presentación de powerpoint - mapama.gob.es · mejoras en estaciones de bombeo tarifas eléctricas...
TRANSCRIPT
Aplicación de la Inteligencia Artificial para la predicción de demanda diaria de
agua en una Comunidad de Regantes
Rafael González PereaEmilio Camacho Poyato
28-02-2018
0. Contenido
1. Introducción
2. Variables de entrada
3. Modelos predictivos a escala de Red de Distribución de agua
4. Modelos predictivos a escala de parcela
5. Conclusiones
0. Contenido
1. Introducción
2. Variables de entrada
3. Modelos predictivos a escala de Red de Distribución de agua
4. Modelos predictivos a escala de parcela
5. Conclusiones
1. Introducción
Reducción del uso de agua de riego: 23 %
Cultivos intensivos y superficie regada.
Incremento del coste de la energía: 149 %
Aumento de los costes del agua: 52 %
Plan Nacional de Regadíos
Modernización de las Infraestructuras
hidráulicas
Redes a presión
(Fernández García et al. 2014)
Alta dependencia Energética
1. Introducción
Medidas para mejorar la eficiencia energética en redes de riego a presión
Sectorización
C. Puntos críticos
Mejoras en estaciones de bombeo
Tarifas eléctricas
1 punto de suministro
Fernández García et al. 2013Carrillo Cobo
et al. 2011
Varios ptos suministro
Rodríguez Díaz et al. 2009
Fernández García et al. 2013Rodríguez Díaz
et al. 2012
Moreno et al. 2007
Fernández García et al. 2015
Red de distribución de agua
Parcela
Lamaddalena and Sagardoy 2000
1. Introducción
Agriculture 4.0
Inteligencia Artificial
Redes Neuronales Artificiales
Lógica Difusa
Algoritmos Genéticos
Redes de distribución de agua INTELIGENTES
1. Introducción
La inteligencia artificial como herramienta para la gestión y planificación de los recursos hídricos
Modelización de procesos de escorrentía Agarwal et al. 2006
Rezaei et al. 2017
Pulido-Calvo and Gutiérrez-Estrada, 2009
R2 = 0.89; SEP = 20.27%
Optimización de patrones de cultivo
Predicción de demanda de agua deriego
Red de distribución de agua
Parcela
1. Introducción
ParcelaModelización del comportamiento del agricultor
Red de distribución de agua
0 10 20 30 40 50 600
100
200
300
400
500
600
700
800
900
Days
100 200 300 400 500 600 700 800 9000
100
200
300
400
500
600
700
800
900
R2= 0.92
Observed water demand (L s-1day-1)
0 10 20 30 40 50 600
100
200
300
400
500
600
700
800
900
Days
Wa
te
r d
em
an
d (
L s
-1d
ay
-1)
100 200 300 400 500 600 700 800 9000
100
200
300
400
500
600
700
800
900
R2= 0.93
Observed water demand (L s-1day-1)
Estim
atio
n w
ate
r d
em
an
d (
L s
-1d
ay
-1)
Estimated Observed
Model 1
Model 3
2 ESCALAS
0. Contenido
1. Introducción
2. Variables de entrada
3. Modelos predictivos a escala de Red de Distribución de agua
4. Modelos predictivos a escala de parcela
5. Conclusiones
2. Variables de entrada
Monitorear Medir Organizar y almacenar datos Analizar y Modelizar Tomar decisiones
RIEGO INTELIGENTE
2. Variables de entrada
SONDAS DE HUMEDAD
2. Variables de entrada
SONDAS DE HUMEDAD
2. Variables de entrada
CONTADORES/CAUDALÍMETROS
2. Variables de entrada
Radiación
