¿Qué pueden hacer los sistemas y la teoría del control para la ciencia agrícola?

Mientras que muchos profesionales con experiencia en agricultura y bio-recursos trabajan con
modelos, sólo unos pocos han sido expuestos a los sistemas y la teoría de control. El propósito de este
aper es elucidar una selección de métodos de la teoría de sistemas que pueden ser beneficiosos para la
ciencia agrícola cuantitativa.
La representación en el espacio de estados de un sistema dinámico es la piedra angular en la corriente
principal de la teoría de sistemas. No es bien sabido en agro-modelado que la linealización seguida por
la evaluación de autovalores y autovectores de la matriz del sistema es útil para obtener constantes de
tiempo dominantes y direcciones dominantes en el espacio de estado, y ofrece oportunidades para la
reducción del modelo basado en la ciencia. La escripción de espacio de estado continua también es útil
para derivar modelos de tiempo discreto verdaderamente equivalentes y muestra claramente que los
parámetros obtenidos con modelos discretos deben interpretarse con cuidado cuando se transfieren a
otro entorno de código de modelo.
El análisis de sensibilidad de los modelos dinámicos revela que la sensibilidad depende del tiempo y de
la entrada.

La identificación y la sensibilidad son nociones esenciales en el diseño de experimentos

informativos, y la idea de excitación persistente, que conduce a experimentos dinámicos
en lugar de los experimentos estáticos habituales puede ser muy beneficiosa. Una rama
especial de la teoría de sistemas es la teoría del control. Obviamente, el control
desempeña un papel importante en la ingeniería agrícola y de los sistemas biológicos,
pero se argumenta que también los agrónomos pueden beneficiarse de nociones del
mundo del control, incluso si las opciones prácticas de control se limitan a aliviar las
condiciones de limitación del crecimiento, . Lo más importante es la idea de reducir la
incertidumbre a través de la retroalimentación. Por otro lado, se desafía a los sistemas ya
la comunidad de control a hacer más para abordar los problemas de la vida real, tales
como la variabilidad espacial, los retrasos en la facilitación, la falta de datos, la
estocasticidad ambiental, el parámetro Variabilidad, incertidumbre inevitable del modelo,
fenómenos discretos, estructuras de sistemas variables, la interacción de sistemas
técnicos y vivos y, de hecho, el estudio del funcionamiento de la vida misma.
Palabras clave: teoría de sistemas, agronomía, modelación espacial de estados,
linealización, análisis de sensibilidad, incertidumbre, teoría de control

INTRODUCCIÓN El Nuevo Directorio Internacional de Webster describe un sistema como

"una agregación o ensamblaje de objetos unidos en interacción o interdependencia
regulares; Un conjunto de unidades combinadas por la naturaleza o el arte para formar un
todo orgánico o organizado; Una totalidad ordenada de trabajo ... «. Por lo tanto, podemos
decir que un sistema se caracteriza por partes individuales, unidades o cosas, que
trabajan juntos como una entidad, un todo, para servir a un determinado propósito. Según
la Wikipedia (http://en.wikipedia.org), la teoría de sistemas se remonta al biólogo von
Bartalanffy, que en los años treinta observó sorprendentes similitudes en el
funcionamiento de los sistemas de diversas disciplinas científicas. La teoría de sistemas
como una disciplina se fusionó en los años inmediatamente después de la Segunda
Guerra Mundial.
Su objetivo es proporcionar un marco generalizado mediante el cual se pueda analizar y describir
cualquier grupo de objetos que Trabajar en concierto para producir algún resultado. Se basa en la
isomorfia de conceptos, leyes y modelos (Http://isss.org). Una rama significativa en la teoría de
sistemas se ocupa del estudio de sistemas dinámicos, es decir, sistemas en los que variables
relevantes varían en el tiempo. De hecho, los sistemas estáticos pueden ser vistos como un caso
especial. Dentro del dominio de la teoría de sistemas, la teoría de control forma Un subconjunto
que se ocupa de la ciencia para hacer que un sistema se comporte de una manera especificada.
