Topics about Data Sciences and BI
Ed Condori

Ranking Troomes
Mensajes: 15
Registrado: 08 Ene 2020, 19:19

Introducción a la predicción de heladas usando modelos de inteligencia artificial

Mensaje por Ed Condori » 14 Ago 2020, 21:01

Machine Learning for Prediction of Frost Episodes in the Maule Region of Chile

Los autores revisan diferentes trabajos entre las que destacan tenemos:
“Responses of Plants to Environmental Stresses. Chilling, Freezing and High Temperature Stresses and Responses and Adaptation to Freezing Stress”
Se dice que la sensibilidad al frío de una planta depende de su estado de desarrollo, siendo las etapas fenológicas más vulnerables la floración y la fructificación.

“Evaluation of the occurence of agricultural frost in state of Parana, Brazil, generated by a regional forecast model”
Indica que la frecuencia y los efectos de las condiciones de heladas en la agricultura se han exhibido en todo el mundo durante los últimos años teniendo en cuenta que el artículo fue publicado en 2017. Además, utilizan modelos de inteligencia artificial para desarrollar modelos que permita predecir condiciones climáticas extremas.

“Techniques of frost prediction and methods of frost and cold protection. World Meteorological Organization Technical Note”
La previsibilidad de los eventos de heladas depende en gran medida de los pronósticos de temperatura basados en modelos predictivos generales.

El problema que tratan son pérdidas en el sector productivo agrícola a causa de las heladas, en Chile, provocando perdidas de la cosecha de un año entero y comprometiendo ingresos del año siguiente, sobre todo para fruticultores y viticultores. Lo que se plantea es procesar información obtenida de Automatic Weather Station AWS que incluye información de temperatura, humedad, radiación y velocidad y dirección del viento entre otros. Se evalúan bajo los métodos de clasificación Naives Bayes, Random-Forest, Arboles de decisión y SVM. Todos implementados en lenguaje de programación R. Como resultado se obtiene que Random-Forest obtiene mejores resultados que los otros modelos. El modelo desarrollado alcanza una eficiencia cercana al (90%) de eficiencia, pudiendo predecir hasta con 12 h de anticipación la ocurrencia de un episodio de helada.

Conclusiones
Las heladas registradas en datos históricos muestran efectos devastadores para la agricultura en el centro-sur de Chile. Se evaluaron varios métodos de aprendizaje automático para esta tarea, encontrando que el algoritmo de clasificación Random-Forest dio los mejores resultados en los diferentes escenarios y condiciones evaluados para registros congelados y no congelados en el período 2010-2016 de los diferentes AWS estudiados en el Maule Región - Chile. Sin embargo, es importante mencionar que es necesario estudiar área por área por separado, de acuerdo con los resultados obtenidos.

Frost Forecast using Machine Learning - from association to causality

Los autores revisan diversos trabajos como:
• “Daños extremos por nevadas y heladas en Europa”
• “El calentamiento global aumenta el daño por heladas en los árboles en Europa Central”
• “Aplicación de redes neuronales artificiales para la detección de heladas en el centro de Chile utilizando el pronóstico de temperatura mínima del aire al día siguiente”
• “Predicción y aplicaciones de series temporales, un enfoque de inteligencia artificial”

Las heladas son un tipo de fenómeno climático que causa daños a las plantas de modo que afecta al cultivo. La ocurrencia de heladas está estrechamente relacionada con múltiples factores ambientales que incluyen temperatura, humedad, radiación y más. El artículo propone la construcción de modelos predictivos utilizando un enfoque de máquina de vectores de soporte para capturar posibles causas relación entre estos factores y las heladas. Se espera que estos modelos entrenados con datos locales específicos ayuden a pronosticar las heladas con unas pocas horas de anticipación en el área local. En el artículo se discute el análisis de problemas, la metodología de modelado y el conjunto de modelos, y se experimenta con datos reales.

Como resultado se obtiene:
Tasa de recuperaciónhorasfalsa alarma
100%1h18.9%
99.3%2h20.1%
99.83h9.6%
que la tasa de recuperación del modelo individual se ha logrado al 100%, 99,3% y 99,8%, en términos deprobabilidad de heladas en las próximas 1 h, 2 h y 3 h, respectivamente con la correspondiente falsa alarma al 18,9%, 20,1% y9,6%.


Conclusiones
Se ha propuesto el pronóstico de heladas por aprendizaje automático a partir de datos utilizando una máquina de vectores de soporte para regresión (SVR).

Se confirma que la temperatura es el factor clave para participar en los modelos predictivos de heladas; la humedad ayuda a una alarma temprana en un período relativamente más largo, como en 2 horas o 3 horas antes; y la radiación mejora la sensibilidad de respuesta a algunos cambios locales en un período corto.

Referencias:
Artículo 1: Machine Learning for Prediction of Frost Episodes in the Maule Region of Chile
Artículo 2: Frost Forecast using Machine Learning - from association to causality


Responder