Diapositivas de apoyo para la presentación en el Primer Seminario Virtual DIáspora Hídrica, organizado por el Instituto Mexicano de Tecnología del Agua (IMTA), Instituto de Ingeniería de la Universidad Nacional Autónoma de México (II-UNAM) y la Red del Agua de la UNAM.

1. Pronóstico de impactos
agrícolas de las sequías en
México
mediante técnicas de Aprendizaje
Automático
Roberto A. Real Rangel
Instituto de Ingeniería UNAM
Programa de Maestría y Doctorado en Ingeniería UNAM
Seminario Virtual Diáspora Hídrica
Instituto Mexicano de Tecnología del Agua
4-7 de Agosto de 2020
Photo by Max Chan on Unsplash

2. Contenido de la presentación
Contenido
1. Motivación y objetivos
2. Metodología
3. Resultados preliminares
4. Síntesis y trabajo por hacer
2
Photo by Max Chan on Unsplash

3. Motivación y objetivos
Las sequías y sus impactos
3
Las sequías son eventos naturales temporales y
recurrentes que se manifiestan con la disminución
de la disponibilidad natural de agua.
Sus impactos son tan variados como la cantidad de
procesos demandantes de agua en un sistema.
La agricultura de temporal es el sector económico
más directamente afectado por las sequías.
Superficie de temporal en México
16.0 Mha/año
Maíz grano
6.3 MHa/año
(39 %)
Pastos
Frijol
Sorgo grano
55 % del total de maíz
grano producido en
México

4. Motivación y objetivos
Objetivo
4
Desarrollar un marco de trabajo que permita
pronosticar los impactos agrícolas de la sequía
mediante técnicas de Aprendizaje Automático

5. Metodología
5
Metodología
Recopilación de información
Estimación de la variación del
rendimiento efectivo de cultivo
Definición de regiones
homogéneas
Selección de variables
explicativas
Identificar las pérdidas agrícolas
asociadas con sequías
Producción agrícola, variables hidrológicas, índices climáticos
y características del suelo.
Remover la influencia de los avances científicos y tecnológicos en el
rendimiento agrícola para estimar la probabilidad acumulada asociada a cada
valor.
Implementar un índice ponderado de sequía para definir la ocurrencia
de periodos secos y asociarlos con pérdidas de rendimiento agrícola.
Asociadas con la ocurrencia de sequías.
Aun en etapa explorativa.
Entrenar y evaluar algoritmos de
Aprendizaje Automático
Mediante un algoritmo de propagación de afinidad, usando parámetros de posición
geográfica, edafológicos, climáticos y de producción agrícola.
Con ayuda de scikit-learn.
Paquete de funciones de
Aprendizaje Automático
para Python

6. Metodología
6
Metodología: Definición de regiones homogéneas
• Producción de maíz grano en los
Distritos de Desarrollo Rural (DDR) de
la Secretaría (Ministerio) de
Agricultura y Desarrollo Rural.
• Es de particular interés el DDR con
mayor producción de maíz grano de
temporal: La Barca (Jalisco; 70).
• Es necesario identificar un grupo de
distritos que compartan
características asociadas con la
respuesta de los cultivos ante una
sequía.
• Los distritos de este grupo
compartirán información, para llevar a
cabo un análisis regional.

7. Metodología
7
Metodología: Definición de regiones homogéneas (propagación de afinidad)
Región homogénea del DDR La BarcaProporción de arena
Proporción de arcilla
Proporción de limo Precipitación anual media Temperatura media mensual mínima Temperatura media mensual máxima
Área sembrada de maíz anual media
Proporción de cultivo de maíz
Menor Mayor
Menor Mayor
Menor Mayor Menor Mayor Menor Mayor Menor Mayor
Menor Mayor
Menor Mayor
La Barca (70)
Lagos de Moreno (66)
Cortazar (52)
Atlacomulco (77)
Toluca (73)
Libres (114)
Cholula (115)
Tecamachalco (117)
Huajuapan de León (104) Valles Centrales (105)

8. Metodología
8
Metodología: Estimación de las anomalías en el rendimiento agrícola
Tendencia del rendimiento agrícola Anomalía del rendimiento agrícola
Umbral de severidad = -0.3 (P=0.2)El patron de tendencia en el rendimiento
agrícola es comúnmente asociado con el
desarrollo técnico y científico.