Aunque curiosamente, la historia de la teoría del sistema se origina en la biología, su
materialización en los últimos años como una disciplina con una fuerte orientación matemática
parece haber ampliado la brecha con la corriente principal de las ciencias de la vida, Pertenece
Una breve investigación bibliográfica sobre la combinación de elementos seleccionados de la
teoría de sistemas

Cross sections of systems notions with agriculture and horticulture in literature in Scopus™ over the
years 1996 — 2007
E 1 Secciones transversales de nociones de sistemas con la agricultura y la horticultura en la literatura
en Scopus ™ a lo largo de los años
1996 - 2007
Término de búsqueda Agricultura o
agronomía
Horticultura Observaciones
Noción
Modelado 12 575 546
Simulación 10 788 476
Teoría del sistema 57 4
Dinámica del sistema 119 5
Linealización 48 0
Similaridad Transform 0 0
Identificabilidad 10 1 casi todos relacionados con el agua
Parámetro Estimación 856 34
Identificación del sistema 24 4
Análisis de sensibilidad 1 471 66 87 reseñas
Análisis de Incertidumbre 260 4
Teoría de control 51 5 todas las ingenierías
Sistema de control 555 40
NÓTESE BIEN. El control como término de búsqueda da casi 60 000 visitas conjuntamente con la
agricultura; Esto se debe al uso coloquial del
Término relacionado con la manipulación y la experimentación.

Ciencias agrícolas y agrícolas revela que hay Interacción entre estos campos. La Tabla 1 resume
El número de trabajos encontrados con el Scopus ™ (http://www.scopus.com) utilizando
Las áreas indicadas en la tabla. Las nociones En la columna de la izquierda que aparece en el título, el
resumen O palabras clave se combinaron con la agricultura o
Agronomía, y con la horticultura como palabras de búsqueda
Para todos los campos de los registros de publicación,
Las cifras indicadas en el cuadro. Inspección manual
De las referencias reveló que sistemas específicos
Y entradas de terminología de control, tales como »sistema
Identificación ", estaban en su mayoría relacionados con ingeniería,
Y de estos muchos estaban tratando con
Ingeniería de control, que, por supuesto, ha encontrado
Alguna aplicación. Parece que en el sector de la no
Área de ciencia agrícola poco uso se hace
De los sistemas y la teoría del control, a pesar de
De modelización y simulación. Entre los más aplicados
Técnicas son el análisis de sensibilidad y el parámetro
Estimacion. Estos temas tienen alguna base en
Estadísticas que siempre han jugado un papel
Agricultura, pero aún así no está seguro de que los elementos
De la teoría de los sistemas dinámicos están plenamente explotados.
El propósito de este trabajo es doble. El primero
Parte resume brevemente los resultados importantes de los sistemas
Y la teoría del control, con la idea de que estos resultados podrían ser relevantes para los
investigadores y los modeladores
En las ciencias agrícolas. La segunda parte
Discute posibles razones para la falta de penetración
De la teoría de sistemas, proporcionando así un
Los sistemas y la comunidad de control, que esperamos
Ayudará a salvar la brecha. Un papel similar
Sobre la teoría del control y la gestión de los ecosistemas
Ha desencadenado la idea de este documento [8].
2 TEORÍA DE LOS SISTEMAS DE APLICACIÓN
Mientras que el avance de la teoría de sistemas
Depende del desarrollo ulterior de
Conceptos, es la aplicación de él a una disciplina específica
Que le hace de interés a esa disciplina.
En la aplicación de la teoría de sistemas a una
Disciplina, las siguientes actividades pueden ser
distinguido:
A) Modelado
B) Análisis
C) Síntesis.
2.1 Modelado
Un modelo es una representación simplificada de la realidad,
Que encapsula los aspectos significativos de la realidad
Para el uso previsto. En el comportamiento
(U, B), donde U es un conjunto que representa el universum, y B un subconjunto de U que representa
Los posibles resultados, llamado el comportamiento. En
De esta manera, un modelo es visto como un formalismo matemático,
A menudo en forma de ecuaciones matemáticas,
Para restringir el espacio de posibles resultados.
