Inteligencia artificial para la predicción de cosechas

Tendencia de la producción del 1940 al 2020

Máster Online. Primera Edición. 2021

Las cosechas son sensibles a las condiciones climáticas. Sequías, inundaciones y temperaturas extremas pueden afectar al rendimiento, lo que nos llevó a explorar modelos que relacionaran los datos ambientales con la producción.

La hipótesis inicial del proyecto se centraba en la predicción de cosechas sobre una región dentro de España, después de cerciorarnos de la poca información sobre las cosechas que hay actualmente disponible y la inexistente normalización en el formato de los datos se decidió elegir Illinois como la localización para nuestro proyecto.

Para situar el proyecto, conviene conocer algunas características de Illinois: su terreno es generalmente llano y la agricultura, especialmente el maíz y la soja, tiene un peso importante. La variabilidad del clima y los episodios extremos pueden afectar a sus cosechas.

Se puede observar en el gráfico mostrado que el rendimiento de la producción del maíz se ha visto incrementado a lo largo de los años, al mismo tiempo podemos constatar que han habido bajadas en la producción provocadas por eventos climáticos extremos.

Este contexto tan particular de la tendencia de la producción en Illinois nos ayudó a comprender que realizando un proyecto basándonos en la comprensión y categorización de los datos así como el posterior tratado de los mismos con un modelo de predicción nos daría como resultado la posibilidad de predecir la distribución de la producción en Illinois a futuro y con ello se podría ayudar a todo el territorio a prevenir y contrarrestar los picos de baja producción causados por las catástrofes climáticas u otros factores climáticos.

Pasos del proyecto

Para predecir el rendimiento de las cosechas priorizamos la limpieza y preparación de los datos. Trabajamos principalmente con dos series históricas: temperatura a dos metros del suelo e índice de vegetación EVI. También aplicamos una primera diferencia a la serie de rendimiento: cada valor se resta del siguiente para reducir la tendencia, lo que produce una serie con una observación menos.

El siguiente paso es el alineamiento de las muestras ya que las muestras de temperatura y de índice de vegetación no se realizaron en el mismo día. Para alinear ambas capturas de información interpolamos la serie de EVI de esta forma generamos un nuevo set de capturas para que ambas series coincidan.

Después de realizar todos estos pasos, indispensables para poder realizar el modelo de predicción, hemos conseguido tener los datos ya limpios para proceder con el mismo. Llegados a este punto hemos explorado varios modelos lineales (LinearRegression, Lasso, Ridge) y el resultado no ha sido el esperado ya que nos hemos encontrado con mucho overfitting. Al final hemos seleccionado un RandomForestRegressor porque consideramos que era el modelo más adecuado para este caso, finalmente para la selección de los hiperparámetros utilizamos el RandomizedSearchCV.

Conclusión

Este proyecto es un punto de partida para el seguimiento, evolución y mejora del rendimiento de producción de cosechas de maíz en Illinois. Nos complace haber encontrado algunas ideas interesantes de los conjuntos de datos proporcionados: una relación entre el rendimiento del cultivo y el tiempo, la temperatura y el valor EVI.

En los resultados observamos que la magnitud absoluta del error variaba poco con el volumen de producción; por eso, su peso relativo era menor cuando la producción era mayor. Incorporar variables como precipitaciones, características del suelo y heladas es una posible línea de mejora que habría que evaluar.

Como punto de mejora del proyecto podríamos destacar la optimización en el cálculo de interpolación para mejorar la velocidad de procesamiento del código. Es un ejemplo de que con unos datos y variables óptimas se pueden desarrollar modelos de predicción útiles para localizaciones geográficamente equivalentes.

Finalmente, nos gustaría agradecer a Saturdays AI por brindarnos la oportunidad de realizar este proyecto y conocer a otras personas involucradas en el campo de la IA, así como probar nuestras habilidades en ML y ampliar nuestros horizontes en nuevos temas previamente desconocidos para nosotros.

Integrantes

• Paco Murcia
• Luis Muñoz
• Fernando Romera
• Marta Mateu

Presentación del proyecto: DemoDay

Abrir vídeo o recurso

¡Más Inteligencia Artificial!

Saturdays.AI acerca la IA a más personas a través del aprendizaje en comunidad y de proyectos con impacto social. Nuestro lema es AI4ALL IS AI4GOOD.

Conoce la comunidad de Saturdays.AI