9. 9
Metodología
TIEMPO Kc Kc Sc
MES 1 0.4 0.08
MES 2 0.8 0.16
MES 3 0.8 0.16
MES 4 1.15 0.23
MES 5 1.15 0.23
MES 6 0.7 0.14
1.00
SSIPonderado = -1.03
Índice de sequía
Metodología: Identificación de temporadas agrícolas con sequía
TIEMPO SSI01
MES 1 0.09
MES 2 0.01
MES 3 -1.10
MES 4 -1.46
MES 5 -1.11
MES 6 -1.30
MES 7 -0.65
MES 8 -0.51
MES 9 -0.80
MES 10 -1.00
MES 11 1.01
TIEMPO SEMBRADO
MES 1 6%
MES 2 60%
MES 3 34%
MES 4 0%
MES 5 0%
MES 6 0%
MES 7 0%
MES 8 0%
MES 9 0%
MES 10 0%
MES 11 0%
Siembra mensual
TIEMPO MES 1 MES 2 MES 3 MES 4 MES 5 MES 6
MES 1 0.06 0.00 0.00 0.00 0.00 0.00
MES 2 0.60 0.06 0.00 0.00 0.00 0.00
MES 3 0.34 0.60 0.06 0.00 0.00 0.00
MES 4 0.00 0.34 0.60 0.06 0.00 0.00
MES 5 0.00 0.00 0.34 0.60 0.06 0.00
MES 6 0.00 0.00 0.00 0.34 0.60 0.06
MES 7 0.00 0.00 0.00 0.00 0.34 0.60
MES 8 0.00 0.00 0.00 0.00 0.00 0.34
MES 9 0.00 0.00 0.00 0.00 0.00 0.00
MES 10 0.00 0.00 0.00 0.00 0.00 0.00
MES 11 0.00 0.00 0.00 0.00 0.00 0.00
Peso por momento de siembra (wS)
Peso por necesidad
de agua (wK)
Peso compuesto (w = wS × wK) Producto SSI01 × w
TIEMPO
MES 1 MES 2 MES 3 MES 4 MES 5 MES 6
Kc = 0.08 Kc = 0.16 Kc = 0.16 Kc = 0.23 Kc = 0.23 Kc = 0.14
MES 1 0.00 0.00 0.00 0.00 0.00 0.00
MES 2 0.05 0.01 0.00 0.00 0.00 0.00
MES 3 0.03 0.10 0.01 0.00 0.00 0.00
MES 4 0.00 0.05 0.10 0.01 0.00 0.00
MES 5 0.00 0.00 0.05 0.14 0.01 0.00
MES 6 0.00 0.00 0.00 0.08 0.14 0.01
MES 7 0.00 0.00 0.00 0.00 0.08 0.08
MES 8 0.00 0.00 0.00 0.00 0.00 0.05
MES 9 0.00 0.00 0.00 0.00 0.00 0.00
MES 10 0.00 0.00 0.00 0.00 0.00 0.00
MES 11 0.00 0.00 0.00 0.00 0.00 0.00
TIEMPO MES 1 MES 2 MES 3 MES 4 MES 5 MES 6
MES 1 0.00 0.00 0.00 0.00 0.00 0.00
MES 2 0.00 0.00 0.00 0.00 0.00 0.00
MES 3 -0.03 -0.10 -0.01 0.00 0.00 0.00
MES 4 0.00 -0.08 -0.14 -0.02 0.00 0.00
MES 5 0.00 0.00 -0.06 -0.15 -0.02 0.00
MES 6 0.00 0.00 0.00 -0.10 -0.18 -0.01
MES 7 0.00 0.00 0.00 0.00 -0.05 -0.05
MES 8 0.00 0.00 0.00 0.00 0.00 -0.02
MES 9 0.00 0.00 0.00 0.00 0.00 0.00
MES 10 0.00 0.00 0.00 0.00 0.00 0.00
MES 11 0.00 0.00 0.00 0.00 0.00 0.00
Índice de sequía
asignado a la
temporada agrícola
En este ejemplo, hubo
condiciones de déficit de
humedad del suelo (valor
negativo)
Continúa
Continúa

