Tesis:
Contributions to Case-Based Reasoning Enabled Decision Support System for Smart Agriculture
- Autor: ZHAI, Zhaoyu
- Título: Contributions to Case-Based Reasoning Enabled Decision Support System for Smart Agriculture
- Fecha: 2020
- Materia: Sin materia definida
- Escuela: E.T.S.I. Y SISTEMAS DE TELECOMUNICACIÓN
- Departamentos: INGENIERIA TELEMATICA Y ELECTRONICA
- Acceso electrónico: http://oa.upm.es/64746/
- Director/a 1º: MARTÍNEZ ORTEGA, José-Fernán
- Resumen: Nowadays, high demands for food from the world-wide growing population are impacting the environment and putting many pressures on agricultural productivity. As a farming management concept, smart agriculture tries to integrate advanced technologies like Internet of Things, Artificial Intelligence, and Remote Sensing into current farming practices for the purpose of boosting productivity and improving the quality of agricultural products. The core of smart agriculture emphasizes on the use of information systems and communication technologies in the cyber-physical farm management cycle. However, farmers can hardly take advantage of collected information to make proper decisions because it is difficult to transfer the explosive amount of raw data from sensors, actuators, and networks into practical knowledge for managing farming operations. Therefore, delivering an agricultural decision support system to farmers to assist them in making evidence-based decisions is needed. The ultimate objective of this thesis is to design and implement a decision support system within the Aggregate Farming in the Cloud (AFarCloud) platform. Meanwhile, the proposed decision support system tries to overcome the current challenging problems in this topic. To achieve this objective, this thesis follows the below three research areas. The first area aims at providing a general solution for delivering an agricultural decision support system for the AFarCloud platform. An architectural proposal of the decision support system framework for managing farming operations is presented in this thesis. The proposed framework defines an algorithm manager and an algorithm toolbox. The former component is responsible to configure registered decision support algorithms, while the latter component is capable of selecting a certain algorithm to generate decision supports. The proposed framework demonstrates how smart agriculture can benefit from the support of a decision support system, and therefore assist farmers in making evidence-based decisions. The second area focuses on designing a case-based reasoning (CBR) algorithm to generate decision supports for farmers. This CBR algorithm is implemented within the framework proposed in the first research area, in particular, within the algorithm toolbox component. According to the nature of the CBR algorithm, it can be divided into five steps, including representation, retrieval, reuse, revision, and retention. In this thesis, an improved CBR algorithm is proposed to overcome the detected shortcomings of the current research work. Firstly, an associated case representation formalism is presented for enhancing the typical feature vector representation. The proposed representation formalism contains the similar and dissimilar associations between past cases, enabling to compare potential similar cases preferentially. Secondly, a triangular similarity measure is designed by taking advantage of cosine and Euclidean distance measures. For providing a precise measurement, the magnitude differences between two compared N-dimensional vectors are taken into consideration. Thirdly, a fast case retrieval algorithm is developed, enabling to determine a list of similar past cases by comparing a fewer number of cases. As a consequence, the retrieval efficiency is improved while the retrieval accuracy can be guaranteed as well. Fourthly, a learning-based approach for solution reuse and revision is studied. This reuse and revision approach tries to identify the difference between the problem part of compared cases, and then update the retrieved solution based on previous experiences. Lastly, an associated case retention approach is put forward. Apart from the typical addition and deletion strategies, the proposed retention approach also concerns to update the existed associations and generate new associations for the learned cases. By enhancing each step of the CBR loop, the proposed CBR algorithm is able to generate promising decision supports with great efficiency and accuracy. The third area considers a hybrid decision support mechanism for the AFarCloud platform. It is noted that though the improved CBR algorithm can generate a satisfied result for the most queries, it may be unable to generate the decision supports when the CBR algorithm fails to retrieve a list of similar past cases. Under this circumstance, the decision support system should start other registered algorithms to carry on the task. Therefore, for coordinating the interaction between various decision support algorithms, a mediator design pattern is adopted in this hybrid decision support mechanism. Owing to the design of the mediator component, different decision support algorithms do no need to interact with each other directly. Instead, the communication work between the algorithm manager and decision support algorithms is handled by this mediator component. This hybrid decision support mechanism is verified through a preliminary proof, considering the CBR algorithm and an artificial neural network algorithm. The result suggests that the hybrid decision support mechanism can enhance the robustness of the overall decision support system. Lastly, the proposed decision support system, along with the improved CBR algorithm, are all verified by simulation. The simulation results demonstrate that the proposal in this thesis is effective and achieves better performance than previous works. ----------RESUMEN---------- Hoy en día, la alta demanda de alimentos a consecuencia del crecimiento de la población mundial está afectando al medio