Retos y oportunidades de la Minera de Datos aplicada en la Agricultura Challenges and Opportunities of Data Mining applied in Agriculture

Martn Verduzco Rodrguez

Resumen La aplicacin de tcnicas empricas combinadas con procesos tradicionales de cultivo, la utilizacin de herramientas con rezago tecnolgico ligado a la falta de sistemas informticos y de personal capacitado para el manejo de los mismos y de la infraestructura de ltima generacin en las labores del campo, cimentan la lista de factores que se encadenan e inducen el atraso del sector agrcola de un pas. Con el objetivo de establecer una iniciativa que ayude a vislumbrar oportunidades tecnolgicas que contrarresten esta problemtica, el presente artculo describe algunos proyectos donde se ha aplicado la minera de datos en beneficio de la agricultura con el fin de destacar las oportunidades que brinda la misma para contribuir y mejorar la eficiencia y competitividad de los procesos agrcolas, adems de identificar aquellos retos a superar para promover su aplicacin.

Palabras clave Bioinformtica, Minera de datos, Agricultura

Introduccin Actualmente la agricultura sigue siendo una de las actividades ms importantes para la economa mundial, en esencia por que de ella depende la alimentacin y por ende la existencia de millones de habitantes; ya no tan solo de una regin en especfico, si no del mundo. El alcance en cuanto a su capacidad productiva se ve influenciada por varios factores, como lo son el clima, las caractersticas del suelo, la infraestructura, la extensin territorial, la demanda de los productos, entre otros factores pueden tener un efecto enorme sobre el rendimiento de los cultivos. La habilidad de registrar datos de
Pgina 1 de 8

cultivo, suelo y ambiente de forma regular durante el crecimiento de los cultivos, puede aportar informacin crtica cuando un productor comienza a responder preguntas

concernientes al rendimiento de los cultivos y a las relaciones causa efecto.

Como muestra de lo anterior tenemos a Mxico, pese a tener una gran extensin territorial, clima y suelo frtil, hay otros elementos adversos que han producido una drstica modificacin en la capacidad productiva. Hace algunos aos mientras se viajaba se podan apreciar largos tramos de sembrados en casi cualquier regin del pas. Hoy en da, el establecimiento de una mayor cantidad de industria generado por la visin poltico-social sexenal ha dejado a un lado el inters en la modernizacin del campo y su aprovechamiento. De acuerdo al INEGI un factor determinante para este movimiento es lo atractivo que resulta para la poblacin de reas rurales, primordialmente con actividad agrcola, desplazarse hacia zonas urbanas, esto incitado por un inters econmico y debido a lo poco rentable y riesgoso que resulta apostar por la produccin agrcola.

Por otra parte, en la ltima dcada la minera de datos (data mining) ha experimentado un auge como soporte tanto para la gestin de la informacin y el conocimiento. Llegado ste punto conviene recordar que el conocimiento es un recurso estratgico para el desarrollo econmico y social contemporneo. La informacin es el elemento bsico principal en el proceso de adquisicin, generacin, gestin y trasmisin del conocimiento. Esto permite explorar y analizar las bases de datos disponibles para ayudar a la toma de decisiones. [Febles, 2002]

Pgina 2 de 8

As, el presente escrito pretende identificar los riesgos y oportunidades al aplicar las tcnicas de minera de datos en beneficio de la trascendental actividad socioeconmica de la agricultura, a travs de la emergente actividad cientfica denominada bioinformtica.

