INTRODUCCIÓN
En la agricultura, no es posible utilizar métodos deterministas, ni controlar todas las variables climáticas, ecológicas y económicas, por ello es necesario, recurrir a la rama más moderna de la informática que es la Inteligencia Artificial (IA) (Berbel, 1989). Dentro de los modelos conexionistas de la inteligencia artificial se encuentran los mapas cognitivos difusos (FCM) que fueron propuestos por (Kosko et al., 1986) como un método de representación del conocimiento basado en gráficos que describe un conjunto de conceptos en un dominio de interés que están conectados por relaciones de causa y efecto entre ellos (Felix et al., 2017).
En las últimas décadas se han incrementado las investigaciones relacionadas con la teoría de los FCM en muchas esferas tales como ingeniería, negocios y gestión, medio ambiente, medicina y telecomunicaciones. Los FCM son capaces de manejar situaciones que incluyen descripciones inciertas con procedimientos similares, al razonamiento humano. Eso es un enfoque desafiante para la toma de decisiones, especialmente en entornos de procesamiento complejos, como es el caso de la agricultura.
Debido a lo anterior, dicho entorno no cuenta con muchas aplicaciones en este campo, (Papageorgiou et al., 2010) investiga el rendimiento y sus variaciones en el complejo proceso de gestión del cultivo del algodón, donde influyen aspectos como el suelo, el propio cultivo y determinados factores climáticos, todo ello usando los FCM para modelar y representar el conocimiento de los expertos. Luego, (Papageorgiou et al., 2011) utilizan los FCM para la predicción del rendimiento de ese cultivo, en el cual los algoritmos de aprendizaje automático comparativos proponen decisiones que coinciden con los datos medidos.
Otros ejemplos utilizando una metodología lo constituye, (Papageorgiou et al., 2012) donde los FCM se diseñaron y desarrollaron para representar el conocimiento de los expertos en predicción del rendimiento del cultivo de la manzana utilizando un algoritmo de aprendizaje Hebbian no lineal. El cual, mostró superioridad en la predicción, comparado con la herramienta FCM convencional y los algoritmos de aprendizaje automático de referencia. También se ha utilizado una metodología mejorada del FCM para el modelado del nivel de producción de coco (Jayashree et al., 2015) y la caña de azúcar (Natarajan et al., 2016). En (Mourhir et al., 2017) se propuso una variante del FCM basado en reglas dinámicas para simulaciones en la identificación de los efectos del aumento o disminución de los fertilizantes, donde los resultados revelaron que la disminución a la mitad de tres nutrientes en el fertilizante no reduce el rendimiento en más del 10%.
En Cuba, el interior de las casas de cultivo presenta un nivel de automatización bajo, de allí, que la mayoría de los procesos agrícolas se realizan gracias a la experiencia de sus trabajadores. Por ello, se han desarrollado programas de inversiones para la fabricación y adquisición de equipamientos modernos que integran las nuevas tecnologías de automatización, control y comunicaciones, con el objetivo de desarrollar una agricultura sostenible y productiva (Espinosa, 2017).
Los FCM están construidos principalmente por el conocimiento de expertos a través del dibujo del gráfico. La consulta a expertos constituye un método de alto nivel científico que permite el desarrollo de un criterio grupal, a partir de aproximaciones cualitativas procedentes de la experticia y el conocimiento. En este sentido, se destaca el método Delphi como técnica de investigación que ha ganado gran popularidad en las investigaciones cubanas de las ciencias agrícolas, donde se emplean el método Delphi para la validación de indicadores, variables, modelos de gestión, procedimientos, propuestas metodológicas y estrategias en el sector agropecuario (González et al., 2018). De allí, que este trabajo tenga como objetivo la determinación de un modelo utilizando FCM en el crecimiento y desarrollo de hortalizas en cultivo protegido, a través del criterio de expertos por el método Delphi.
MATERIALES Y MÉTODOS
En esta sección se revisan los principales aspectos de los mapas cognitivos difusos y de la metodología de criterio de expertos para el modelado del crecimiento y desarrollo de hortalizas.
