Modelización y análisis de

datos para la agricultura

de precisión

Inteligencia
artificial y
sostenibilidad
 DIÁLOGO SOBRE
RESPONSABILIDAD SOCIAL EMPRESARIAL

Impacto de la inteligencia
artificial en los Objetivos de
Desarrollo Sostenible

Cátedra de Responsabilidad Social Empresarial y Sostenibilidad

“Alejandro E. Grullón E.”
 Agenda
• Introducción y perspectiva histórica
• Inteligencia Artificial vs. Sostenibilidad
• Impactos negativos
• Impactos positivos
• Conclusiones
 Evolución de la Investigación Operativa
• Las raíces de la Investigación Operativa se remontan a la 2ª Guerra Mundial,
en que había una necesidad urgente de asignar recursos escasos a operaciones
militares y actividades de forma eficiente.
• En agosto de 1940 se organizó un primer grupo por P. M. S. Blackett, de la
Universidad de Manchester, para estudiar el uso de un nuevo sistema
antiaéreo controlado por radar. El grupo estaba formado por tres fisiólogos,
dos fisicomatemáticos, un astrofísico, un oficial del ejército, un topógrafo, un
físico general y dos matemáticos.

› Para el Día D, en la fuerza aérea americana ya se habían formado 26 grupos de investigación

de operaciones similares que aplicaban el enfoque científico a problemas de estrategia y
táctica operativa.
 Evolución de la Investigación Operativa
• Pasada la guerra se dio una gran explosión
industrial, con problemas de creciente complejidad
y especialización dentro de las organizaciones.
• Comenzó a ser evidente que sus problemas,
aunque en un contexto diferente, eran muy
similares a los enfrentados por la milicia. Así la IO
comenzó a desarrollar diferentes herramientas
cuantitativas para la Toma de Decisiones que se
introdujeron masivamente en la industria, los
negocios y el gobierno.
• Un ejemplo sobresaliente es el método Simplex
para resolver problemas de programación lineal,
desarrollado ya en 1947 por George Dantzig. Pero
además de ésta, muchas de las herramientas
características de la Investigación Operativa, ya
fueron desarrolladas casi por completo al poco
tiempo.
 Evolución de la IA
• La Red Neuronal Artificial (RNA) está inspirada en el
comportamiento biológico de las neuronas y en cómo
se organizan formando la estructura del cerebro, un
entramado de más de 500 billones de conexiones y
donde una neurona puede tener de 5000 a 100000

http://www.cs.us.es/~fsancho/?e=72
Evolución de la IA (y sus inviernos)
¿Que ha rescatado la IA en los últimos tiempos?
La acumulación interconectada de (grandes) datos disponibles:
• Las redes sociales
• Los móviles de uso personal
• El internet de las cosas
• ….
De Deep blue a Alpha Zero…y más allá…
“Alpha Zero se basa en una red neuronal que acumula
conocimiento de las partidas previas. Le dijeron a la
máquina: olvídate de Kaspárov y de Fisher, estas
son las reglas del ajedrez, juega contra ti misma […]
Cuando ve una posición la compara con las de los 44
millones de partidas jugadas y sabe si es buena o mala
y qué jugadas son más prometedoras. Dedica poco
tiempo al cálculo pero se basa en una red neuronal
con muchas partidas de aprendizaje”

“No me cuentes lo que habéis aprendido Algunas estrategias conocidas han tomado mayor
en 500 años, lo aprendo en 4 horas yo importancia como el avance de peones de torre, el
sola. Nosotros la queríamos forzar a llamado “ataque a la bayoneta”. El vigente campeón
jugar como humanos y las máquinas del mundo, Magnus Carlsen, está usándolo ahora
tienen que pensar como máquinas”. más desde la llegada de Alpha Zero.
https://www.xataka.com/robotica-e-ia/como-inteligencia-artificial-ha-cambiado-sigue-cambiando-radicalmente-ajedrez-entrevista-a-
miguel-illescas-campeon-espana-cocreador-deep-blue
https://www.vice.com/en/article/xgzkek/machines-are-inventing-new-math-weve-never-seen

