83 2.81 2.74
Total 3.16 2.93 2.79 2.51
Según muestra esta tabla, a excepción del subsistema de la irrigación, CITEX

obtiene la mejor puntuación en todos los subsistemas y, debido a ello, el mejor
funcionamiento del sistema total.
5
A continuación presentamos una lista de todas las versiones:
¾ Junio 1991: Sistema experto desarrollado para determinar la

viabilidad del cultivo de la fruta cítrica (viabilidad de CITEX/).
Actualmente CITEX se puede aplicar solamente a las naranjas, que
representan aproximadamente el 75% de producción de la fruta cítrica en
Egipto. Este sistema experto apoya decisiones en relación con si una
unidad de la tierra es conveniente o no para la cultivo.
¾ Diciembre 1993: El sistema experto CITEX/Agro-management tiene
como objetivo generar un horario para las operaciones de irrigación,
fertilización y cosecha. Indica cantidad de agua, intervalo entre
irrigaciones, cantidad nutriente e intervalo de uso, prácticas y rociadura
química preventiva para las operaciones de irrigación, fertilización y
preventivas. CITEX/Disorder identifica la causa y severidad de 50
desórdenes observables y después propone un tratamiento.
¾ Diciembre 1994: CITEX 1.0, implementada en KROL.
¾ Enero 1995: CITEX 2.0, versión bilingüe (árabe/inglés).
¾ Febrero 1996: CITEX 2.1, incluye imágenes en el subsistema de
tratamiento.
¾ Mayo 1996: CITEX 2.11.
2.2 NEPER WHEAT
Dado el papel crucial del trigo en Egipto (el pan es un componente vital de la dieta
egipcia), CLAES cooperó con el Laboratorio de Sistemas Inteligentes de la Universidad
del Estado de Michigan para desarrollar el Sistema Egipcio de Gestión Regional del
Trigo. Se ha distribuido Neper en tres centros de investigación (Nobaria, Gemmiza,
Kasassian), dos sitios de agricultura (Nobaria, al-Bostan-Bostan) y el Instituto de
Cultivos de Campo.
Financiado por NARP, una agencia de Estados Unidos para el desarrollo internacional
(USAID), este proyecto integra un sistema experto con un modelo de simulación de la
cosecha y tiene como objetivo el tratar todos los aspectos de la gestión irrigada del trigo
en Egipto. Para alcanzar esta meta, el sistema se diseña para realizar las funciones
siguientes:
• Aconsejar al granjero en la preparación del campo.

• Diseñar los horarios para la irrigación y la fertilización.
• Control de parásitos y malas hierbas.
• Gestión de las cosechas.
• Prevención de la desnutrición.
• Diagnóstico de los desórdenes.
• Sugerencia de tratamientos.
Los subsistemas principales de Neper son: sistema de planificación, sistema de la

identificación de malas hierbas y sistema de identificación de plagas. Respecto a este
último, es un sistema para la identificación y el tratamiento de enfermedades, insectos y
desnutrición. Actualmente contempla 19 enfermedades, once insectos y la deficiencia o
exceso de ocho elementos diversos (nitrógeno, hierro, cinc, cobre, magnesio, fósforo,
potasio, calcio y cinc).
6
Para el desarrollo de este sistema experto se ha seguido la aproximación de tareas

genéricas (GTs) propuesta por Chandrasekaran (1986) implementándolo para la
resolución de problemas de clasificación jerárquica. Sobre esta aproximación hacemos
una breve exposición a partir de material obtenido de varios artículos de su autor:
“La necesidad de GT proviene del hecho de que el nivel de abstracción en KBS

(reglas, marcos, lógica,…) es demasiado bajo para proporcionar un vocabulario rico
para el conocimiento y el control. Tampoco distinguen entre diversos tipos de
conocimiento basado en razonamiento. Por ejemplo, la tarea de diseñar un coche
requeriría una estrategia de razonamiento muy distinta que la de diagnosticar una
avería. Las aproximaciones convencionales aplican la misma estrategia para los dos
problemas. La aproximación mediante tareas genéricas propone que los sistemas del
conocimiento se deben construir a partir de bloques, cada uno de los cuales es
apropiado para un tipo básico de resolución de un problema. Algunas GTs ya han sido
definidas y desarrolladas como la clasificación jerárquica (HC),…”
“Una tarea genérica se caracteriza por la clase de información que toma como
entrada, la información producida como resultado de realizar la tarea, el método usado
para representar y organizar el conocimiento, la especificación de los conceptos
implicados, de cómo el conocimiento será organizado en términos de conceptos y de la
estrategia de inferencia aplicada.”
“La clasificación jerárquica tomo como entrada una descripción de la situación
en términos de características, obteniendo como salida una clasificación tan específica
como sea posible dentro de una jerarquía. La diagnosis médica se puede ver a menudo
en parte como problema de la clasificación.”
El sistema de identificación de parásitos fue implementado usando la herramienta para