Mapas cognitivos difusos
Desde la perspectiva estructural, un FCM es un dígrafo cognitivo que describe el comportamiento de un sistema físico en términos de nodos y aristas que los conectan. Los conceptos (es decir, los nodos del gráfico) se pueden entender como conjuntos difusos que describen las variables, objetos o entidades del sistema bajo investigación. Las aristas indicadas y equilibradas del gráfico representan las relaciones causales entre los conceptos. Al caracterizar la interacción entre conjuntos difusos en varias iteraciones, los FCM pueden representar escenarios difusos y complejos (Felix et al., 2017).
Los FCM representan una herramienta para el modelado y predicción de sistemas complejos (Kosko et al., 1986) ya que, conocidas las condiciones iniciales del sistema, y los valores de las entradas, se puede predecir su comportamiento a lo largo del tiempo. Están compuesto de cuatro elementos: un vector que representa el conjunto de conceptos del sistema, un vector que contiene los valores de activación de los conceptos. Los valores A i de cada concepto pertenecen al conjunto [0, 1]. También una matriz cuadrada W de tamaño NxN, que almacena los valores de causalidad de un concepto sobre otro, donde cada elemento W ij representa la influencia que tiene la presencia del concepto C i en el sistema sobre el hecho de que se presente el concepto C j . Cada valor de esta matriz se encuentra dentro del rango [-1; 1]. En los FCM existen tres posibles tipos de relaciones causales entre conceptos (Leyva-Vasquez et al., 2014):
Causalidad positiva (W ij > 0): Indica una causalidad positiva entre los conceptos Ci y Cj, es decir, el incremento (disminución) en el valor de Ci lleva al incremento (disminución) en el valor de Cj.
Causalidad negativa (W ij < 0): Indica una causalidad negativa entre entre los conceptos Ci y Cj, es decir, el incremento (disminución) en el valor de Ci lleva al disminución (incremento) en el valor de Cj.
No existencia de relaciones (W ij = 0): Indica la no exitencia de relación causal entre los conceptos Ci y Cj.
Además de una función f, que mantiene acotada la activación de cada concepto dentro del rango [0, 1]. La Figura 1 muestra el FCM y la matriz de peso de un ejemplo sobre la utilización de los insecticidad en el rendimiento de un cultivo (Mourhir et al., 2017).
Una vez establecidos los cuatros elementos, el mapa es capaz de simular en el tiempo el sistema dado. Para esto se debe inicializar el vector A con los valores iniciales de activación de los conceptos. La regla de activación de (Kosko et al., 1986) se repite iterativamente hasta que se cumple una condición de detención. Observe en la ecuación 1, que un FCM produce un vector de estado en cada paso de tiempo discreto que comprende el grado de activación de todos los conceptos.
En la metodología del modelado con FCM, al inicio, los ingenieros del conocimiento (expertos) identifican los conceptos clave y sus condiciones iniciales dentro del caso de estudio específico. Después, identifican las relaciones causales entre estos conceptos y, en tercer lugar, estiman las relaciones causales. Así, el FCM reúne no solo los elementos y sus relaciones sino también las fortalezas de las interconexiones correspondientes (Stylios y Groumpos, 2004).
Selección de expertos
La selección de los expertos se determina por un coeficiente k = ½ (kc + ka), donde kc representa una medida del nivel de conocimientos sobre el tema investigado y ka una medida de las fuentes de argumentación. El cálculo de kc requiere de la autoevaluación del candidato en una escala de 0 a 10, donde el valor seleccionado se divide por 10 para lograr cierta normalización. Respecto al cálculo de ka, también es necesario que el encuestado se autoevalúe, pero atendiendo a seis posibles fuentes de argumentación en una escala tipo Likert. Para ello, debe completar marcando con x en cada fila de la Tabla 1, donde los números constituyen los pesos asignados a cada fuente y aparecen ocultos en el instrumento. Con los valores de la tabla patrón para cada una de las celdas marcadas por el experto, se calcula ka que no es más que el número de puntos obtenidos en total (Zambrano et al., 2015).