...numerous people ran our algorithms, some found

new conjectures, and a few provided proofs for the
new formulas. Over the span of a few months, proofs
for all the original manuscript formulas were
presented. This led us to expand our search and find
more intriguing results such as PCFs for ζ(3), π2, and
Catalan’s constant, most of which are still unproved.
This back-and-forth dynamics between algorithms
and mathematicians is the essence of what we believe
can be achieved with automatically generated
conjectures of fundamental constants
…we think our work can be systematically extended
to other conjectures. We envision harvesting over 1.5
million papers on http://arXiv.org to generalize
known formulas and identify new ones using machine
The symbols indicate whether the action is taken by a human,
learning algorithms…
a computer, or whether both options are available.
 Avances GPT-3 también en creaciones artísticas…
¿Quién es el autor?

https://www.youtube.com/watch?v=TfVYxnhuEdU
Inteligencia Artificial y Sostenibilidad
“La Agenda 2030 es un plan de acción en favor de las personas, el planeta y
la prosperidad. También tiene por objeto fortalecer la paz universal dentro de
un concepto más amplio de la libertad. La aprobación de los ODS representa
una oportunidad histórica para unir a los países y las personas de todo el
mundo y emprender nuevas vías hacia el futuro. Los ODS están formulados
para erradicar la pobreza, promover la prosperidad y el bienestar para todos,
proteger el medio ambiente y hacer frente al cambio climático a nivel mundial.”

•Se ha hablado mucho del impacto del COVID- 19 sobre la

evolución de los distintos ODS
•La IA también puede impactar para el
logro de algunas de las metas de
desarrollo sostenible que se acordaron
en la agenda 2030, pero puede también
dificultar en la consecución de otras…
 Posibles impactos negativos de la IA
› La IA tiene ya un efecto negativo en el uso de redes sociales y sistemas de
recomendación, permitiendo mostrar contenido a los usuarios que va en línea con sus
ideas preconcebidas, lo que puede llevar a polarización política y afectar la cohesión
social.
› Están tradicionalmente basados en las necesidades y valores de las naciones en los que
se desarrolla. Si la IA y el Big data se usan en regiones con carencia de escrutinio ético,
transparencia y control democrático, puede acrecentar el nacionalismo, el odio hacia
minorías y llevar a resultados electorales sesgados.
› La IA aprende a replicar los sesgos humanos mediante el aprendizaje de patrones en
bases de datos y toma decisiones basadas en raza, género o edad en aplicaciones donde
este tipo de variables no deberían de influir…por ej. en contratación de personal, o en la
concesión créditos, o en los procesos judiciales entre otros, que pueden significar una
clara desigualdad de oportunidades.
› Al reemplazar trabajos tradicionales con otros que requieren nuevas destrezas, la IA
recompensa desproporcionadamente al sector de la población con dicha educación, lo
que ya está acrecentando desigualdades.
› Los esfuerzos para conseguir acción climática pueden verse socavados por la gran
necesidad energética de la tecnología de IA, especialmente si no hacemos el cambio a
energía con una baja huella de carbono.
› Esta tecnología está distribuida poco equitativamente. Esto hace que el material
tecnológico basado en IA no sea accesible por ejemplo para el pequeño agricultor,
incrementándose la brecha digital ya existente con respecto a grandes productores. Lo
mismo se aplica a muchos otros sectores.
Emerdata: las sospechas que genera la
nueva compañía de los fundadores de
Cambridge Analytica, la firma envuelta en el
mayor escándalo de Facebook

Cambridge Analyiica. anunció el pasado miércoles 2 de mayo s,u ci erre después de ser
acL.JJSad a de haber usado de furma iIícita. in furmaoión de más de '87 mi lm11es de
1usu a1ri :O<S de Faoeboo!lk.. Ahora. mud ho,s te m en que una nueva ool'illpañía.,
El'illerdlata, les sirva como sustituta.