tareas genéricas (GT-Tool) desarrollada en la Universidad de Michigan. El sistema
emplea una clasificación basada en detalles observables para el usuario en diversas
partes de la planta, como decoloración de la hoja, deformación del vástago, etc. La
combinación de posibles entradas para cada pregunta denota diversas reglas y patrones
que emparejan. Haciendo al usuario una serie de preguntas, el sistema puede ir
eliminando trayectorias en el árbol de clasificación en el cual las hojas representan
desórdenes, de tal forma que se ha obtenido la salida cuando al llegar a una hoja tras
una combinación de entradas se obtiene un valor de concordancia mayor que un umbral.
El sistema comienza preguntando en qué etapa del crecimiento está la planta para
determinar por qué partes puede preguntar. Las siguientes preguntas revelan si una parte
de la planta es normal; si no lo es, pregunta acerca de la anormalidad específica que
manifiesta hasta que alcanza observaciones muy específicas al respecto. Llegados aquí,
si el sistema sospecha un desorden, intenta establecerlo haciendo todas las preguntas
referentes a ese desorden, incluso si tales observaciones están en otra pieza de la planta.
Los gráficos siguientes muestran la validación de la versión 1.0 del sistema. A partir de
los comentarios recogidos durante el proceso de validación, fue lanzada una nueva
versión 1.1 pero se ha revalidado. Estos gráficos muestran los resultados del sistema
experto en comparación con expertos humanos:
7
Gráfico de la evaluación de la diagnosis de enfermedad
Los resultados de la diagnosis de la enfermedad del sistema experto son equivalentes a

los del mejor experto humano mientras que su tratamiento supera al ofrecido por todos
los expertos humanos.
Gráfico de la evaluación de la diagnosis de insectos
En el insecto, así como en la gráfica siguiente del subsistema de la deficiencia de la

nutrición, los resultados de la diagnosis del sistema experto superan a los de los
expertos humanos. Sin embargo, sus resultados de tratamiento ocupan el tercer lugar.
Gráfico de la evaluación de la deficiencia de nutrición
2.3 TOMATEX
Los tomates constituyen cerca del 35% de los vegetales cultivados en Egipto, con cerca
de 4 millones de toneladas producidas en 1993. Con el financiamiento provisto por
NARP, se desarrolló un sistema experto para estudiar el efecto de la introducción de la
tecnología de sistemas expertos. CLAES ha cooperado con la Universidad del Estado de
Pennsylvania para diseñar e implementar el sistema experto, entrenar a personal en su
uso y desarrollar la infraestructura apropiada.
8
El tomate fue seleccionado como ejemplo para evaluar las necesidades para la
introducción de la tecnología a través de las necesidades de los usuarios finales.
Desarrollados los subsistemas de diagnóstico y tratamiento, el sistema experto
resultante fue denominado Tomatex. El sistema se ha distribuido en localizaciones
como Zagazig, Nobaria, Dekenes, una facultad de agricultura y una granja del sector
privado.
El objetivo era construir un sistema experto capaz de realizar las dichas operaciones
pero con capacidad de emplear imágenes para realzar su funcionamiento y la interfaz
con el usuario ordinario. La tarea es complicada debido a que el cultivo de tomate se
realiza en ambientes diversos: invernaderos, campos abiertos, etc.
El subsistema de la diagnosis puede realizar dos tareas: la primera, proporcionar al

usuario un diagnóstico del desorden con un factor de certeza (el factor de certeza de
desórdenes confirmados es “probablemente” o “muy probablemente”); segundo,
verificar la suposición de un usuario acerca de un desorden que cree haber observado y
para el que desea un tratamiento.
El objetivo del sistema de tratamiento es aconsejar al usuario sobre la operación de

tratamiento de la planta infectada mediante un horario de tratamiento. La salida incluye
una especificación completa: nombre del desorden, nombre y cantidad del material,
método de aplicación y herramienta a usar en la operación del tratamiento, tiempo de
aplicación y consejo. Además, considera la seriedad de los desórdenes y de esta manera
ordena las operaciones según ésta.
Para el diseño de los subsistemas fueron consultados expertos humanos en este dominio
durando las sesiones de recogida de información un total de cerca de 90 horas. Los
desórdenes de la planta fueron en siete clases: enfermedades, deficiencia de nutrición,
ambiental, insectos, ácaros, bacterias y nematodo. Las enfermedades fueron divididas en
dos clases: fungicida y viral.
La metodología utilizada en el diseño del sistema consta de los siguientes elementos:
• Redes de dependencia: medio para la comunicación con los cuales los