Humedad Relativa
Velocidad del viento
Temperatura
ETo…
VARIABLES CLIMÁTICAS
2. Variables de entrada
BBDD-AGROCLIMÁTICAS
2. Variables de entrada
BBDD-AGROCLIMÁTICAS
2. Variables de entrada
TIPOS DE DATOS-No Estructurados
0. Contenido
1. Introducción
2. Variables de entrada
3. Modelos predictivos a escala de Red de Distribución de agua
4. Modelos predictivos a escala de parcela
5. Conclusiones
3. Red de distribución de agua
Ob
jeti
vo Desarrollar una metodología que permita la predicción a corto plazo de la demanda diaria de agua de riego a escala de Comunidad de Regantes
usando Algoritmos Genéticos y Redes Neuronales Artificiales
Pla
nte
amie
nto
de
l pro
ble
ma 𝐹1 = 𝑀á𝑥. 𝑟𝑒𝑝𝑟𝑒𝑠𝑒𝑛𝑡𝑎𝑡𝑖𝑣𝑖𝑑𝑎𝑑
𝐸𝑣𝑖𝑡𝑎𝑟 𝑓𝑎𝑠𝑒 𝑑𝑒 𝑚𝑒𝑚𝑜𝑟𝑖𝑎
𝑆𝐸𝑃 =100
𝑄𝑣∙ 𝑅𝑀𝑆𝐸F2 = 𝐸𝑟𝑟𝑜𝑟 𝑚í𝑛𝑖𝑚𝑜 𝑑𝑒 𝑝𝑟𝑒𝑑𝑖𝑐𝑐𝑖ó𝑛 = 𝑅𝑀𝑆𝐸
Re
de
sN
eu
ron
ales
Art
ific
iale
s(R
NA
)
3. Red de distribución de agua
3. Red de distribución de agua
Alg
ori
tmo
Ge
nét
ico
Mu
ltio
bje
tivo
: NSG
A-I
IPoblación Inicial, GEN = 0
C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 C11 C12 C13
Cromosoma (Chr)
Arq
uit
ectu
rad
e la
RN
A
Asi
gnac
ión
de
Fun
cio
nes
de
Tran
sfer
enci
a
Fun
ció
nd
e en
tran
mie
nto
, co
nst
ant
de
com
ento
, fu
nci
ón
de
apre
nd
izaj
e,
fun
ció
nd
e re
nd
imie
nto
, ra
tio
de
ren
dim
ien
toy
algo
ritm
od
e b
úsq
ue
da
Co
nju
nto
s d
e
entr
enam
ien
toy
valid
ació
n
Obtención de las Funciones Objetivo
Entrenamiento y Validación de la RNA
Poblacióncompletada?
No
Yes
Proceso de Optimización: NSGA-II
Modelos Óptimos de RNAs
3. Red de distribución de agua
Cas
o d
e E
stu
dio
- Sistema de telemetría
- Datos de demanda de agua: diarios
- Campañas de riego: 2010, 2012 y 2013
- Datos climáticos: Estación Agroclimática más cercana
Comunidad de Regantes: Bembézar Márgen Derecha. Sector VII
3. Red de distribución de agua
Re
sult
ado
sVariables de Entrada
- Demanda de agua del día anterior (L s-1)
- Demanda de agua de dos días anteriores (L s-1)
- Temperatura media del día a predecir (°C)
- Radiación solar del dia a predecir (MJ m-2)
- Radiación solar del dia anterior (MJ m-2)
- ETo del día a predecir (mm)
- ETo del dia anterior (mm)
RNA(7,n,m,1)
3. Red de distribución de agua
Re
sult
ado
sFrente de Pareto
0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 1.8 2.00
0.2
0.4
0.6
0.8
1.0
1.2
1.4
1.6
1.8
2.0F2
F1
1.60 1.65 1.70 1.75 1.801.0
1.5
2.0
2.5
3.0
3.5
F2
F1
x10-6
I1I2
I3
3. Red de distribución de agua
I1 I2 I3Nº Neuronas de la 1ª capa oculta 22 3 29Nº Neuronas de la 2ª capa oculta 14 23 16Conjunto de entrenamiento (%) 81 75 80
Periodo devalidación
R2 0.92 0.90 0.93RMSE (L s-1) 53.42 58.10 55.18
SEP (%) 12.72 13.48 12.63
Re
sult
ado
s
3. Red de distribución de agua
Re
sult
ado
s
10 20 30 40 50 600
100
200
300
400
500
600
700
800
900
Número de datos100 200 300 400 500 600 700 800 900
0
100
200
300
400
500
600
700
800
900
R2=0.93
Demanda de agua observada (L s-1
día-1
)
0 10 20 30 40 50 600
100
200
300
400
500
600
700
800
900
Número de datos
De
ma
nd
a d
e a
gua
(L
s-1
día
-1)
100 200 300 400 500 600 700 800 9000
100
200
300
400