El número de expertos a utilizar en un caso de estudio no se encuentra determinado (Williams & Webb, 1994). No obstante, existen en la literatura algunas propuestas, entre las que se puede señalar a (Martínez et al., 2018), que utiliza 9 candidatos; mientras que (Zambrano et al., 2015) aplica la metodología a 25. Aunque también se puede obtener una cantidad estimada a través de la ecuación 2 según (Sarache-Castro et al., 2015):
Donde:
número de expertos |
|
nivel de precisión deseado (±10) |
|
porcentaje de error tolerado |
|
constante calculada a partir del nivel de confianza |
Criterio de expertos
Dentro de los métodos de consulta de experto, se elige la metodología Delphi por ser la más completa y compleja, motivo por el cual su aplicación requiere más tiempo para obtener los resultados de la evaluación de los expertos. Su esencia está dada por la organización de un dialogo anónimo entre expertos consultados individualmente. Dicha consulta se lleva a cabo mediante cuestionarios, con vistas a obtener un consenso general o, al menos, los motivos de una cierta discrepancia (González-Muñoz et al., 2018).
La metodología de criterio de expertos se utiliza para obtener las principales variables de las condiciones del suelo, climáticas y fenológicas involucradas en el crecimiento y desarrollo de hortalizas en cultivo protegido. El primer grupo de encuestas proponen, a través de una escala de relevancia, determinar los conceptos involucrados en el crecimiento y desarrollo de las hortalizas en casas de cultivo. Los especialistas seleccionados valoraron cada pregunta de la encuesta según las categorías: extremadamente relevante (ER), muy relevante (MR), relevante (R), poco relevante (PR) y no relevante (NR).
Las respuestas del cuestionario serán procesadas estadísticamente en el software IBM SPSS Statistics 23 a través de la prueba de W de Kendall y las tablas de frecuencia. La prueba de W de Kendall se utiliza para conocer el grado de asociación entre k conjuntos de rangos (Siegel Castellan, 1995), un valor alto de la w puede interpretarse como un reflejo de que los k expertos están aplicando los mismos estándares al asignar rangos a los ítems. La tabla de frecuencia representa el porciento de expertos que optó por uno de los cinco grados de relevancia.
El segundo grupo de encuestas, posee como objetivo determinar las relaciones causales entre los conceptos determinados en las primeras encuestas. Cada experto debe valorar la correlación entre los conceptos mediante un conjunto de términos lingüísticos difusos S propuestos por (Pérez, 2014) que se exponen en la Tabla 2, que visualiza el dominio de valores (-1; 1), donde los valores positivos expresan la implicación directa y los valores negativos la implicación inversa (Mar et al., 2015).
La agregación o fusión de distintos modelos es relativamente fácil en los FCM. Esta agregación de conocimiento posibilita un mejor modelo final, ya que no se encuentra sujeto únicamente a un único experto, facilitando su empleo en la toma de decisiones en grupo, ya que permite integrar conocimientos de diferentes expertos con modelos mentales diversos (Pérez-Teruel et al., 2014). El proceso de agregación de las relaciones se establece a partir del establecimiento de una función promedio de las matrices que representan el conocimiento causal de los expertos, tal como se muestra en la ecuación:
Donde:
Representa el valor agregado |
|
Cantidad de expertos que participan en el proceso |
|
Vector de correlación expresado por los expertos |
Los valores agregados emitidos por los expertos agrupados mediante la matriz de adyacencia, conforman las relaciones con los pesos de los conceptos, a su vez se conforma el FCM (White & Mazlack, 2011).
RESULTADOS Y DISCUSIÓN
Se ilustra, a continuación, la aplicación de la metodología propuesta para la obtención del modelo de crecimiento y desarrollo de hortalizas, en el cual se determinan las variables y las relaciones causales entre ellas.