expertos del dominio pueden transferir su conocimiento a los ingenieros, de fácil
construcción y que proporciona un buen lenguaje común entre ambos. Consiste
principalmente en nodos y acoplamientos entre ellos, donde los nodos pueden
ser de atributo, de hipótesis (o concepto), OR y AND.
• KADS: metodología para sistemas basados en conocimiento constructivo.
Consta de dos tipos de conocimiento: de uso y de solución de problemas. El
conocimiento de uso se divide en distintos tipos; en el desarrollo de este sistema
experto se usó solo inferencia y conocimiento de la tarea (el conocimiento de
dominio queda recogido por las redes de dependencia).
• LEVEL-5-Object: kit de desarrollo de software usado para la implementación
del sistema experto basado en la programación orientada a objetos.
9
A continuación se muestra una lista de todas las versiones:
¾ Enero 1995: Tomatex 1.0, implementada en LEVEL-5.

¾ Abril 1995: Tomatex 2.0, implementada en LEVEL-5.
¾ Noviembre 1995: Tomatex 3.0, implementada en KROL.
2.4 LIMEX
Este es un sistema experto multimedia para la lima, el segundo cultivo más importante
de fruta cítrica en Egipto, desarrollado por CLAES en cooperación con la universidad
de Florida. Uno de los objetivos principales de este sistema experto es el control de la
vida de la fruta, en el árbol o en almacenaje después de la cosecha, lo que es un factor
esencial para su comercialización. Este es un problema importante para los agricultores,
pues la producción de la fruta excede la demanda de mercados locales de forma que el
cultivo de la lima ha llegado a ser improductivo. Para evitarlo este sistema experto
pretende ayudar a que los productores puedan controlar la vida de la fruta hasta detectar
la necesidad del producto en el mercado y mejorar la calidad para superar los requisitos
de la exportación. Actualmente hay solamente una versión de este sistema (LIMEX 1.0)
en un centro de investigación (El-Kasassian).
LIMEX se divide en los siguientes subsistemas, cada uno de los cuales se refiere a un
problema específico:
• Evaluación: este subsistema evalúa el clima, el agua y las características del

suelo y proporciona al usuario consejo acerca de la viabilidad de cultivar la
lima en dicho lugar.
• Irrigación: proporciona al usuario un horario para la irrigación con las
cantidades apropiadas de agua teniendo para ello en cuenta la edad de la
planta, el tipo de suelo, contenido de carbonato de calcio del suelo, etc.
• Fertilización: la fertilización fue diseñada como una tarea complementaria a
la irrigación. Según las entradas y la salida del subsistema de irrigación y
según el método del uso del fertilizante, proporciona al usuario las
cantidades y la frecuencia apropiadas del fertilizante según el tipo (abono,
nitrógeno, potasio, hierro, fósforo, cinc, manganeso). Estos horarios están de
acuerdo con el horario recomendado para la irrigación.
• Control de plaga: proporciona al usuario un diagnóstico de un desorden
particular según los síntomas definidos por éste y consejo en el tratamiento
más apropiado. El sistema también aconseja a usuario en operaciones
agrícolas rutinarias como el arado y la poda.
LIMEX fue desarrollado usando una metodología adaptada de KADS, elegida debido al
hecho de que la mayoría de las aproximaciones actuales de la representación del
conocimiento son inadecuadas para el desarrollo sistemático de grandes sistemas
expertos pues no separan el análisis a partir de las fases de diseño y de la puesta en
práctica. De esta forma, el conocimiento adquirido se clasifica en tres capas: 1) la capa
del dominio identifica conceptos y sus características y relaciones; 2) la capa de la
inferencia contiene el conocimiento de la inferencia que modela el conocimiento
requerido; y 3) la capa de la tarea intenta encontrar la inferencia con la que el experto
alcanzaba la conclusión final en términos de tareas y objetivos.
10
Tal acercamiento responde a dos propósitos: proporcionar los medios para entender las
características estructurales del sistema del conocimiento y, al ser un proceso de
representación abstracto, definir y manipulación el conocimiento es automático dando
un mayor control para la verificación.
Para evaluar el funcionamiento de LIMEX se utilizó el método de compararlo con un

grupo de expertos a través de un número de casos. Para cada módulo de uso, fue
probado en veinte casos (generados por el experto del dominio y el equipo de desarrollo)
que formaban una muestra representativa de casos del mundo real y que fueron dados a
otros cuatro expertos independientemente para su resolución. Los casos solucionados de
la prueba entonces fueron evaluados por otros expertos en cooperación con el experto
del dominio del proyecto que participó en el desarrollo. Los criterios usados para juzgar
el funcionamiento de LIMEX fueron: a) el grado en el cual determinó, diagnosticó
correctamente, identificó o verificó los casos y presentó las recomendaciones; y b) la
eficacia de las recomendaciones que proporcionó.
Excelente Bueno Aceptable

