PRÁCTICA 5.

LAS REDES NEURONALES COMO OPCIÓN PARA INCLUIR

BASES DE DATOS CON LA FINALIDAD DE PREDECIR EL RENDIMIENTO
DE CULTIVOS

INTRODUCCIÓN
Las redes neuronales artificiales son un sistema de procesamiento de información no-
algorítmico ni digital, que produce modelos estadísticos, diferenciables no lineales e
intensamente paralelos, capaces de aprender de datos incompletos y con ruido, los cuales se
basan en el conocimiento actual del sistema nervioso de los diferentes organismos vivos.

En comparación con los clasificadores tradicionales, las redes neuronales son no-
paramétricas y hacen suposiciones débiles con respecto a la forma de la distribución del
sistema estudiado. Los modelos generados son más robustos cuando los sistemas son no
lineales y tienen una función de distribución diferente a la Gaussiana (Caudill y Butler, 1992).
Se construyen mediante el ajuste de un juego de valores conocidos como “pesos” mediante
un proceso llamado “entrenamiento” el cual se lleva a cabo usando juegos de pares de
valores de entrada y salida al modelo. Entonces, los “pesos” se ajustan hasta que la
predicción del modelo se acerca a los valores observados. Subsecuentemente, el modelo es
capaz de procesar valores de entrada no incluidos en los datos durante el “entrenamiento”.
Las redes neuronales no tienen reglas ni funciones. Carecen de exactitud pero proveen de
una aproximación confiable del sistema que se quiere modelar y pueden incluir variaciones
que en otros sistemas se consideran ruido (Neural Innovations Ltd., 1997).

Las redes neuronales artificiales han sido inicialmente aplicadas en áreas tales como
reconocimiento de imágenes y voz en donde muchas hipótesis se evalúan en paralelo y se
requiere alta capacidad de cómputo. En vez de efectuar un programa secuencialmente como
lo haría una computadora von Neumann, las redes neuronales artificiales exploran muchas
hipótesis que compiten simultáneamente entre ellas (Lippmann, 1987).

El sistema de redes neuronales artificiales es una opción en agricultura; no solamente para

clasificar, evaluar o detectar eventos en agricultura, sino también como una herramienta
predictiva del rendimiento y calidad de la producción si se cuenta con bases de datos
meteorológicos, de manejo y características varietales de años anteriores.

OBJETIVO
Aplicar las redes neuronales artificiales para crear modelos predictivos de variables de interés
agronómico

MATERIALES Y MÉTODOS
Utilizando los registros históricos experimentales de un cultivo, crear una base de datos para
entrenar una red neuronal y obtener un modelo. Alternativamente, producir pseudodatos
utilizando un modelo mecanístico en donde se obtengan diferentes escenarios
meteorológicos mediante un generador de clima. Utilizar esta base de datos para entrenar y
probar la red neuronal.

Decidir cual es la mejor relación entre datos necesarios para el entrenamiento de la red
neuronal y el número de datos necesarios para probar la capacidad predictiva del modelo.
También decidir cuantos datos requiere para el entrenamiento y la prueba del modelo.

Crear índices o valores de entrada para la red neuronal en donde el rendimiento o la calidad
de la producción sea la variable respuesta.

DISCUSIÓN
De acuerdo a los resultados, ¿Cree haber obtenido un nivel de error aceptable entre datos
observados y obtenidos? Defina cuales son los problemas al generar un modelo mediante
redes neuronales. Discuta la validez de los resultados y la posibilidad de aplicación. ¿Cuáles
son las mayores limitaciones al utilizar este sistema de predicción?

REPORTE
El reporte debe incluir una introducción breve, resultados, discusión y conclusiones en un
máximo de 800 palabras. Criterios de evaluación: sistema experto y análisis de resultados
80%, contenido del reporte 10% y presentación 10%.
BIBLIOGRAFÍA
BRONER, I. AND COMSTOCK, C.R. (1997) Combining expert systems and neural networks for learning
site-specific conditions. Computers and Electronics in Agriculture, 19, 37-53

CAUDILL, M. AND BUTLER, C. (1992) Understanding Neural Networks: Computer Explorations. Volume 1: Basic
Networks. The MIT Press. Cambridge.

LIPPMANN, R.P. (1987) An introduction to computing with neural networks. IEEE ASSP 4-22

MORIMOTO, T., TAKEUCHI, T., MIYATA, H. AND HASHIMOTO, Y. (2000) Pattern recognition of fruit
shape based on the concept of chaos and neural networks. Computers and Electronics in Agriculture, 26, 171-
186

NEURAL INOVATION LTD. (1997) Introduction to data modelling, Proforma User Guide. pp. 116-134. Neural
Innovation Ltd., England

ROSA, D DE LA, MAYOL, F., MORENO, J.A., BONSON, T. AND LOZANO, S. (1999) An expert
system/neural network model (ImpelERO) for evaluating agricultural soil erosion in Andalucia region,
southern Spain, Agriculture. Ecosystems and Environment, 73, 211-226

TIMMERMANS, A.J.M. AND HULZEBOSCH. (1996) Computer vision system for on-line sorting of pot
plants using an artificial neural network classifier. Computers and Electronics in Agriculture, 15, 41-55