■Cam bridge Analyi iica la Iem¡p ires a d;etras d;el mayo:ir escándal:o d:e pri vaci dad
ide F acelbook ,, a 1uinrci a swI ci e1rne

■Cómo puedes co1inr1Jm la r 11 1ai i11111fo lflllaoió1i111 q 111,e oedes a I as apps dle
Faceb oo
·y ,c ó m o bolllf'íilr tu eue1 mi y t11¡s d atos

■Cómo un 'te.st de personali:dad d1e Facetmo:lk. le si irv i ó a Cambri dge

,Alllillalry ''i:ca para raco llecta11r infon 11acifrlilll privada de mi lm ,es de 111.11s
11J11ari o,s s iin
q¡u e llo su¡pi eran

"Es como la besUa Hi dra de la. 111itolo gí'a griega: cortas una cabeza y crece otra".,
dijo Damian Collins, diputado del par1amento británico y mi embro del comité
par1amenta.ri o para cult ura., m edios y deportes al Financia / Times. "C reo que será
igual que Camb ridge Analytica pero oon un no rn br,e diferente".

1i gel Oak es, fundlador del grupo SCL (fiilial br1i tán ica de Cambridge Analyi ica.) dijo
públicamente aI Channef 4 de Reino Unido el pasado mes de marzo que é1 entendía que
Las fake news y la polarización de la sociedad
¿Dictadura digital?
Rendición de cuentas:
¿Los datos de entrenamiento pueden auditarse?
Redes Neuronales convolucionales…
¿Cómo regular acceso a datos, cuando hay
datos indirectos disponibles?

¿Se pueden regular las correlaciones entre datos?

Reconocimiento vs. Predicción de patrones

https://www.youtube.com/watch?v=hSSmmlridUM&t=210s
Los deptos y empresas de RRHH ya están
reaccionando….¿Greenwash?
https://www.youtube.com/watch?v=Efo2ebnES_U

https://www.pymetrics.ai/
 Enorme y creciente consumo de energía…
• La “Green IA” plantea que para conseguir un menor consumo
energético hay que alcanzar un equilibrio entre el volumen de datos
necesario para entrenar el modelo, la cantidad de tiempo para
entrenarlo y el número de iteraciones para optimizar sus parámetros.
• También es importante la fuente de energía, renovable o no,
empleada en la creación y aplicación de estos modelos.
https://videos.neurips.cc/video/slideslive-38946802
 .
.
.
.
¿Son -+ sustituibles
las formas en que se
añade valor?

.
.
.
.
¿Son -+
. . . . automatizables las . . . .
“Core skills” que se
precisan?
Source: Latham S. and Humberd B. (2018). Four Ways Jobs Will Respond to Automation. Sloan Management Review. 24
Polarización de desarrollos en IA
Posibles impactos “positivos” de la IA
• Puede incrementar la producción industrial y automatizar cierto
tipo de labor humana que representa riesgos muy altos de
seguridad y lesiones laborales.
• Soberanía alimentaria: ayudar a la provisión de alimento mediante
sistemas de agricultura de precisión, monitoreo de cultivos y
suelos...así como análisis predictivo con modelos de aprendizaje
automático para predecir impactos de las condiciones ambientales.
• Revolución de nuestra salud tal como la conocemos apostando por
una medicina preventiva, de precisión y personalizada.
• Podría habilitar sistemas de baja huella de carbono, creando
economías circulares y ciudades inteligentes que hagan un uso
eficiente de recursos y den preferencia a tecnologías tales como
vehículos autónomos eléctricos, accesorios inteligentes y sistemas
que integren eficiencia energética y energías renovables.
• Con respecto al cambio climático, se ha demostrado que la IA
permitirá crear modelos predictivos que nos ayuden a entender y
anticipar sus posibles consecuencias.
Posibles impactos “positivos” de la IA
• La IA puede ser usada también para garantizar el bienestar de
ecosistemas (por ej. monitorización de especies salvajes, o de
vertidos de petróleo, para reducir la polución marina o
detectar desertización y suelo degradado).
• También puede ayudar a identificar áreas empobrecidas y de
conflicto, predecir desastres naturales de forma anticipada y
promover acción internacional mediante el análisis
automático de imágenes por satélite, o incluso mediante
correlaciones…
• Finalmente, la IA podría también ayudar a democratizar el
acceso a educación de calidad, permitiendo sistemas de
tutorización automáticos y personalizados...
Potencial para monitorizar stakeholders y
estándares de RSE
 Aplicaciones
interesantes…