Total
(nº casos*3) (nº casos*2) (nº casos*1)
Experto 1 30 4 5 39
Experto 2 18 8 8 34
Sistema
36 4 4 44
experto
Experto 4 3 6 10 19
Experto 5 0 10 13 23
2.5 GMA: consejero de la comercialización de granos
El GMA fue desarrollado en 1985 en la universidad de Purdue en Indiana (véase

THIEME et aluminio., 1985).
La decisión de la comercialización esencialmente está en los siguientes factores:
• disponibilidad del almacenaje (granja, comercio, ninguna)

• disponibilidad de zona de secado del grano (granja, comercio)
• tendencia de precio (alza, baja, mantiene)
• nivel de precio (numérico, valor)
• tendencia de la base (mejora, debilita)
• elegibilidad del programa del gobierno (elegible, emergencia elegible)
• periodo del tiempo (pre-cosecha, cosecha, post-cosecha).
Este sistema tiene la forma de un árbol de decisión en el que la trayectoria seguida

dependerá de las respuestas del usuario. En la siguiente figura mostramos una de las
posibles trayectorias:
11
El comienzo de la reunión con una introducción corta:
OBJETIVO ACTUAL:
Welcome to the Grain Marketing Advisor. This program is a rule-based decision

support system that uses human expertise to analyze information that you provide.
A marketing alternative will be chosen that is appropriate for the situation that is
described.
La siguiente pregunta decidirá la trayectoria, ya que seleccionamos la raíz del árbol de

decisión sobre ella, que trayectoria, sobre la base de eso La raíz del árbol de la decisión
se selecciona:
12
Would you like to CHOOSE a marketing alternative, or RESERVE a previously

made decision?
*CHOOSE-AN-ALTERNATIVE
RESERVE-A-DECISION
Are you willing to speculate for higher return?
*YES
NO
What is the current futures price trend?
*UP
DOWN
What is the current basis trend?
IMPROVING
*WEAKENING
Do you expect the basis trend to reverse soon?
YES
*NO
What is the time of year?
PREHARVEST
*HARVEST
POSTHARVEST
What type of storage will you use, if storage is needed?
FARM
*COMMERCIAL
NONE
Do you desire a marketing alternative that provides downside price insurance?
*YES
13
NO
Are storage revenues from forward contracting greater than storage costs?
*YES
NO
Aquí termina la serie de preguntas y obtenemos el informe,
The marketing recommendation is as follows:
FORWARD CONTRACT YOUR GRAIN at the elevator of your choice and BUY
CALL OPTIONS. In this way you will lock in the weakening basis and still receive
the higher price level if the price rises. If the price falls, you still have price
protection. If you are certain that prices will rise, it would be more profitable to
buy futures contracts, because you do not need to pay a premium to buy futures
contracts as you do when you buy call options.
** End - RETURN/ENTER to continue.
2.6 PLANT/DS
El sistema experto PLANT/DS se desarrolló originalmente en 1979/80 en la universidad

de Illinois (1970/80) con una herramienta inductiva llamada AQ11 (véase MICHALSKI
y CHILAUSKY, 1980). Este sistema experto sirve para diagnosticar la enfermedad de
la soja. Se realizaron dos sistemas expertos para una comparación posterior. La
representación del conocimiento se realiza por medio de reglas: en el primer sistema
experto se obtienen de las entrevistas con un experto, y en el segundo son ejemplos
inductivos, en el que un experto diagnosticaba la enfermedad.
Como resultado de la comparación, el sistema experto derivado de los ejemplos tenía un

grado más alto de exactitud.
2.7 SOYBUG
Este es un sistema experto para el control de parásitos en habas de la soja que se

desarrolló en la universidad de Florida (1985/86), esta herramienta se basaba en las
reglas del sistema INSIGHT 2+. El sistema fue desarrollado por IBM para
microordenadores compatibles.
La trayectoria de la decisión es, como con en el GMA, representable como recorte del
árbol de decisión. El final del camino nos lleva al uso de uno u otro insecticida
específico.
Los autores comentan que la mayor parte del tiempo se dedicó a conocer el vocabulario
técnico y que el problema central con el desarrollo del sistema experto fue la
adquisición de conocimiento, como suele ocurrir. Los pasos que se siguieron en la
adquisición de conocimiento fueron:
14
1. Observar soluciones de expertos a problemas reales.