Desarrollo El surgimiento de tcnicas como la minera de datos est asociado con la necesidad de procesar y analizar grandes volmenes de datos, a fin de obtener informacin, mediante la consolidacin de los datos y conocimientos, tiles a la toma de decisiones, y construir una experiencia, a partir de los millones de transacciones que registra una corporacin en sus sistemas informticos. [Hernndez, 2004]

Los componentes bsicos de los mtodos de la minera de datos son: 1. Lenguaje de representacin del modelo: comprende las suposiciones y restricciones utilizadas en la representacin empleada. 2. Evaluacin del modelo: incluye el uso de tcnicas de validacin cruzada para la predictividad y aplicacin de principios como el de mxima verosimilitud o el de descripcin mnima para evaluar la calidad descriptiva del modelo. 3. Mtodo de bsqueda: puede dividirse en bsqueda de parmetros y del modelo, determinan los criterios que se siguen para encontrar los modelos. [Prez, 2007]

Mientras que algunas de las tcnicas ms comunes usadas en la minera de datos son: rboles de decisin y reglas de clasificacin.
Pgina 3 de 8

Mtodos de clasificacin y regresiones no-lineales. Mtodos basados en ejemplos prototpicos. Modelos grficos de dependencias probabilsticas. Modelos relacionales. [Hernndez, 2004]

En tanto, los criterios para aplicar los mtodos de la minera de datos se sustentan en: Factibilidad econmica - organizativa: existe potencialmente un impacto significativo, no se conocen mtodos alternativos, se dispone de personal calificado, no existen problemas de legalidad o violacin de la informacin. Factibilidad tcnica: se dispone de suficientes datos, los datos contienen rasgos relevantes, existe poco ruido en los datos y se domina la aplicacin de los mtodos. [Febles, 2002]

Comparacin La minera de datos se ha utilizado para analizar grandes conjuntos de datos y establecer clasificaciones y patrones tiles a partir de la informacin disponible. La aplicacin de la minera de datos, adems de permitir el descubrimiento de conocimientos para el sector comercial, soporta las investigaciones en la rama biolgica, encuentran en ella una herramienta insustituible para enfrentar la avalancha de datos que producen las investigaciones genmicas y protemicas. Los estudios entorno a la investigacin agrcola y biolgica han utilizado diversas tcnicas de anlisis de datos, tales como rboles, mquinas de aprendizaje estadstico y otros mtodos de anlisis. El anlisis de conjuntos de informacin agrcola mediante diversas

Pgina 4 de 8

tcnicas de minera de datos puede producir resultados tiles para los investigadores en el campo agrcola. [Vamanan, 2011] Algunos trabajos donde se aprecia la aplicacin de la minera de datos en la agricultura los tenemos en la labor de Cobos y colaboradores (2008), quienes describen un sistema de soporte a la toma de decisiones a nivel arquitectnico y funcional, llamado GreenDSS. El cual utiliza tecnologas de Dataware House, procesamiento analtico en lnea y minera de datos, para contribuir y mejorar la eficiencia y competitividad de los procesos agrcolas a travs de la identificacin y seleccin de los protocolos de cultivo ms eficientes dentro de los invernaderos, facilitando la labor de productores e investigadores en la identificacin de patrones y tcnicas de germinacin y cultivo ms exitosas. A partir de estos resultados los productores de pequeos y medianos cultivos podrn contar con semillas y plntulas que garantizan a futuro, una produccin viable bajo unas condiciones ambientales predeterminadas. Otro acercamiento se encuentra en la labor de Vamanan y Ramar, del Departamento de Ciencias del Suelo y Departamento de Agricultura, de Kanchipuram en la India. Sus estudios de suelos han proporcionado una gran cantidad de informacin sobre la clasificacin de los perfiles del suelo y sus caractersticas qumicas. El anlisis de estos datos agrcolas mediante diversas tcnicas de minera de datos ha producido resultados tiles para los investigadores de las Ciencias del Suelo y Qumica Agrcola. [Vamanan, 2011] Una aproximacin ms se aprecia en el trabajo de Mahajan y su equipo (2011), quienes aplicaron tcnicas de minera de datos para la prediccin de lluvias. El

Pgina 5 de 8

pronstico de las precipitaciones a largo plazo es muy til en la planificacin y toma de decisiones en el patrn de cultivos agrcolas y la estrategia de gestin del agua. Entre las recomendaciones que se originaron a partir de los trabajos mencionados, la ms importante es observar que las tcnicas de minera de datos pueden ser aplicadas en trabajos futuros relacionados con la agricultura.