https://elpais.com/elpais/2017/05/31/ciencia/1496225109_719491.html

https://empresas.blogthinkbig.com/datos--gestionar-situaciones-emergencia/
https://www.retema.es/noticia/la-inteligencia-artificial-al-servicio-del-uso-sostenible-del-agua-en-la-agricultura-FwC8
a lntelígencía artific ial para promc X +
C i aínía.es/notidas/ prensa/í ntelíge nd a-artífícíal- rny- prefs/

O Home / Noticias / Notas de Prensa de aínía / lntelígencía artíficíal para promover el consumo responsable y sostenible en el punto de venta

Basada en tecnologías semánticas y de inteligencia artificial, ofrece información complementaria suscríbete

al etiquetado (sobre sostenibilidad, trato respetuoso con los anímales, ingredientes naturales,
comercio justo...) de más de 10.000 productos.

archivo
En el marco del proyecto ASSET en el que colaboran AINIA, el centro tecnológico de Linz
(Austria}, VKI (Austria}, la Universidad de Zurich, Fastline (Alemania} y Elegir elmes V
Revolución IA en Salud

https://www.institutoroche.es/observatorio/retoseticosylegales
Conclusiones
• La misma innovación tecnológica que podría contribuir a resolver los problemas sociales,
económicos y medioambientales más importantes…puede traer consigo nuevos riesgos.
• Hay que valorar las oportunidades en sostenibilidad, así como los riesgos de la aplicación
de la IA. Cuánto más nos acercamos a su implementación, más importante se hace la
regulación de estos sistemas para hacerlos robustos, seguros y beneficiosos; así como
para prevenir entre otros el mal funcionamiento o los ataques informáticos.
• Necesitamos desarrollar metodologías científicas que aseguren que estas nuevas
tecnologías se evalúan, no sólo desde el punto de vista de su eficiencia, sino también de
la ética y la sostenibilidad, antes de su puesta a punto en el mundo real.
• Es probable que los proyectos de IA con mayor lucro económico e interés comercial sean
los más financiados. Esto también puede acrecentar la desigualdad y crear un riesgo de
que la tecnología basada en IA con más potencial para el desarrollo sostenible no se
priorice…Necesitamos diálogo a nivel global.
 Detección Automática de Condiciones
Agroclimáticas para Siembra de Cultivos
en Zonas Tropicales y Subtropicales
mediante Métodos de Ensamble

MSc. Iván Darío López

Director:
PhD. Juan Carlos Corrales

Popayán, Colombia
GRUPO DE INGENIERIA 2016
TELEMATICA
 Agenda

• Contexto
• Escenario de Motivación
• Trabajos Relacionados
• Brechas
• Pregunta de Investigación
• Objetivos
• Avances
Contexto Escenario de Motivación Trabajos Relacionados Brechas Pregunta de Investigación Objetivos Avances

Aprendizaje
Automático
(ML)

Sistemas de
Agricultura
Soporte a la
Climáticamente
Toma de
Inteligente
Decisiones
(CSA)
(DSS)
Contexto Escenario de Motivación Trabajos Relacionados Brechas Pregunta de Investigación Objetivos Avances

Agricultura Climáticamente Inteligente (CSA)

Enfoque que permite guiar acciones para reorientar los sistemas agrícolas con el
fin de desarrollar y garantizar la seguridad alimentaria en un clima cambiante. (FAO,
2010)

Análisis

CSA Estrategias
Políticas

Evaluación Monitoreo

Marcos de Tecnologías
Inversión
Contexto Escenario de Motivación Trabajos Relacionados Brechas Pregunta de Investigación Objetivos Avances