2. Discutir el tipo de datos, conocimiento, y los procedimientos requeridos para
unos problemas particulares.
3. Desarrollar la descripción con el experto de los problemas prototipo asociados
con cada categoría de respuestas.
4. Hacer que el experto solucione una serie de problemas realistas en voz alta,
pregunte el razonamiento realizado en cada paso.
5. Solucionar los problemas proporcionados por el experto usando las reglas
desarrolladas en las entrevistas.
6. Realizar una revisión experta y critique las reglas y la estructura de control.
7. Hacer que expertos exteriores solucionen los problemas ya propuestos al
prototipo del sistema.
Con la realización de una prueba consistente en 19 panoramas propuestos por diversos

expertos y tras obtenerse las recomendaciones estándar, se dio por finalizado el sistema,
aunque la exactitud en las conclusiones dejaba mucho que desear.
2.8 COMAX
COMAX se desarrolló en la Mississippi State University en cooperación con otras

instituciones en un proyecto de investigación interdisciplinario (1984-86). Es un sistema
experto para la gestión del algodón basado en reglas, escrito en LISP. Contiene cerca de
50 reglas.
COMAX interacciona con una estación meteorológica con y con GOSSYM (simulador
del crecimiento del algodón). El modelo universal se bosqueja, para computar
diariamente durante el crecimiento, el período óptimo de la irrigación de aerosol, la
cantidad de fertilizante necesario y la fecha de la cosecha prevista.
Este sistema es un ejemplo de la integración de los algoritmos convencionales y los

sistemas expertos.
2.9 ARTIFACT
Este sistema experto fue desarrollado en Heriot-Watt-University en Edimburgo para el

control con realimentación inteligente en tiempo real.. Usa el lenguaje de programación
C. Los autores justifican este sistema (véase FRANCIS y LEITCH, 1984, S.151): "los
métodos analíticos convencionales de control asumen necesariamente una descripción
del proceso en términos de ecuaciones diferenciales o en diferencias. Para el sistema
complejo... las suposiciones del modelado esencial son raramente válidas bajo el rango
normal de condiciones. …Además, la comprensión humana de un sistema y de sus
descripciones matemáticas son a menudo extrañas, dando por resultado una laguna de
comprensión y pérdida de confianza en las decisiones de control. ... El conocimiento
basado en control ofrece ventajas considerables en contraste con métodos analíticos".
2.10 Más sistemas expertos
Un sistema experto de uso comercial es el Wheat Counsellor (Consejero del trigo),

sobretodo en Gran Bretaña. El granjero tiene acceso a este servicio a través de un
sistema residente en un gigantesco ordenador mediante el sistema VIDEOTEX.
15
Otros sistemas expertos preparan programas de cultivos, predicen o previenen la erosión

del suelo. También tratan los problemas de la rotación de cosecha, problemas de secado
del grano o la localización de averías en el funcionamiento de una cosechadora de
granos.
3 Uso de redes neuronales (NN: Neural Networks) y de técnicas

de lógica borrosa (Fuzzy Logic) en el sector del agua
3.1 Introducción
Una amplia gama del uso de NN y de técnicas de la lógica borrosa se ha investigado en

el campo de la gestión de los recursos del agua. Desde un punto de vista más general,
las técnicas de la Inteligencia Artificial (AI) se pueden aplicar para la predicción,
simulación, identificación, clasificación y optimización. En el campo de la gestión de
los recursos del agua tenemos:
Simulación: los modelos deterministas se utilizan a menudo para la simulación de

varios procesos que se relacionan con la gestión del agua tales como hidrodinamismo,
morfología, calidad ecológica del agua, flujo de agua subterránea, etc. Todos estos
modelos necesitaban una descripción detallada de los procesos que experimentan. Por el
contrario, las redes neuronales (NN) no requieren del conocimiento explícito de
procesos físicos y las relaciones se pueden extraer de una base de datos medidos. En la
mayoría de ocasiones se ha demostrado que las redes neuronales tienden a un resultado
mejor que los modelos deterministas, con la condición de que el proceso bajo
consideración no se cambia en el tiempo.
Predicción: si se conocen las variables significativas, sin saber las relaciones exactas,
las NN son capaces de ajustar una función con múltiples parámetros a la información
existente y de predecir las posibles relaciones futuras. Algunos ejemplos de esta clase de
problema son: la predicción de precipitaciones, el nivel del agua y las relaciones de la
descarga, demanda de agua potable, flujo y transporte del sedimento, predicción de la
calidad del agua, etc.
Identificación y clasificación: para representar los datos más eficientemente es

necesario extraer las características más importantes del conjunto de datos. El objetivo
final de la extracción de la característica es en sí una clasificación. Las redes neuronales
no supervisadas incorporan a menudo características de auto-organización.
Optimización: las redes neuronales o la lógica borrosa no son técnicas de optimización.