500
600
700
800
900
R2=0.92
Demanda de agua observada (L s-1
día-1
)
De
ma
nd
a d
e a
gua
estim
ada
(L s
-1)
Estimada Observada
Primer modelo de RNA (individuo negro)
Tercer Modelo de RNA (individuo verde)
I1
I3
0. Contenido
1. Introducción
2. Variables de entrada
3. Modelos predictivos a escala de Red de Distribución de agua
4. Modelos predictivos a escala de parcela
5. Conclusiones
4. Escala de parcela
Modelización del comportamiento del agricultor
4. Escala de parcela
Ob
jeti
voP
lan
team
ien
tod
el p
rob
lem
a
Desarrollar una nueva metodología combinando Árboles de decision y Algoritmos Genéticos para modelizar el comportamiento del agricultor
y predecir los eventos de riego
𝐹1 = 𝑀á𝑥. 𝑛ú𝑚𝑒𝑟𝑜 𝑒𝑣𝑒𝑛𝑡𝑜𝑠 𝑏𝑖𝑒𝑛 𝑐𝑙𝑎𝑠𝑖𝑓𝑖𝑐𝑎𝑑𝑜𝑠
F2 = 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑛𝑜𝑑𝑜𝑠 𝑑𝑒𝑙 á𝑟𝑏𝑜𝑙 = 𝑑𝑒𝑛𝑠𝑖𝑑𝑎𝑑
4. Escala de parcela
Estr
uct
ura
de
un
Árb
ol d
e C
lasi
fica
ció
n
x<a
y<b y<c
J1 J2 J3 J4
Yes No
Yes Yes NoNo
Nodo raíz Regiones divididas por la variable de
entrada xNodo interno: la hoja J1 es un nodo hijo de
este nudo interno
Hoja, nodo terminal o nodo externo
Labels
Max. Number of Branch node splits per tree
Minimum number of Observations
per Leaf
Minimum number of Observations per Branch node
Maximum Categories or levels of the
classification tree
Control de densidad
4. Escala de parcela
Población Inicial, GEN = 0
Cromosoma (Chr )
MaxBranch MinObsLeaf MinObsBranch MaxCatLevelSplitAlgorithm CrossValA
sign
ació
n d
el a
lgo
ritm
o d
e
div
isio
nd
el á
rbo
l de
clas
ific
ació
n
Uso
de
val
idac
ión
Cru
zad
a
Co
ntr
ol d
e d
en
sid
ad d
el
árb
ol d
e c
lasi
fica
ció
n
Obtención de las Funcniones Objetivo
Entrenamiento y test del árbol de clasificación
Población completada?
No
Sí
Proceso de optimización: NSGA-II
Árboles de clasificación óptimos
Alg
ori
tmo
Ge
nét
ico
Mu
ltio
bje
tivo
: NSG
A-I
I
4. Escala de parcela
Localización: Suroeste de España
Superficie regada: 2,691 ha
Sistema de riego: - Goteo (Tomate y maíz)
- Inundación (arroz)
Sistema de telemetría: consumo horario de
agua a escala de hidrante
Estación de riego: 2015
Número de hidrantes: 649 627
Conjuntos de entrenamiento/test: 80/20
Comunidad de Regantes: Canal del Zújar. Sector IIC
aso
de
Est
ud
io
4. Escala de parcela
Re
sult
ado
sVariables de Entrada
Input Descripción
I1 Cultivo.
I2 Día Juliano.
I3 Festivos (false or true).
I4 Día de la semana.
I5 Temperatura máxima diaria(°C).
I6 Temperatura media diaria(°C).
I7 Humedad relativa media diaria(%).
I8 Precipitación (false or true).
4. Escala de parcela
Re
sult
ado
sFrente de Pareto
0.985 0.987 0.989 0.991 0.993 0.995 0.997 0.99913.0
3.2
3.4
3,6
3,8
4.0
4.2
4.4
4.6
4.8
5.0
F1
Com
puti
ng
tim
e re
quir
emen
ts (s
)
0.985 0.987 0.989 0.991 0.993 0.995 0.997 0.999120
25
30
35
40
45
50
55
60
65
70
75
80
85
90
95
100
F1
F2
CT2
CT2
CT1
CT3CT3
CT1
a) b)
4. Escala de parcela
Re
sult
ado
sÁrboles seleccionados
CT1 CT2 CT3
Validación Cruzada yes yes yes
F1 1 0.9961 0.9916
F2 49 37 23
0.985 0.987 0.989 0.991 0.993 0.995 0.997 0.99913.0
3.2
3.4
3,6
3,8
4.0
4.2