Escenarios Climáticos
Representación del clima que se observaría en la atmósfera en las diferentes épocas
futuras. (IPCC, 2013)
A1 B1
$ $

Escenarios
$ de Emisiones $

A2 B2

Escenario Climático

Escenario
Agroclimático
Contexto Escenario de Motivación Trabajos Relacionados Brechas Pregunta de Investigación Objetivos Avances

Agricultura, Vulnerabilidad y Adaptación (AVA)

Metodología para medir la vulnerabilidad del sector agrícola. (AVA, 2013)

Económica

Cuenca Alta del Río Cauca,

Colombia Productiva

Dimensiones
Antioquia

Caldas Biofísica
Risaralda

Social
Quindío

Valle

Institucional
Cauca

Ambiental
Contexto Escenario de Motivación Trabajos Relacionados Brechas Pregunta de Investigación Objetivos Avances

Aprendizaje Automático (ML)

Estudio y construcción de algoritmos que pueden aprender y hacer predicciones sobre
diferentes conjuntos de datos. (Simon, 2013), (Kohavi, 1998)

Sistemas de Múltiples Clasificadores - MCS

(Métodos de Ensamble / Ensamble de Clasificadores / Métodos Combinados de Aprendizaje)
(Hansen y Salamon, 1990)

Sistemas Inteligentes Híbridos – HIS MCS

Combinación de Clasificadores
•Boosting
•Bagging
•Random Forest

Combinación de Salidas
•Average
•Voting
•Stacking
•Grading
•Arbiter Trees
•Combiner Trees
Contexto Escenario de Motivación Trabajos Relacionados Brechas Pregunta de Investigación Objetivos Avances

Sistema de Soporte a la Toma de Decisiones

(DSS)
Sistema informático utilizado para servir de apoyo, más que automatizar, el proceso de toma de decisiones.
(Keen, 1980)

Datos
Roles de un DSS

• Realizar Predicciones
Modelos Conocimiento

• Exhibir capacidad de análisis y

DSS modelado

• Soportar decisiones no
estructuradas y semi-
Comunicación Documentos
estructuradas
Contexto Escenario de Motivación Trabajos Relacionados Brechas Pregunta de Investigación Objetivos Avances

Condiciones
Agroclimáticas

Cambio
Climático
Variabilidad
Climática
Nuevos cultivos Nuevas zonas
Datos del sector:
potenciales para potenciales
•Representa el 40% de las
exportaciones la zona para cultivar
•El 21% de la población depende
directamente de la agricultura
como fuente de empleo
¿Qué nos espera?
•Aumento de Temp: 2.5 °C
•Incremento de Prec: 2.5 %
Agricultura y Seguridad •En más del 60% de las áreas
Alimentaria actualmente cultivadas se verá
impactado el 80% de los cultivos
Implicaciones:
•Baja productividad
•Pérdidas económicas
•Déficit de alimentos

(IPCC, 2007), (CIAT, 2013), (Van Ommen, 2014)

Contexto Escenario de Motivación Trabajos Relacionados Brechas Pregunta de Investigación Objetivos Avances

Mapeo Sistemático
Aplicaciones actuales de los MCS

Algoritmos de Clasificación:

• Multi-Layer Perceptron (MLP)

• k-Nearest Neighbor (kNN)
• Radial Basis Function (RBF)
• Support Vector Machines (SVM)
• Probabilistic Neural Networks (PNNs)
• Decision Trees (DT)

(Woźniak et.al., 2013) Remote sensing

data, computer
security, financial risk
assessment, fraud
detection,
recommender
systems, and medical
computer aided
diagnosis
Contexto Escenario de Motivación Trabajos Relacionados Brechas Pregunta de Investigación Objetivos Avances

Mapeo Sistemático
Búsquedas en las principales BDbibliográficas

(Woźniak et.al., 2013)

Contexto Escenario de Motivación Trabajos Relacionados Brechas Pregunta de Investigación Objetivos Avances