Los modelos se obtienen ya sea mediante el modelado de los primeros principios
O por métodos de identificación del sistema. En el
Los primeros modelos de aproximación de principio se establecen reuniendo conceptos, principios de
conservación y leyes conocidos de experiencias anteriores. El resultado de este proceso es una
estructura de modelo. A continuación, se utiliza la estimación de parámetros para derivar parámetros
que no se conocían de antemano, en comparación con los datos de observación. El enfoque de
identificación del sistema se inicia a partir de los datos disponibles, e intenta deducir tanto la estructura
como los parámetros de estos datos.
El conjunto de estructuras posibles puede ser limitado por el conocimiento previo.
Una vez que un modelo está disponible, debe ponerse a prueba comprobando su rendimiento en un
conjunto de datos independientes, no utilizados antes. Este proceso se conoce como validación de
modelo. En la filosofía de Popper la tarea de la ciencia es intentar constantemente falsificar el modelo,
detectando así defectos y carencias de conocimiento. En ingeniería, un modelo que
No ha sido (aún) falsificado es útil, siempre y cuando la aplicación permanezca dentro del dominio de
validez. Al pasar, debe notarse que la evaluación del dominio de validez no es trivial. Lo menos que se
podría decir es que la nueva aplicación no debería tener nuevos elementos estructurales, violando así
los límites del sistema, y que la amplitud y el espectro de frecuencias de los nuevos insumos son
comparables a aquellos para los que el modelo fue construido originalmente.
2.2 Análisis
En la etapa de análisis, el objetivo es obtener
Propiedades generales del sistema analizando propiedades
De su modelo. Esto abarca, entre otros
Cosas, análisis de estabilidad, análisis de sensibilidad, tiempo
Análisis de escala, análisis de respuestas y nociones como
Observabilidad, controlabilidad, accesibilidad, no discutido
Más aquí. En la etapa de análisis, la
Disponible un arsenal de teoría de sistemas lineales,
También se puede aplicar localmente al sistema no lineal
Modelos por linealización, mientras que los métodos no lineales
Están surgiendo actualmente.
2.3 Síntesis
En la etapa de síntesis, se utiliza el modelo de sistemas
Para el propósito previsto. Esto puede referirse a la Diseño de sistemas nuevos o mejorados, a la
Y el manejo de un sistema, para remediar ciertas
Propiedades no deseadas del sistema, o diseñar
Un sistema de control para forzar una
Comportamiento del sistema. En este último caso, el sistema
Además de su controlador constituye de nuevo un sistema,
Y es, por lo tanto, susceptible de análisis y síntesis
Utilizando las mismas herramientas indicadas anteriormente. Sin embargo, nos
Ahora tienen control sobre ciertas partes del sistema
Por diseño, lo que nos permite buscar la
Soluciones adecuadas o soluciones óptimas
en algún sentido. Por lo tanto, la optimización del sistema es otra
Componente de la teoría de sistemas, y, de hecho,
Optimización dinámica es una de las más potentes
Técnicas que merecen encontrar una amplia aplicación.
En la secuela, analizaré brevemente algunos resultados
De la teoría de sistemas que encontré particularmente
Útil, y por lo tanto, en mi opinión, merecen ser
Más ampliamente conocido en los sectores de
Comunidad cientifica. La discusión es principalmente
Modelos dinámicos, es decir, modelos que describen
Comportamiento como funciones del tiempo.
3 UNA SELECCIÓN DE MÉTODOS Y HERRAMIENTAS
3.1 Espacio estatal
En los sistemas y la teoría del control, la modelización dominante
El paradigma es el célebre enfoque del espacio estatal.