ambiente y ejerciendo muchas presiones sobre la producción agrícola. La agricultura inteligente, entendida como un concepto de la gestión agrícola, intenta la integración de tecnologías avanzadas, tales como Internet de las cosas, la inteligencia artificial y la teledetección, en las prácticas agrícolas actuales, con el fin de aumentar la productividad y mejorar la calidad de los productos agrícolas. El núcleo de la agricultura inteligente hace hincapié en el uso de los sistemas de información y las tecnologías de comunicaciones en el ciclo de gestión de la granja ciberfísica. Sin embargo es difícil que los granjeros puedan aprovechar la información recopilada para tomar las decisiones adecuadas. La explosiva cantidad de datos procedentes de los sensores, actuadores y redes cuesta transformarla en un conocimiento práctico que resulte útil para la administración de las operaciones agrícolas. Por lo tanto, es necesario proporcionar a los agricultores un sistema de apoyo a las decisiones agrícolas que les ayude a tomar decisiones basadas en la evidencia. El objetivo final de esta tesis es diseñar e implementar un sistema de soporte a decisiones dentro de la plataforma Aggregate Farming in the Cloud (AFarCloud). En particular, el sistema de apoyo a decisiones propuesto trata de superar los desafíos actuales en este tema. Para lograr este objetivo, esta tesis sigue las siguientes tres áreas de investigación. La primera área tiene como objetivo proporcionar una solución general para entregar un sistema de soporte a decisiones agrícolas para la plataforma AFarCloud. En esta tesis se presenta la propuesta de un marco de referencia para la arquitectura de un sistema de soporte a decisiones para la administración de las operaciones agrícolas. Este marco define dos componentes: un administrador de algoritmos, y un grupo de herramientas de algoritmos. El primero es responsable de configurar los algoritmos de soporte a decisiones que estén registrados, mientras que el segundo es capaz de seleccionar un cierto algoritmo de entre los registrados para generar soportes a decisiones. El marco propuesto demuestra cómo la agricultura inteligente puede beneficiarse del apoyo de un sistema de soporte a decisiones, y por lo tanto, cómo ayuda a los agricultores a tomar decisiones basadas en la evidencia. La segunda área se centra en el diseño de un algoritmo de razonamiento basado en casos (CBR) para generar soporte a decisiones para los agricultores. Este algoritmo CBR se implementa dentro del marco propuesto en la primera área de investigación, en particular, en el grupo de herramientas de algoritmos. De acuerdo a su naturaleza el algoritmo CBR se puede dividir en cinco pasos, que incluyen: representación, recuperación, reutilización, revisión y retención. En esta tesis, se propone un algoritmo CBR mejorado para superar las deficiencias detectadas en el trabajo de investigación. En primer lugar, se presenta la representación formal de los casos asociados para mejorar la representación típica del vector de características. La representación formal propuesta contiene las asociaciones de similitud y diferencias entre casos pasados, permitiendo comparar preferentemente los casos similares posibles. En segundo lugar, se diseña una medida de similitud triangular aprovechando las medidas de distancia del coseno y euclidiana. Para proporcionar una medición precisa se tienen en cuenta las diferencias al comparar la magnitud entre dos vectores N-dimensionales. En tercer lugar, se desarrolla un algoritmo de recuperación rápida de casos, que permite obtener una lista de casos pasados similares comparando un número menor de casos. En consecuencia, la eficiencia de la recuperación mejora a la vez que se garantiza su precisión. En cuarto lugar se estudia un enfoque basado en el aprendizaje para la reutilización y revisión de soluciones. Este enfoque de reutilización y revisión intenta identificar la diferencia entre la parte del problema de los casos comparados, para posteriormente actualizar la solución recuperada en base a las experiencias previas. Por último, se presenta un enfoque de retención del caso asociado. Además de las estrategias típicas de adición y eliminación, el enfoque de retención propuesto se refiere también a la actualización de las asociaciones existentes y a la generación nuevas asociaciones para los casos aprendidos. Al mejorar cada uno de los pasos del ciclo CBR, el algoritmo CBR propuesto puede generar soportes prometedores para la toma de decisiones, y además hacerlo con gran eficiencia y precisión. La tercera área considera un mecanismo híbrido de soporte a decisiones para la plataforma AFarCloud. Se observa que, aunque el algoritmo CBR mejorado puede generar resultados satisfactorios durante la mayor parte del tiempo, es posible que no pueda generar soportes a decisión cuando el algoritmo CBR no pueda recuperar una lista de casos pasados similares. Bajo esta circunstancia, el sistema de soporte a decisiones debe iniciar otros algoritmos registrados para llevar a cabo la tarea. Por lo tanto, para coordinar la interacción entre varios algoritmos de soporte a decisiones, se adopta un patrón de diseño tipo mediador en este mecanismo híbrido de soporte a decisiones. Gracias al diseño del componente mediador, los diferentes algoritmos de soporte a decisiones no necesitan interactuar entre sí directamente. En cambio, este componente mediador maneja el trabajo de comunicación entre el administrador de algoritmos y los algoritmos de soporte a decisiones. Este mecanismo híbrido de soporte a decisión se verifica a través de una prueba preliminar que utiliza el algoritmo CBR y una red neuronal artificial. El resultado sugiere que el mecanismo híbrido de soporte a decisiones puede mejorar la solidez del sistema general. Por último, el sistema de soporte a decisiones propuesto, junto con el algoritmo CBR mejorado, se verifican por simulación. Los resultados de la simulación demuestran que la propuesta en esta tesis es efectiva y logra un mejor rendimiento que los trabajos anteriores.