Mapeo Sistemático
Cadena de búsqueda # doc.
“ensemble methods” AND agriculture 20

(“multiple classifier system” OR “MCS”) AND agriculture 32

(“multiple classifier system” OR “MCS”) AND DSS AND crops 26

(“multiple classifier system” OR “MCS”) AND DSS AND (agriculture OR crops) 47

(“multiple classifier system” OR “MCS”) AND DSS AND (agriculture OR crops) AND climate OR 59
“climate change” OR “climate variability”)

Total de trabajos 184

Total de trabajos (criterios de exclusión) 111
Contexto Escenario de Motivación Trabajos Relacionados Brechas Pregunta de Investigación Objetivos Avances

Adaptabilidad de Cultivos
Trabajo Autor Año Cultivo Enfoque
Climate change, effective water use for irrigation and
Monaco et. al. 2014 Maíz Simulación - Modelo SWAP
adaptability of maize: A case study in southern Italy
Grape (Vitis vinifera) compositional data spanning ten
Cozzolino et. al. 2010 Uva Análisis estadístico
successive vintages in the context of abiotic growing parameters
Adaptability of citrus in subtropics of China under future climatic
Du et. al. 2010 Cítricos Simulación - DSSAT
scenario
Vulnerability and adaptability of wheat production in different Simulación - CSM-Cropsim-CERES-Wheat
Sultana et. al. 2009 Trigo
climatic zones of Pakistan under climate change scenarios Model
Simulating the impact of climate change on rice yield using
Swain et. al. 2009 Arroz Simulación - CERES-rice model
CERES-rice model

MCS y Producción de Cultivos

Trabajo Autor Año Enfoque
Crop Production-Ensemble Machine Learning Model for Balakrishnan et.
Prediction al.
2016 AdaSVM, AdaNaive
Two-level classifier ensembles for coffee rust estimation in
Colombian crops
Corrales et. al. 2016 SVM, ANN, Decision Trees
An effective antifreeze protein predictor with ensemble
classifiers and comprehensive sequence descriptors
Yang et. al. 2015 Random Forest
Machine Learning Facilitated Rice Prediction in Bangladesh Rahman et. al. 2014 ANN, Random Trees
Agroecological zones simulator (AZS): A component based,
Confalonieri et.
open-access, transparent platform for climate change - Crop
al.
2012 Random Forest
productivity impact assessment in Latin America
Multi-algorithm ensemble reconstruction of surface soil
moisture over China from AMSR-E
Lu et. al. 2012 KNN, Decision Trees
Contexto Escenario de Motivación Trabajos Relacionados Brechas Pregunta de Investigación Objetivos Avances

Adaptabilidad de Cultivos
Trabajo Autor Año Brecha
Climate change, effective water use for irrigation and
adaptability of maize: A case study in southern Italy
Monaco et. al. 2014 Sólo se presentan estimaciones de
Grape (Vitis vinifera) compositional data spanning ten producción (con base en históricos) o de
Cozzolino et. al. 2010
successive vintages in the context of abiotic growing parameters la capacidad de adaptación de un cultivo
Adaptability of citrus in subtropics of China under future climatic
Du et. al. 2010 (escenarios futuros de cambio climático) sin
scenario añadir otra información de valor que
Vulnerability and adaptability of wheat production in different
Sultana et. al. 2009 puede ser relevante para la toma de
climatic zones of Pakistan under climate change scenarios
decisiones.
Simulating the impact of climate change on rice yield using
Swain et. al. 2009
CERES-rice model

MCS y Producción de Cultivos

Trabajo Autor Año Brecha
Crop Production-Ensemble Machine Learning Model for Balakrishnan et.
2016
Prediction al.
No se realiza un análisis de los datos
Two-level classifier ensembles for coffee rust estimation in
Corrales et. al. 2016teniendo en cuenta diferentes dimensiones
Colombian crops
An effective antifreeze protein predictor with ensemble (económica, política, social, entre otras)
Yang et. al. 2015
classifiers and comprehensive sequence descriptors