Sin embargo, haciendo uso capacidad de generalización, se aproximan a la solución
óptima o la optimizan a través del entrenamiento continuado de sus pesos (en redes
neuronales) o de su función MEMBERSHIP (en la lógica borrosa).
3.2 Uso de redes neuronales en el sector del agua
16
3.2.1 Sistemas de agua potable
Predicción del consumo de agua potable
La predicción del consumo de agua de la comunidad no es una tarea fácil,

pueden existir muchos factores que intervengan en el tema. Solamente unas
pocas compañías de abastecimiento de agua en los Países Bajos utilizan modelos
automatizados de predicción. Por otra parte, la exactitud de la predicción por
estos modelos no es siempre satisfactoria, particularmente durante el período de
consumo máximo sobre la base diaria, el nivel de error alcanza el 25%. Aafjes
(1997) investigó una predicción a corto plazo del consumo de agua comunitario
de varias formas: usando un sistema experto tradicional, una red neuronal (NN)
y por último la combinación de ambos.
Para el desarrollo del modelo de la NN, se han estudiado 5 variantes para

relacionar la predicción del consumo de agua a partir de los datos de consumo de
los 7 días anteriores. Los datos de consumo en cada hora del día anterior y del
mismo día pero de la semana anterior suponían la entrada que daba el mejor
resultado. También el día de la semana se da como entrada porque el consumo
del agua puede variar en diversos días de la semana. También se incluyen otros
datos medidos como por ejemplo la presión del aire, la radiación global, la
temperatura y la precipitación. Los datos climáticos durante el día, entre las
9:00-19:00 horas mejoró el funcionamiento de la red. La inclusión de la
diferencia entre la radiación global del día actual y del día anterior mejoró
perceptiblemente el funcionamiento.
Los sistemas expertos se han desarrollado para los días en los que la predicción
mediante redes neuronales da un error grande: días de fiesta nacional, días de
fiesta escolar y días después de días de fiesta. Primero se realiza la predicción
con las NN y luego se usa el sistema experto para corregir el error que se haya
podido cometer.
La exactitud de la predicción del consumo de agua basado en red neuronal

considera satisfactorio. Para la predicción a corto plazo, la comparación del
resultado del modelo de NN con el resultado del modelo basado en el análisis
estadístico convencional (ARIMA) demuestra una mejora en el modelo de NN.
Calidad del agua potable
En el control de calidad del agua, la valoración de la evolución de la calidad del

agua desde la planta de tratamiento al consumidor es importante. Durante el
transporte del agua a través de la red de distribución, la concentración de clorina
residual garantiza la calidad del agua microbiológicamente. La concentración
residual de clorina disminuye debido a las reacciones producidas en el interior
de la tubería. El primer estudio comparativo entre el modelo convencional de
primer orden y el modelo de una red neuronal en la evolución residual de clorina
es realizado por Rodriguez en 1997. El modelo convencional con la ecuación
semiempírica de primer orden es como sigue:
CD= CU e- KT
17
Donde CD y CU denotan la concentración de la clorina en el punto en sentido

descendiente y ascendente respectivamente, T es el tiempo del recorrido y K
denota el coeficiente de decaimiento de la clorina. K puede variar en tiempo y
espacio dependiendo de muchos parámetros. Por lo tanto, muchos de los trabajos
sobre la valoración exacta del coeficiente K son necesarios.
Los resultados obtenidos por el modelo de la NN demuestran una alta exactitud.
Zhang y Stanley (1997) investigaron el problema del pronóstico de la calidad

del agua cruda que llega a la planta de tratamiento usando un modelo de red
neuronal. Para satisfacer los cambios en calidad del agua entrante y proveer agua
de alta calidad a los consumidores, ajustando los procesos del tratamiento de una
manera óptima, es deseable saber la calidad del agua entrante por adelantado.
Gracias a investigaciones anteriores se obtuvo como resultado que el color del
agua cruda y la turbiedad son los parámetros más importantes que afectan en los
procesos del tratamiento.
3.2.2 Sistemas de aguas interiores
Predicción del nivel del agua del lago
Se ha utilizado una red neuronal auto regresiva (ARNN) para predecir el nivel de
agua del lago IJsselmeer, en el norte de Holanda, basándose en la descarga del
río, el nivel del agua en la playa y en los canales y el acontecimiento del viento
(Gautam, 1999). Aunque las lluvias sobre el lago y la evaporación influyen en el
nivel del agua, el efecto es insignificante comparado con los otros parámetros
mencionados. El lago descarga el agua a través de las esclusas de los canales
durante la marea baja y es importante saber el nivel del agua y la cantidad de
descarga al mar. El almacenaje y la descarga del lago, de la velocidad del viento
y de la dirección, nivel del agua en el lado del mar, el nivel del agua bajo diario
de la marea se considera como entradas a las redes. Entrenado continuamente
con los datos medidos, la ARNN puede ser una prometedora herramienta para
predecir el nivel del agua, demostrando un resultado levemente mejor que el
técnico modelo numérico.
Limpieza de la contaminación del agua subterránea
La limpieza de un acuífero contaminado es un problema muy complejo y