En este enfoque se hace una distinción clara
Entre las señales que actúan como fuerzas independientes (entradas
U (t)), señales que son de interés y pueden ser
Observadas o calculadas (salidas y (t)) y variables
Que representan el estado del sistema x (t), tal que
Conocimiento del estado actual más información de
Insumos futuros es suficiente para poder calcular el
Evolución futura de la producción. Los estados comprenden
El recuerdo de lo que pasó en el pasado,
De modo que teniendo el estado actual ninguna información
Sobre el pasado se necesita más. Matemáticamente,
Un modelo de espacio de estado de tiempo continuo está representado
por
(1)
Donde las dimensiones de los vectores u, x e y son
Nu, nx y ny, respectivamente, y el vector p es un np
Vector de parámetros constante dimensional. En un número
De publicaciones el parámetro p se permite
Ser tiempo variando también. Preferimos ver estos parámetros
Como sólo un conjunto de señales de entrada adicionales.
La función f representa nx ecuaciones para describir
La tasa de cambio de x, y la función g es un ny
Dimensional, a veces denominada función de lectura.
Una representación discreta del modelo de tiempo en forma de espacio de estado está dada por
(2)
Donde tk es un instante de muestra, y tk + 1 = tk + T con T
El intervalo de muestreo.
3.2 Escalas de tiempo
Una característica importante de un sistema dinámico
Son las constantes de tiempo del sistema. El tiempo
Constantes están relacionadas con la respuesta del sistema
Estados a una perturbación, como se explica a continuación.
Linealización. En general, el sistema (1) es no lineal.
La ecuación de estado (1a) se denomina lineal si ∂f / ∂x
Y ∂f / ∂u no son una función de x y u; Si no, el
Sistema no es lineal. Un sistema no lineal puede ser
Convertida en un sistema lineal localmente linealizando
Alrededor del punto de trayectoria real (xo (t), uo (t)).
Esto se hace mediante la expansión en serie de Taylor de f:
(3)
Aquí, ∂f / ∂x = A es una matriz Jacobiana nx × nx, con
En la fila i el vector [∂fi / ∂x1, ∂fi / ∂x2, ..., ∂fi / ∂xnx
],
Y de manera similar para la matriz dimensional nx × nu
∂f / ∂x = B. La abreviatura h.o.t. Abarca mayores
Términos de orden que se ignoran, lo que se permite
En regiones cercanas al punto de linealización. Definiendo
Las variables de desviación ~
X = x - xo y ~
U = u - uo, y
Sustituyendo (3) en (1a) conduce a la fórmula lineal
Ecuación de estado
(4)
El superíndice nos recuerda que el
Las matrices A y B dependen del punto local; eso
Es una abreviatura de A (xo (t), uo (t), p). También tenga en cuenta que
Los elementos de estas matrices dependen de la
Parámetros originales, y por tanto están mutuamente correlacionados.
Como esta notación es un poco incómoda, en la secuela
Simplemente escribimos Y recuerda el significado especial de x, u, y A,
B. En particular, tenga en cuenta que si los insumos y
Estado están en sus valores nominales, el nuevo uyx
Son cero.
Transformada de similitud y constantes de tiempo. Ahora nosotros
Mire la evolución de x (el estado desviado)
Después de una pequeña perturbación del estado
Cero, en ausencia de desviaciones de entrada, es decir, la solución
Del sistema autónomo
(6)
Intuitivamente, esto debe dar información sobre
La «velocidad» de los componentes del sistema. Un
Valor propio de la matriz A es un escalar λ tal que
(7)
El vector v para el cual esto se sostiene se llama un
Eigenvector de A. Hay nx valores propios y asociados
Vectores propios. Si formamos una matriz diagonal
Λ con los valores propios de las diagonales y
Cero en otra parte, y una matriz V donde cada columna
Es un autovector de A, entonces podemos escribir
(8)
Siempre que exista la inversa de V. (En el caso
De autovalores no distintos, V es singular. En eso
Caso uno tiene que recurrir al singular más genérico
Valor de descomposición). El papel crucial de los autovalores
Y autovectores en la caracterización de la dinámica
Puede ser visto introduciendo nuevos estados
Combinación lineal de los antiguos estados según
(9)
Sustituyendo (8) en (6) se obtiene
(10)
Y podemos ver que los elementos individuales de la
El estado transformado z se comporta independientemente de cada uno
Otros, ya que las soluciones de (10) tienen la forma
(11)
Está claro que la «velocidad» de la respuesta depende
Sobre los valores propios, lo que subraya la
Papel importante de los valores propios. Si los valores propios
Son números complejos, hay oscilaciones en la respuesta. Además, podemos ver que el sistema
Vuelve al estado cero sólo si la parte real de la
Todos los valores propios son estrictamente negativos. Las constantes de tiempo
Del sistema se definen como
(12)
Los valores propios y los vectores propios se obtienen fácilmente
Por paquetes matemáticos como Matlab, y varios
Paquetes de simulación, p. SIMULINK, disponen de instalaciones
Para obtener el modelo linealizado automáticamente.