Machine Learning Facilitated Rice Prediction in Bangladesh Rahman et. al. 2014
No consideran la integración de fuentes de
datos heterogéneas en la construcción de
Agroecological zones simulator (AZS): A component based,
Confalonieri et. los conjuntos de datos de entrada
open-access, transparent platform for climate change - Crop 2012
al.
productivity impact assessment in Latin America
Multi-algorithm ensemble reconstruction of surface soil
Lu et. al. 2012
moisture over China from AMSR-E
Contexto Escenario de Motivación Trabajos Relacionados Brechas Pregunta de Investigación Objetivos Avances

Pregunta de Investigación

¿Cómo identificar escenarios

agroclimáticos futuros para
determinar condiciones propicias
en la siembra de diferentes
cultivos en zonas tropicales y
subtropicales?
Contexto Escenario de Motivación Trabajos Relacionados Brechas Pregunta de Investigación Objetivos Avances

Hipótesis

La combinación de técnicas de fusión

de datos y métodos de ensamble
permite identificar escenarios
agroclimáticos futuros para determinar
condiciones propicias en la siembra
de diferentes cultivos en zonas
tropicales y subtropicales
Contexto Escenario de Motivación Trabajos Relacionados Brechas Pregunta de Investigación Objetivos Avances

Objetivo General
Proponer un método de detección automática de
escenarios agroclimáticos futuros, para determinar
condiciones propicias en la siembra de diferentes cultivos
en zonas tropicales y subtropicales
Objetivos Específicos
1.Estructurar uno o más conjuntos de datos fusionando información
de diferentes dimensiones para caracterizar escenarios
agroclimáticos futuros.
2.Construir un MCS que permita detectar condiciones
agroclimáticas apropiadas para la siembra de cultivos.

3.Evaluar experimentalmente el método propuesto por medio de un

prototipo que utilice datos de diferentes zonas y cultivos
pertenecientes a zonas tropicales y subtropicales del territorio
colombiano.
Contexto Escenario de Motivación Trabajos Relacionados Brechas Pregunta de Investigación Objetivos Avances

Construcción del estado del arte

Desarrollo de anteproyecto

Búsqueda de conjuntos dedatos

Desarrollo de 2 artículos científicos

 Referencias
• Opitz, D.; Maclin, R. (1999). "Popular ensemble methods: An empirical study". Journal of
Artificial Intelligence Research 11: 169–198. doi:10.1613/jair.614.
• Polikar, R. (2006). "Ensemble based systems in decision making". IEEE Circuits and Systems Magazine 6 (3):
21–45. doi:10.1109/MCAS.2006.1688199.
• Rokach, L. (2010). "Ensemble-based classifiers". Artificial Intelligence Review 33 (1-2): 1– 39.
doi:10.1007/s10462-009-9124-7.
• Kuncheva, L. and Whitaker, C., Measures of diversity in classifier ensembles, Machine
Learning, 51, pp. 181-207, 2003
• Sollich, P. and Krogh, A., Learning with ensembles: How overfitting can be useful, Advances in Neural Information
Processing Systems, volume 8, pp. 190-196, 1996.
• Brown, G. and Wyatt, J. and Harris, R. and Yao, X., Diversity creation methods: a survey and categorisation.,
Information Fusion, 6(1), pp.5-20, 2005.
• Accuracy and Diversity in Ensembles of Text Categorisers. J. J. García Adeva, Ulises Cerviño, and R. Calvo,
CLEI Journal, Vol. 8, No. 2, pp. 1 - 12, December 2005.
• IPCC, 2007. Climate Change 2007. Synthesis report. http://www.ipcc.ch/pdf/assessmentreport/ar4/syr/ar4_syr.pdf
• IFPRI, 2009. Instituto Internacional de Investigación sobre Políticas Alimentarias. Cambio Climático. El impacto en la
agricultura y los costos de adaptación. Washington D.C. FAO, 1997. La agricultura y los cambios climáticos la función de la
FAO