Selección de expertos
El instrumento se aplica a 17 candidatos entre ellos profesores de la Facultad de Ciencias Agropecuarias de la Universidad Central "Marta Abreu" de las Villas con más de 10 años de experiencia en la docencia; además de ingenieros y obreros de la UEB de "Cultivos Varios del Valle del Yabú" con vasta experiencia en el manejo agronómico en casas de cultivo. Se establece como criterio de selección k ≤ 0.8 pues según (Feria et al., 2018) representa un coeficiente de competencia del experto alto. De los resultados que se muestran, 9 expertos cumplieron con el criterio establecido (Figura 2).
Criterio de expertos
En los resultados del primer grupo de cuestionarios, la prueba de W de Kendall destaca diferencias significativas entre los criterios de los expertos con un grado de coincidencia entre las respuestas de 0.259; que implica según la escala de (Landis & Koch, 1977) un acuerdo justo.
Se consideraron 19 variables de las cuales calificadas como extremadamente relevantes en la tabla de frecuencia por más del 50 % de los expertos son: humedad relativa (C1), temperatura (C2), iluminación (C3), humedad del suelo (C4), conductividad eléctrica (C5), pH (C6), número de flores y frutos (C10 y C11), masa fresca (C12), masa seca (C13), rendimiento (C14). Mientras que, altura de la planta (C7), número y longitud de los entrenudos (C8 y C9), aunque no cumplen la condición anterior, poseen los porcentajes dentro de los niveles de relevancia. Otro aspecto importante a destacar, dentro del análisis de las encuestas, se encuentra que el número de frutos y el rendimiento que son variables que los expertos señalan con un 100 % de extrema relevancia por ser fundamentales en un proceso productivo (Figura 3).
Las relaciones causales entre las variables en el crecimiento y desarrollo de hortalizas en cultivo protegido se obtuvieron a partir de la agregación del criterio de los expertos según la ecuación 3. La Tabla 3 muestra la matriz de adyacencia obtenida, en la cual los mayores pesos positivos lo constituyen la iluminación y humedad del suelo con la altura de la planta. Ya que, la calidad de la luz influye sobre el crecimiento vegetal y la estructura del tejido (Ilić et al., 2017).
También se aprecia, una interrelación en ambos sentidos entre la humedad del suelo, número de flores y frutos, masa fresca y seca con rendimiento. Pues, el agua es el vehículo que permite la incorporación de nutrientes que define el crecimiento, desarrollo y rendimiento de las plantas (Handreck & Black, 2002).
El máximo peso negativo lo obtuvo la masa seca con la humedad del suelo; porque la insuficiencia de la humedad del suelo provoca una menor tasa de crecimiento, reduce la etapa de crecimiento y por ende la masa seca (De la Piedra et al., 2016).
En la Figura 4 se expone, con la ayuda del FCM, el sentido de las relaciones causales entre los conceptos. Según los expertos no guardan relación; la temperatura con la humedad relativa; la iluminación, humedad del suelo y el número de entrenudos con pH. Ni este último, guarda correspondencia con la humedad relativa, temperatura e iluminación.
CONCLUSIONES
De las variables analizadas se calificaron como extremadamente relevantes la humedad relativa, la temperatura, la iluminación, la humedad del suelo, la conductividad eléctrica, el pH, el número de flores y frutos, la masa fresca, la masa seca y el rendimiento. El número de frutos y el rendimiento fueron calificados por todos los expertos de extrema relevancia por ser fundamentales en el proceso productivo.
El modelo para el desarrollo y crecimiento de hortalizas obtenido permitió relacionar los diferentes conceptos sobre la base de la teoría de los FCM y el criterio de expertos. En tal sentido se corroboró que no tienen relación la temperatura con la humedad relativa; la iluminación, humedad del suelo y el número de entrenudos con el pH; y este último, con la humedad relativa, la temperatura y la iluminación.
La matriz de adyacencia obtenida mostró que los mayores pesos positivos lo constituyen la iluminación y humedad del suelo con la altura de la planta, ratificando que la calidad de la luz influye sobre el crecimiento vegetal y la estructura del tejido.
El modelo obtenido consolida el conocimiento de los expertos y permite replicar los resultados en lugares donde no existen especialistas. En investigaciones futuras se trabajará en los procesos de inferencia y aprendizaje para desarrollar sistemas avanzados de apoyo a la toma de decisiones.