Relevancia a la práctica. ¿Cuál es la relevancia de
Todo esto para el modelador de sistemas agrícolas?
Los enumeramos brevemente aquí:
1 Conocer las constantes de tiempo ayuda a determinar
El detalle necesario de las señales de entrada. En particular,
Si el sistema es lento, no hace
Mucho sentido utilizar los datos de entrada alta frecuencia.
2 Conocer las diferentes constantes de tiempo ayuda a diseñar
Programas de muestreo para calibración de modelos,
La decisión del intervalo de muestreo requerido. Esta
Puede ahorrar mucho dinero.
3 Si las constantes de tiempo están muy separadas, el sistema
Se llama »rígida« y la simulación numérica se convierte en
lento.
4 Si el sistema es rígido, puede ser deseable reducir
Las ecuaciones suponiendo que las partes rápidas
Están alcanzando el equilibrio en un tiempo infinitamente corto.
Estas partes se convierten entonces en ecuaciones algebraicas, y
El orden del sistema se reduce. Si el algoritmo algebraico
Las ecuaciones se pueden resolver explícitamente, la simulación
De un modelo reducido es más rápido que para el
modelo.
5 Saber cómo evolucionan los valores propios a lo largo
Trayectoria de un modelo no lineal proporciona una
Posibles regiones de inestabilidad. Esto es particularmente relevante
En sistemas con características inherentes o construidas
realimentación.
Ejemplo
Considere el sistema de invernadero sin calefacción
Entrada, dado por
Donde los estados Tg, Tm son la temperatura del aire del invernadero
Y la temperatura de los materiales sólidos, respectivamente,
Las entradas Te e I son la temperatura exterior La radiación solar, respectivamente. El calor
Capacidad del aire del invernadero es Cg = 6000 J m-2
K - 1, de los materiales sólidos Cm = 16 000 J m - 2 K - 1,
Y el coeficiente global de transferencia de calor entre el aire
Y el ambiente es Uge = 12 W m-2 K-1, y entre
Aire y materiales sólidos Umg = 25 W m-2 K-1.
Con entradas nominales estables Iss = 100 W m-2 y
Te, ss = 10 ° C las temperaturas de estado estacionario son
Tg, ss = 18,3 ° C, Tm, ss = 22,3 ° C.
Los valores propios de la matriz del sistema de invernadero
Se encuentran fácilmente en -0,0073 y -0,0004
(S-1) de modo que las constantes de tiempo sean 137 y 2336 s.
Las variables transformadas asociadas (desacopladas)
son
Z1 = - 0,86533⋅Tg + 0,62829⋅Tm, y
Z2 = - 0,28094⋅Tg + -1,0318⋅Tm
Vemos que z2 está dominado en gran parte por Tm, y
Su dinámica es por lo tanto representativa para el dinami De Tm. El comportamiento del otro estado es
Más complicado y mostrará una clara interacción
Con Tg. La figura superior muestra el comportamiento desacoplado
De z, expresada como desviación de la constante
Estado, después de una perturbación de la temperatura del material sólido
De 1 ° C. La figura inferior, que muestra la
Estados originales, apoya las declaraciones anteriores.