10. Metodología
10
Metodología: Estimación de las anomalías en el rendimiento agrícola
Tendencia del rendimiento agrícola Anomalía del rendimiento agrícola
Umbral de severidad = -0.3 (P=0.2)
Pérdidas agrícolas no asociadas con sequías

11. Metodología
11
Metodología: variables explicativas candidatas
Índices climáticos asociados con El Niño
• Niño 1+2
• Niño 3.
• Niño 4.
• Niño 3.4.
• Índice de Oscilación del Sur (SOI).
Índices de sequía (con escala temporal de 1 mes)
• Índice Estandarizado de Precipitación (SPI)
• Índice Estandarizado de Humedad del Suelo (SSI)
• Índice Estandarizado de Temperatura (STI)
Retrasos, desde 1, hasta 17 meses

12. 12
Metodología
DDR TEMPORADA
104 2003
104 2004
104 2005
104 2006
104 2007
104 2008
104 2009
104 2010
104 2011
104 2012
104 2013
104 2014
104 2015
104 2016
104 2017
104 2018
104 2019
105 2003
SOI NINO1 NINO3 NINO4 NINO3.4 SPI01 SSI01 STI01
1.20 26.03 26.70 28.57 26.98 -0.56 1.03 -1.07
-3.10 25.16 26.31 28.87 27.11 -0.80 -0.21 0.39
0.10 26.32 26.06 27.52 26.08 -0.99 -0.96 -0.13
-0.10 26.21 26.49 28.66 26.88 0.38 0.39 0.59
2.60 26.32 25.16 26.62 25.08 0.32 -0.42 0.93
1.90 25.42 25.84 27.35 25.96 0.15 -0.91 -0.41
-1.50 26.22 27.28 29.08 28.01 1.64 1.17 -1.07
2.70 25.94 25.63 27.15 25.64 -1.78 -0.96 0.84
0.50 26.46 26.22 27.29 26.08 0.79 -0.03 0.08
-0.20 25.37 25.84 28.01 26.24 -1.33 -1.13 1.74
0.10 25.49 25.62 28.27 26.14 -0.46 -0.14 1.36
0.20 25.57 26.46 29.07 27.17 -0.01 0.32 -0.10
-2.00 27.40 28.38 29.41 29.01 -0.74 -1.20 -0.76
-0.10 27.46 26.83 28.11 26.67 -1.47 -1.69 1.09
-0.50 25.13 25.50 27.85 25.97 0.32 0.02 0.71
-1.40 26.62 26.99 28.91 27.46 -0.54 -0.24 2.14
-0.10 26.12 26.50 28.97 27.11 -0.19 0.19 1.28
-1.30 24.36 26.08 28.75 26.81 1.22 0.64 -0.49
IMPACTO
0
0
1
0
0
0
1
0
1
0
0
0
0
0
0
0
1
Índice Variables explicativas (atributos)
Variable objetivo
(etiqueta)
…
…
…
Metodología: Entrenamiento y prueba de un algoritmo de Aprendizaje Automático
DDR TEMPORADA
52 2008
52 2009
52 2010
52 2011
52 2012
52 2013
52 2014
52 2015
52 2016
52 2017
52 2018
52 2019
SOI NINO1 NINO3 NINO4 NINO3.4 SPI01 SSI01 STI01
1.20 26.03 26.70 28.57 26.98 -0.56 1.03 -1.07
-3.10 25.16 26.31 28.87 27.11 -0.80 -0.21 0.39
0.10 26.32 26.06 27.52 26.08 -0.99 -0.96 -0.13
-0.10 26.21 26.49 28.66 26.88 0.38 0.39 0.59
2.60 26.32 25.16 26.62 25.08 0.32 -0.42 0.93
1.90 25.42 25.84 27.35 25.96 0.15 -0.91 -0.41
-1.50 26.22 27.28 29.08 28.01 1.64 1.17 -1.07
2.70 25.94 25.63 27.15 25.64 -1.78 -0.96 0.84
0.50 26.46 26.22 27.29 26.08 0.79 -0.03 0.08
-0.20 25.37 25.84 28.01 26.24 -1.33 -1.13 1.74
0.10 25.49 25.62 28.27 26.14 -0.46 -0.14 1.36
0.20 25.57 26.46 29.07 27.17 -0.01 0.32 -0.10
IMPACTO
?
?
?
?
?
?
?
?
?
?
?
Índice Variables explicativas (atributos)
Variable objetivo
(etiqueta)
Entrenar (“enseñar”) al algoritmo de AA con información
conocida
Probar el algoritmo entrenado con datos “no
etiquetados”

