Evaluador de afectaciones climáticas en el desarrollo fenológico de cultivos mediante redes neuronales

Abstract

Resumen Las redes neuronales son utilizadas en la actualidad para múltiples tareas, una de ellas la predicción de fenómenos sociales y naturales. Considerando su eficacia en tareas de predicción y su capacidad de modelar sistemas de manera robusta, es que se plantea el objetivo de evaluarlas como método de predicción de variables fenológicas esperando demostrar su utilidad en situaciones de riesgo y aprovecharla en casos reales, para poder utilizarlas en la optimización y la adaptación de la agricultura ante situaciones de riesgo, con el fin de que se pueda tomar una mejor decisión agrónoma sobre los cultivos y aumentar con esto la producción de alimentos, disminuyendo pérdidas y a su vez, con esto, costos que afectan tanto a la economía de los agricultores como a la de todos los consumidores. Para realizar una evaluación rigurosa se toman en consideración distintas redes neuronales como: red feedforward, red recurrente, red de función base radial, red convolucional y mapas autoorganizados, comparando la eficiencia de cada una de ellas de acuerdo a los datos que se analizan y las variables que se predicen, realizando la comparativa por medio del error absoluto, el error mínimo cuadrado, el coeficiente de determinación, el sesgo y el tiempo de ejecución, teniendo con ello una vista general de cada una de las redes neuronales. A su vez, se realiza la comparación contra otros métodos, una máquina de soporte vectorial y, principalmente, contra los modelos tomando como referencia los modelos ARIMA, para poder revisar si las redes son opciones contra métodos más robustas que ellas. Para poder realizar todo el análisis de estas herramientas se presenta un caso de estudio en Aguascalientes, en VERDUMEX con el cultivo de jitomates, sin embargo, se propone como un modelo fácilmente replicable para enfrentar las situaciones de riesgo actuales: tanto climáticas como alimentarias. Dada la situación actual de riesgo climático y alimentario se evalúan las redes neuronales como una alternativa clave en la predicción fenológica mostrando a lo 7 largo del documento comparaciones de pruebas para validar su funcionamiento y eficiencia, logrando mostrar la calidad de las predicciones hechas útiles en la adaptación de los cultivos.

Abstract The neural networks have been applied for a lot of different tasks, prediction as one of them. With the objective of analyzing their performance in a real and practical case of study related to agriculture and phenological risks, they will be used as a tool for optimize the harvest, improving the production, and decreasing the wastage of crops, and as consequence decreasing the economic losses of agricultural producers and consuming public. The thorough analysis involves the exploration of different neural networks as: Feedforward Network (FFN), Recurrent Neural Network (RNN), Radial Basis Function Network (RBFN), Convolutional Neural Network (CNN), and Self Organized Map (SOM). The efficiency is proved by analyzing the MSE, Absolute Error, coefficient of determination, Bias and execution time. Also, the neural networks are also compared against other methods: the Support Vector Machine (SVM), and the ARIMA models. This comparison makes possible to determine if the neural networks are an alternative against more robust models and finally to infer about their efficacy in the cases of study. The case of study where the investigation is applied is in VERDUMEX, a Mexican company located in Aguascalientes, where the information about tomato crops is used to predict about the need of the crop. Although, it can be replicated and applied which is the main characteristic that the project is trying to reach due to the meteorological and food supply risks. Are the neural networks the tool that is needed to adapt the agriculture to the new worldwide changes? This document validates the importance of the neural networks and how easily they can be modified to be adapted to the different model being a great option to overcome the risks.