Esto ilustra entre otras cosas:
- el sistema es rígido, por lo que un solucionador rígido es el mejor
Elección para simulaciones
- Con el fin de conocer con precisión el comportamiento
Temperatura del invernadero, el intervalo de muestreo
No debe ser mayor de un minuto o así,
- a mayor escala de tiempo la temperatura del aire del invernadero
Puede considerarse en pseudo-equilibrio,
Es decir, acoplado inmediatamente al material sólido
temperatura. En dicho modelo reducido, el muestreo
Intervalo de calibración puede ser mucho más largo
(Media hora por ejemplo)
***
3.3 Modelado discreto del tiempo
En el campo de la agronomía, es muy habitual
Modelos de tiempo para describir, por ejemplo,
Crecimiento de los cultivos. Tales modelos suelen producir resultados
diariamente. Los modelos de tiempo discretos tienen una
Atractivo, ya que simplemente declaran que
Lo que tenemos mañana es lo que tenemos hoy
Más la ganancia (positiva o negativa) de hoy. Como no
Integración, el código de computadora también funciona
rápido. El uso de modelos de tiempo discretos para
Sistemas no está exenta de ciertos riesgos
Si los principios subyacentes son sólo remotamente entendidos.
Consideremos, por el bien del argumento,
De nuevo el sistema dinámico lineal (5). Empezando desde
Condición inicial x (0) = x0, la solución en el tiempo es
Dado, formalmente, por
(13)
La matriz eAt se denomina matriz de transición de estado,
Y se puede obtener mediante la evaluación de la serie
(14)
A partir de (13) se puede ver que la solución consiste
De una parte autónoma y una parte que depende
Sobre la señal de entrada en el intervalo de t0 a t.

La ecuación (13) se puede utilizar para derivar el equivalente

Modelo de tiempo discreto lineal. Sea tk + 1 = tk + T,
Donde T es el intervalo de muestreo, y definen xk = x (tk),
Entonces podemos escribir
(15)
Compare esto con la popular aproximación de Euler
De la solución de (5), siendo
(dieciséis)
Y es inmediatamente claro que las dos soluciones
No son idénticos. Vemos que para deshacerse de
La integral en (15) para llegar cerca de (16),
Se requiere una suposición sobre la inter-muestra
Comportamiento de la entrada. Trabajando esto en el
Caso escalar
X = ax + bu, con u constante de pieza,
Es decir, u (t) = uk tk≤ t <tk + 1, obtenemos de (15) la
Modelo equivalente de tiempo discreto exacto para esta entrada
(17)
A la que la aproximación de Euler (16) todavía no es
Equivalente, aunque las soluciones se acercan si.
Por supuesto, todo esto es bien conocido, y es la
Muy por lo que una integración numérica más avanzada
Métodos de Euler han sido desarrollados y
Están ampliamente disponibles en paquetes de simulación. También,
Cuando el sistema es lineal, la conversión de
Tiempo a tiempo discreto y viceversa es fácilmente
Hecho, v.g. En Matlab, siempre que el usuario especifique
El comportamiento inter-muestra seleccionando de un
Conjunto de aproximaciones estándar. El caso es que
En la práctica agronómica (y, de hecho, en muchos otros
Los modelos de tiempo discretos son usualmente
No se configura a partir del modelo continuo, sino que
Más bien formulándolo directamente como un
modelo. Esto implica que los parámetros obtenidos
Tiempo discreto, dependiendo de la
Intervalo de muestra elegido, puede estar sesgada
De experimentos con otro muestreo
Tiempo, e igualmente dependerá de la confiabilidad
Del supuesto comportamiento entre muestras. Por supuesto
Suficiente, en el caso no lineal, la situación puede
Ser aún más difícil.
Ejemplo
Deje que el crecimiento de la lechuga sea modelado por el exponencial lineal exponencial
Modelo de crecimiento dW / dt = kgW, donde W es
La biomasa vegetal expresada en g de peso seco. Como