4.4
4.6
4.8
5.0
F1
Com
putin
g tim
e req
uire
men
ts (s)
0.985 0.987 0.989 0.991 0.993 0.995 0.997 0.999120
25
30
35
40
45
50
55
60
65
70
75
80
85
90
95
100
F1
F2
CT2
CT2
CT1
CT3CT3
CT1
a) b)
4. Escala de parcela
Re
sult
ado
s: M
atri
z d
e c
on
fusi
ón
CT1
Valores pred. Precisión
Riego No RiegoPositive
(Riego)Negative
(No Riego)V
alo
res
ob
s.Riego
9,250 0100 % 100 %
No Riego 0 36,521
CT2
Valores pred. Precisión
Riego No IrrigationPositive
(Riego)Negative
(No Irrigation)
Val
ore
so
bs. Riego 6,706 2,544
73 % 93 %
No Riego 2,689 33,823
CT3
Valores pred. Precisión
Riego No IrrigationPositivo
(Riego)Negativo
(No Riego)
Val
ore
so
bs. Riego 6,329 2,921
68 % 93 %
No Riego 2,537 33,984
4. Escala de parcela
Re
sult
ado
sCT1
4. Escala de parcela
Modelización del comportamiento del agricultor
4. Escala de parcela
Ob
jeti
vo Desarrollar una metodología híbrida combinando Algoritmos genéticos y Sistemas Neurodifusos para la predicción de la lámina de riego diaria
aplicada por cada agricultor
Pla
nte
amie
nto
de
l pro
ble
ma 𝐹1 = 𝑀á𝑥. 𝑟𝑒𝑝𝑟𝑒𝑠𝑒𝑛𝑡𝑎𝑡𝑖𝑣𝑖𝑑𝑎𝑑
𝑆𝐸𝑃 =100
𝑄𝑣∙ 𝑅𝑀𝑆𝐸F2 = 𝐸𝑟𝑟𝑜𝑟 𝑚í𝑛𝑖𝑚𝑜 𝑑𝑒 𝑝𝑟𝑒𝑑𝑖𝑐𝑐𝑖ó𝑛 = 𝑅𝑀𝑆𝐸
4. Escala de parcela
Sist
em
asd
e In
fere
nci
aD
ifu
sa(F
IS)
Fuzzification
Inference
Defuzzification
MFs Database Rulebase
Input Output
Relación no lineal
Crisp Values Variables linguísticas
Opt. mediante RNA
ANFIS
Rule 1: If x is A1 and y is B1 Then f1 = p1 · x + q1 · y + r1,
Rule 2: If x is A2 and x is B2 Then f2 = p2 · x + q2 · y + r2,Sugeno-Takagi (TS) FIS
µ
µ
4. Escala de parcela
Ad
apti
ve N
eu
ro F
uzz
y In
fere
nce
Sys
tem
(A
NFI
S)
µ
µ
𝑤1 =𝑤1𝑤1 + 𝑤2
µA1
f1 (x,y)xw1 (x,y)
Layer 1
µA2
Π N
f2 (x,y)Nw2 (x,y)
f (x,y)
w1 f1
w2 f2
Layer 2 Layer 3 Layer 4 Layer 5
µB1
y
µB2
Π 𝑤2 =
𝑤2𝑤1 + 𝑤2
Fuzzification Layer
Rule nodes
𝑂𝑖2 = 𝑤𝑖 = 𝜇𝐴𝑖 𝑥 ∙ 𝜇𝐵𝑖 𝑦
Average nodes
DefuzzificationLayer
𝑂𝑖4 = 𝑤𝑖 ∙ 𝑓𝑖 = 𝑤𝑖 ∙ (𝑝𝑖𝑥 + 𝑞𝑖𝑦 + 𝑟𝑖𝑂𝑖5 = 𝑓 𝑥, 𝑦 =
𝑖
𝑤𝑖 ∙ 𝑓𝑖 = 𝑖𝑤𝑖 ∙ 𝑓𝑖 𝑖𝑤𝑖
Output node
4. Escala de parcela
Ad
apti
ve N
eu
ro F
uzz
y In
fere
nce
Sys
tem
(A
NFI
S)
µ
µ
Fuzzification
Inference
Defuzzification
MFs Database Rulebase
Input Output
Algoritmo Genético: NSGA-II
4. Escala de parcela
Alg
ori
tmo
Ge
nét
ico
Mu
ltio
bje
tivo
: NSG
A-I
I
Number of MFs Type of MFs
nDec1 nDec2 ... nDecnInput nDecnInput+1 nDecnInput+2 ... nDec2*nInput nDec2*nInput+1
Learning Method
Población Inicial, GEN = 0
Input number of FIS model (nInput); Population size (nPop); Number of Generations (nGEN); Number of Decision Variables (nDec)
GEN=0
.
.
.
...
Layer 1 Layers 2 to 5 (Fig.8.2)
Learning method of the ANFIS model
nDec2*nInput+1
Obtaining the Knowledge base
of the FISChr i model
i=1
i=nPopNo i=i+1
Yes
GEN =
nGEN
Sort the initialized population and selection of nPop/2 chromosomes
Evolution process (Crossover and
Mutation)
Selection of nPop chromosomes
Yes
NoGEN=GEN+1
Pareto Front
Optimal Chromosome
Optimal FIS model
Evaluation of the Objetive Functions F1
and F2
Number of MFs Type of MFs
nDec1 nDec2 ... nDecnInput nDecnInput+1 nDecnInput+2 ... nDec2*nInput nDec2*nInput+1
Learning Method
ChrnPopChr1 Chr2 Chr3 ...