13. Resultados
Resultados: Pronóstico al inicio de la temporada
Se evaluó el desempeño del algoritmo de Bosques Aleatorios con un algoritmo de validación cruzada de
5 pliegues y 10 repeticiones.
13
Pronóstico
TotalNegativo Positivo
Registro
Conteo Negativo 102.6 4.4 107
Positivo 7.3 12.7 20
% Negativo 95.9 4.1 100
Positivo 36.5 63.5 100
Subconjunto de desarrollo
Pronóstico
TotalNegativo Positivo
Registro
Conteo Negativo 35 2 37
Positivo 2 4 6
% Negativo 94.6 5.4 100
Positivo 33.3 66.7 100
Subconjunto de prueba
Probabilidad de detección (POD) = 0.58 ± 0.26
Ratio de Falsa Alarma (FAR) = 0.27 ± 0.28
Probabilidad de detección (POD) = 0.67
Ratio de Falsa Alarma (FAR) = 0.33

14. Conclusiones
Síntesis
1. Se definieron regiones homogéneas para compartir información y llevar a cabo un análisis regional.
2. Se removió la tendencia de los registros de rendimiento agrícola, para lo que se probaron tres modelos de
patrón de tendencia en cada DDR y fue implementado en cada caso el que mejor desempeño presentó.
3. Se estimó el registro de anomalías de rendimiento agrícola, ajustando los valores de los residuos a una
distribución de probabilidad no paramétrica.
4. Se identificaron y etiquetaron como casos negativos (es decir, “sin impacto de sequías”) las temporadas que sin
presentar déficits de humedad, registraron pérdidas agrícolas.
5. Se entrenó y evaluó un algoritmo de clasificación de Bosque Aleatorio para pronosticar la reducción del
rendimiento agrícola derivado de una sequía.
16

15. Conclusiones
Trabajo por hacer
1. Probar el uso de un método no compensatorio de agregación en el cálculo del índice de sequía ponderado,
para evitar que los meses con alta humedad compensen la falta de humedad en otros meses y, así, mejorar la
identificación de temporadas con sequía.
2. Implementar una técnica de remuestreo para balancear el número de ejemplos positivos (con impacto de
sequía) y negativos (sin impacto).
3. Evaluar otras variables explicativas candidatas.
4. Evaluar otros (múltiples) algoritmos de clasificación, para lograr un mejor desempeño en el pronóstico de
impactos en el sector agrícola.
17

16. Gracias por su atención.
Roberto A. Real Rangel
Email: rrealr@iingen.unam.mx
Twitter: @rrealrangel
LinkedIn: roberto-real-rangel
Photo by Max Chan on Unsplash