costoso. El método utilizado es el de bombeo y tratamiento. Luego es necesario
un sistema que extraiga y devuelva el agua al acuífero una vez haya sido tratada
esta. Por lo que las técnicas de optimización se utilizan para determinar las
tarifas de bombeo óptimas. Para conseguir estas técnicas de optimización
necesitamos un modelo de simulación. Maskey (2000) ha investigado la
posibilidad de aplicar redes neuronales para replicar el modelo de simulación. El
modelo de NN ha sido entrenado en base de los datos de la simulación (tarifas de
bombeo) para producir el tiempo óptimo de limpieza o coste de la limpieza.
El resultado obtenido por la NN demuestra una exactitud razonable. La red

neuronal debe ser entrenado en intervalos más fino que con las variables de
decisión para producir un resultado exacto.
18
3.3 Uso de las técnicas de la lógica confusa en el sector del agua
3.3.1 Sistemas de aguas interiores
Análisis de la calidad del agua
El problema de la calidad del agua tiene muchas incertidumbres inherentes y las

técnicas de la lógica borrosa son particularmente convenientes para este tipo de
problemas con información imprecisa. Los estándares de la calidad del agua
pueden ser definidos por transiciones suaves desde calidad deseable a nivel
inadecuado. Iwanaga (1997) realizó un estudio comparativo entre el uso de la
lógica borrosa y del análisis de la regresión múltiple para analizar la calidad del
agua. Este estudio se realizó en Japón. Tras comparar ambos resultados y
concluyó que el funcionamiento de la lógica borrosa era mejor que el modelo
profético convencional.
Clasificación de la calidad del agua de la corriente
Clasificar la calidad del agua es exactamente una de las tareas principales para el
problema de la gestión de la calidad del agua, particularmente cuando hay un
aumento de preocupación por el impacto ecológico de la contaminación del agua.
Lee (1997) ha investigado una clasificación de la calidad del agua de la corriente,
su toxicidad y rareza usando el sistema borroso basado en reglas (FRBS: Fuzzy
Rule-Based System). Cuatro tipos de calidad del agua se distinguen en base a la
información ecológica. Los indicadores físicos y biológicos se utilizan para
definir las clases. Un total de 30 reglas if-then (causa-efecto) están contenidas en
4 funciones MEMBERSHIP de la calidad distintas para cada indicador.
Para la salida, 7 funciones MEMBERSHIP de la calidad para la clasificación, 3

para la toxicidad y la rareza son utilizadas. El uso del FRBS se compara con el
uso de la clasificación normal del sistema experto, ya que se basa en la misma
base de reglas. El resultado de la comparación demuestra claramente que el uso
de FRBS puede ocuparse del problema absolutamente más cercano a la realidad
y puede proporcionar una salida curvada en vez de un gráfico de barras obtenido
por el convencional sistema experto, reduciendo así la inexactitud.
Pronóstico de sequía
Pongracz en 1999, realizó un estudio un sistema FRBM (Fuzzy Rule-Based

System) para pronosticar sequías en los EEUU. Este sistema se basaba en los
datos atmosféricos del patrón de circulación del fenómeno de EL Niño/Southern
Oscillation (ENSO). En este estudio, se evaluaba de forma mensual el Southern
Oscillation Index (SOI), que es el mejor indicador de los acontecimientos
calientes y fríos del ENSO. El índice de indicación de sequía es el Palmer
Modified Drought Index (PMDI), el cual se basa en el principio del equilibrio
entre la fuente de la humedad y la demanda sin la implicación de cambios
artificiales.
El sistema fue utilizado para 8 divisiones del clima de Nebraska y del resultado
obtenido parece ser razonable. La correlación media entre las observaciones y
19
los valores estimados son del 75-80%. Esto confirma que en la sequía influyen
una gran cantidad de fenómenos atmosféricos, hidrológicos, agrícolas, que no
fueron considerados en el estudio.
REFERENCIAS
· Página con proyectos relacionados con la agricultura:
http://www.aaai.org/AITopics/html/agri.html
· The Central Laboratory For Agricultural Expert Systems:
http://potato.claes.sci.eg/claes/project.htm
· Página con proyectos relacionados con la calidad del agua:
http://www.stowa-nn.ihe.nl/
· Página sobre sistemas expertos en agricultura:
http://www.landw.uni-halle.de/lb/publikationen/
20