Testing the FISChr i model
Obtaining of the Objetive Funtion F1 and F2
Input1
µA1 nDecnInput+1
Discourse universe partitioning
MFs type
µA2 nDecnInput+1
... ...µAnDec1 nDecnInput+1
Input2
µB1 nDecnInput+2
Discourse universe partitioning
MFs type
µB2 nDecnInput+2
... ...µBnDec2 nDecnInput+2
InputnInput
µZ1 nDec2*nInput
Discourse universe partitioning
MFs type
µZ2 nDec2*nInput
... ...µZnInput nDec2*nInput
Opt. modelos
FIS
4. Escala de parcela
Re
sult
ado
sVariables de Entrada
Input Description
PI17 Lámina de riego aplicada en el día anterior, mm.
PI18 Lámina de riego aplicada dos días anteriores, mm.
PI13 Día Juliano.
PI6 Humedad relativa máxima diaria, %.
PI4 Temperatura media diaria, °C.
Fuzzy Curves and Fuzzy Surfaces
4. Escala de parcela
Re
sult
ado
sFrente de Pareto
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 10
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
F1
F2 (m
m)
Backpropagation method + least squares learning method
Backpropagation learning method
4. Escala de parcela
Re
sult
ado
sLámina de riego diaria
Rice Maize Tomato0
10
20
30
40
50
60
Dai
ly ir
riga
tion
dep
th (m
m)
RiceMaize
Tomato
100125
150175
200225
250275
3000
10
20
30
40
50
60
Julian day
Dai
ly ir
riga
tion
dep
th (m
m)
100 125 150 175 200 225 250 275 3000
10
20
30
40
50
60
Julian day
Dai
ly ir
riga
tion
dep
th (m
m)
Rice Maize Tomato
4. Escala de parcela
Re
sult
ado
sFrente de Pareto
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 10123456789
101112131415
F1
F2 (m
m)
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 10123456789
101112131415
F1
F2 (m
m)
Backpropagation learning method
Backpropagation method +
least squares learning method
Backpropagation method +
least squares learning method
a)
b)
Arroz
Maíz + Tomate
4. Escala de parcela
Re
sult
ado
sFrente de Pareto
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 10123456789
101112131415
F1
F2 (m
m)
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 10123456789
101112131415
F1
F2 (m
m)
a)
Backpropagation learning method
Backpropagation method+
least squares learning method
b)
Backpropagation method + least squares learning method
Maíz
Tomate
4. Escala de parcela
Re
sult
ado
sModelos óptimos
0
5
10
15
20
25
30
0
5
10
15
20
25
30
0 5 10 15 20 25 300
5
10
15
20
25
30
Observed irrigation depth (mm)
Est
imat
ed ir
riga
tion
dep
th (m
m)
a)
b)
c)
R2 = 0.72SEP = 22.20 %
R2 = 0.87SEP = 9.80 %
R2 = 0.72SEP = 23.42 %
Arroz
Maíz
Tomate
4. Escala de parcela
Re
sult
ado
sANFIS Example
R27: If Applied irrigation
depth in the previous day
is LOW and Applied
irrigation depth in the two
previous days is
MEDIUM and Julian day
is HIGH and the Daily
maxium relative humidity
is HIGH and Daily
average termperature is
LOW,
THEN
f27 = 11.48 · PI17 + 54. 28 ·
PI18 – 3.83 · PI13 – 9.17 ·
PI6 + 26.06 · PI4 – 5400
0. Contenido
1. Introducción
2. Variables de entrada
3. Modelos predictivos a escala de Red de Distribución de agua
4. Modelos predictivos a escala de parcela
5. Conclusiones
5. Conclusiones
La mejora del conocimiento y la integración de todos los elementos quecomponen las Redes de distribución de agua de riego permiten reducir ladependencia energética de las CC.RR. y por tanto de los agricultores.C
on
clu
sio
nes
La incorporación de la Inteligencia Artificial a la gestión de las Comunidadesde Regantes permite reducir la incertidumbre ocasionada por los riegosorganizados a la demanda y proporciona herramientas a los gestores tantopara la contratación de la energía eléctrica como para la gestión y petición deaguas.
Aplicación de la Inteligencia Artificial para la predicción de demanda diaria de
agua en una Comunidad de Regantes
Rafael González PereaEmilio Camacho Poyato
28-02-2018