Resultados A partir del apartado anterior, se comprende que existe una serie de elementos que la hacen aplicable, adems de ser una realidad su demanda; sin embargo, existe una serie de retos que atentan contra su credibilidad. Uno de ellos es la adquisicin y explotacin eficiente del conocimiento. Uno de los mtodos para adquirir conocimiento de las bases de datos agrcolas existentes involucra los mtodos de clasificacin. [Vamanan, 2011] En este sentido, se detecta una carencia de herramientas bioinformticas adecuadas para el anlisis y gestin de informacin agrcola. Asimismo, se resalt la necesidad de elaborar herramientas computacionales apropiadas para su uso en proyectos en el mbito agrcola, y as elevar el nivel de conocimientos sobre su utilidad para los investigadores. Algunos de los factores que pueden crear una desilusin con las promesas de la minera de datos son: Que se necesite mucha experiencia para utilizar herramientas de la tecnologa, o que sea fcil hallar patrones equvocos, triviales o no interesantes. Que no sea posible hallar patrones en tiempo o en espacio.
Pgina 6 de 8

Que no se establezca una adecuada comunicacin en los equipos multidisciplinarios para elegir la herramienta adecuada y que, por lo tanto, no se alcancen los resultados esperados.

Que existan razones organizativas, ticas o de otro carcter que impidan la utilizacin de toda la informacin necesaria para la aplicacin de estas herramientas

Conclusiones Las herramientas de Minera de Datos, mediante la aplicacin de tcnicas y algoritmos de anlisis de datos especializados, describen y predicen posibles patrones, tendencias o comportamientos de la organizacin, permitiendo al experto tomar decisiones con base en un conocimiento que est inmerso en los datos y que no es posible entenderlo a simple vista. Para lograrlo es necesario superar varios obstculos. El reto lo encabeza la construccin de bases de datos que permitan la realizacin de bsquedas inteligentes, la comunicacin con otras bases de datos y la unin con herramientas de anlisis y de minera de datos especficas, que permitan responder a problemas agrcolas concretos. Los cientficos, encargados de la construccin de estas bases de datos, deben disponer de conocimientos previos que permitan determinar cules problemas agrarios concretos necesitan una solucin y cul o cules mtodos son los mejores para resolverlos. Le sigue la carencia de herramientas bioinformticas adecuadas para el anlisis y gestin informacin agrcola. No obstante, el superar las dificultades mencionadas, permitir generar simulaciones de variables ambientales en conjunto con los tratamientos y mtodos de
Pgina 7 de 8

cultivos, los cuales adems de ayudar a responder preguntas sobre lo acontecido en una situacin productiva en particular, y predecir qu pasar para un conjunto de circunstancias dadas (incluso probadas antes) antes de que se siembre el cultivo, pueden ayudar a la deteccin temprana y al manejo anticipado de problemas que permitan prevenir prdidas potenciales de cultivos, y as alentar la inversin entorno a la agricultura al reducir los riesgos inherentes a la misma.

Referencias Cobos, C. [et. al.]. (2008). Sistema de Soporte a la Toma d e Decisiones para Procesos de Germinacin y Cultivo en Invernaderos. Facultad de Ciencias Agropecuarias Universidad de Cauca. Vol. 6. No. 1. Colombia. Febles, P. A., Gonzlez. (2002). Aplicacin de la minera de datos en la bioinformtica. Centro Nacional de Bioinformtica. Cuba. Hernndez, J., Ramrez, M.J., Ferri, C. (2004). Minera de datos Pearson Education, S.A., Espaa. Mahajan, S. [et. al.]. (2011). Modeling and Prediction of Rainfall Data Using Data Mining. International Journal of Engineering Science and Technology. Vol. 3 No.7. Prez, C., Santn, D. (2007). Minera de datos. Tcnicas y herramientas. Thomson. Espaa. Vamanan. R. K. Ramar. (2011). Classification of Agricultural Land Soils a Data Mining Approach. International Journal on Computer Science and Engineering. Vol. 3 No. 1.

Pgina 8 de 8