4 Mem

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

4 Mem

Cargado por

Copyright:

Formatos disponibles

INTELIGENCIA EN REDES

JAVIER GONZÁLEZ LLORENTE

SISTEMAS EXPERTOS EN LAS CIENCIAS AGRARIAS

• Sistemas del índice de tarjeta: procesan la información, tradicionalmente se

Aparte de estos sistemas dato-orientados se describen cuatro modelos-orientados para la

2 Usos disponibles de los sistemas expertos en las ciencias

2.1 ESICM: Sistema Experto para la mejora de la gestión del cultivo

Este proyecto comienza en 1989 financiado por la FAO y el programa de desarrollo de

Sistema experto para el cultivo de pepino. El sistema ha sido establecido en

• Diagnosis: proporciona al usuario un diagnóstico del desorden que

La metodología empleada para el desarrollo de este sistema experto se divide en

La idea detrás del principio de modelo múltiple de KADS es que el espacio de

 de organización: proporciona un análisis del ambiente socio-

 de tarea: especifica cómo el sistema funciona según lo especificado

La técnica adoptada para la validación del sistema experto es la evaluación de su

P = (nº casos E * 3 + nº casos G * 2 + nº casos A * 1) / nº total de casos

donde E, G y A, representan los casos excelente, bueno y aceptable. Este factor

P = (nº de casos verdaderos / nº total de casos) * 3

La tabla siguiente muestra los factores calculados:

CUPTEX Experto 1 Experto 2 Experto 3

Según esta tabla, el sistema experto es el mejor en cuatro subsistemas y ocupa el

A continuación presentamos una lista de todas las versiones:

¾ Marzo 1991: Sistema experto para la producción de la planta de

Sistema experto para la producción de la naranja. El sistema ha sido establecido

• Evaluación: este subsistema tiene dos funciones. Primero, debe

Como en el sistema experto anterior, la metodología seguida en su desarrollo es

donde G y P son respectivamente la puntuación media y la puntuación obtenida

CITEX Experto 1 Experto 2 Experto 3

Según muestra esta tabla, a excepción del subsistema de la irrigación, CITEX

A continuación presentamos una lista de todas las versiones:

¾ Junio 1991: Sistema experto desarrollado para determinar la

2.2 NEPER WHEAT

• Aconsejar al granjero en la preparación del campo.

Los subsistemas principales de Neper son: sistema de planificación, sistema de la

Para el desarrollo de este sistema experto se ha seguido la aproximación de tareas

“La necesidad de GT proviene del hecho de que el nivel de abstracción en KBS

El sistema de identificación de parásitos fue implementado usando la herramienta para

Gráfico de la evaluación de la diagnosis de enfermedad

Los resultados de la diagnosis de la enfermedad del sistema experto son equivalentes a

Gráfico de la evaluación de la diagnosis de insectos

En el insecto, así como en la gráfica siguiente del subsistema de la deficiencia de la

Gráfico de la evaluación de la deficiencia de nutrición

El subsistema de la diagnosis puede realizar dos tareas: la primera, proporcionar al

El objetivo del sistema de tratamiento es aconsejar al usuario sobre la operación de

La metodología utilizada en el diseño del sistema consta de los siguientes elementos:

• Redes de dependencia: medio para la comunicación con los cuales los

A continuación se muestra una lista de todas las versiones:

¾ Enero 1995: Tomatex 1.0, implementada en LEVEL-5.

• Evaluación: este subsistema evalúa el clima, el agua y las características del

Para evaluar el funcionamiento de LIMEX se utilizó el método de compararlo con un

Excelente Bueno Aceptable

2.5 GMA: consejero de la comercialización de granos

El GMA fue desarrollado en 1985 en la universidad de Purdue en Indiana (véase

La decisión de la comercialización esencialmente está en los siguientes factores:

• disponibilidad del almacenaje (granja, comercio, ninguna)

Este sistema tiene la forma de un árbol de decisión en el que la trayectoria seguida

El comienzo de la reunión con una introducción corta:

Welcome to the Grain Marketing Advisor. This program is a rule-based decision

La siguiente pregunta decidirá la trayectoria, ya que seleccionamos la raíz del árbol de

Would you like to CHOOSE a marketing alternative, or RESERVE a previously

Are you willing to speculate for higher return?

What is the current futures price trend?

What is the current basis trend?

de organización: proporciona un análisis del ambiente socio-

de tarea: especifica cómo el sistema funciona según lo especificado