Cette publication est accessible gratuitement

Compartir esta publicación

24. J. M. Corchado 12/2/07 09:52 Página 119
Revista de Teledetección. 2006. Número Especial: 119-123
Sistema multiagente para la monitorización del
intercambio de CO entre la superficie del agua y
2
la atmósfera
* ** ***J. M. Corchado , J. Aiken J. Bajo
corchado@usal.es, jai@mail.pml.ac.uk, jbajope@upsa.es
* Universidad de Salamanca. Dpto. Informática y automática
Plaza de la Merced s/n. 37008 Salamanca
** Plymouth Marine Laboratory. Centre for Air-Sea Interactions and fluxes Prospect Place.
Plymouth PL1 3 DH. U.K.
*** Universidad Pontificie de Salamanca. Facultad de Informática. Salamanca
RESUMEN ABSTRACT
Las técnicas de teledetección han permitido gran- During the last decades there have been big advan-
des avances en el estudio de la interacción existente ces in the study of the interaction between the
entre la atmósfera y la superficie marina. Dicha inte- atmosphere and the ocean surface. Remote sensing is
racción, y más concretamente el intercambio de CO , a new source of a great amount of data that must be
2
es un factor determinante en el comportamiento cli- anlysed. The CO flux is a dominant factor in clima-
2
matológíco. En este artículo se presenta un modelo de tology dynamics. This paper presents a multiagent
sistema multiagente que, basándose en la utilización system model based on deliberative agents that incor-
de agentes deliberativos que incorporan sistemas de porate case based reasoning systems, developed for
razonamiento basado en casos, permite modelar y the analysis and evaluation of the interaction between
evaluar la interacción mar-aire de forma automática. ocean water masses and the atmosphere.
PALABRAS CLAVE: agente CBR-BDI, Gaia, matriz KEY WORDS: CBR-BDI Agent, Gaia, jacobian sen-
sensitiva jacobiana. sitive matrix.
proactividad o razonamiento puede modelarseINTRODUCCIÓN
utilizando sistemas de razonamiento basado en
casos (CBR). Hoy en día es un hecho la crecien-En este artículo se presenta un sistema multia-
gente (SMA) para la monitorización y la evalua- te utilización de los agentes y sistemas multia-
ción del intercambio de CO existente entre la gente para el desarrollo de aplicaciones en entor-
2
atmósfera y la superficie de las aguas oceánicas, nos dinámicos y flexibles tales como la web,
basado en la utilización de los datos obtenidos a sistemas de control, robótica, etc. Las caracterís-
través de técnicas de teledetección. Los SMAs ticas del problema que se presenta en la siguiente
son aplicaciones informáticas distribuidas con sección, hacen que parezca adecuada la utiliza-
autonomía y cierto grado de “inteligencia”. Estos ción de SMAs para la generación de modelos
grandes sistemas están compuestos por unidades dinámicos de forma automática, así como para el
pequeñas llamadas agentes. Un agente es una manejo y utilización de datos obtenidos mediante
entidad que debe tener ciertas características, teledetección. En la tercera sección se presenta el
tales como autonomía, situación, reactividad, SMA diseñado para modelar la interacción mar-
proactividad, habilidad social, aprendizaje, movi- aire. La cuarta sección se dedica al agente que
modela la interacción. Por último, en la quintalidad u organización (Wooldridge y Jennings,
sección se presentan los resultados preliminares1995). Estas capacidades pueden modelarse
de distintas formas. Por ejemplo la capacidad de obtenidos.
Número Especial - Junio 2006 11924. J. M. Corchado 12/2/07 09:52 Página 120
J. M. Corchado, J. Aiken y J. Bajo
INTERACCIÓN ENTRE EL AIRE Y EL
AGUA OCEÁNICA
Uno de los factores más preocupantes que influ-
yen en el comportamiento climatológico es la can-
tidad de CO presente en la atmósfera. El CO es2 2
uno de los gases de efecto invernadero, que contri-
buye a que la Tierra tenga una temperatura habita-
ble, siempre y cuando se mantenga en unas canti-
Figura 1. SMA para una zona concreta del Océano.dades determinadas (Sarmiento y Dender, 1994).
Tradicionalmente se ha considerado que el princi-
pal sistema regulador de la cantidad de CO en la Modelling se encarga de la creación y evaluación de2
atmósfera es la fotosíntesis y respiración realizado modelos en función de los datos recibidos desde los
por las plantas. Sin embargo, y especialmente gra- agentes Store, Vessel o User. De esta forma es posible
cias a la utilización de técnicas de teledetección se monitorizar y predecir el intercambio de CO . El2
ha descubierto que el papel que juega el océano en agente Store se encarga de procesar las imágenes de
la regulación de las cantidades de carbono es muy satélite y transformarlas para que el sistema pueda
importante y es una magnitud que permanece inde- utilizarlas. Cada agente Vessel se instala en un navío
finida (Takahashi et al., 1993). La tecnología actual y recoge información in-situ que permite evaluar los
permite obtener datos y realizar mediciones impen- modelos creados por el agente Modelling. El agente
sables hasta hace poco tiempo. Estos datos propor- usuario puede interactuar con cualquier agente.
cionan conocimiento sobre las fuentes de origen y El subsistema se modela en términos de agentes
disminución de CO así como de sus causas (Lefev- y, para ello, se ha utilizado la metodología de análi-2
re et al., 2002), lo que supone la posibilidad de rea- sis y diseño (Wooldridge, 2000) A través de Gaia se
lizar predicciones sobre el comportamiento futuro consigue un análisis del problema utilizando crite-
del CO . rios de organización y un posterior diseño. Partien-2
El sistema multiagente que se presenta tiene do de los requisitos del problema planteado se deci-
como objetivo modelar el flujo de CO intercam- de utilizar seis roles: El rol STORING se encarga de2
biado entre la atmósfera y las aguas de la superficie obtener y almacenar datos de carácter permanente
oceánica. Los principales parámetros a tener en en las bases de datos. El rol PROCESSING trans-
cuenta a la hora de modelar dicho intercambio son: forma las imágenes de satélite en casos. El rol
la temperatura del agua y del aire, la salinidad del DATACAPTURING obtiene datos de los Vessels.
agua, las presiones atmosféricas e hidrostáticas, la El rol CONSTRUCT A PARTIAL CO MODEL se2
presencia de nutrientes y el vector velocidad del ocupa de generar modelos. El rol OBTAINCO2
viento (en módulo y dirección). Estos parámetros EXCHANGE calcula la tasa de intercambio de CO
2
pueden obtenerse desde barcos oceanográficos o a utilizando los modelos disponibles. El rol AUTOE-
través de imágenes de satélite. VALUATION evalúa un modelo contrastando sus
resultados con datos reales obtenidos por los senso-
res de los Vessels. El rol PROCESSING INFOR-
SISTEMA MULTIAGENTE MATION permite que un usuario pueda interactuar
con el sistema. Por otro lado con el modelo de inte-
El objetivo final de este proyecto es construir un racción es posible obtener las dependencias y rela-
gran sistema multiagente que se divida en subsiste- ciones que existen entre roles. En cuanto al diseño
mas, de tal forma que cada elemento se encargue de Gaia, se consideran tres modelos: modelo de agen-
modelar el intercambio de CO en una zona del océ- tes, modelo de servicios y modelo de confianza2
ano con unas determinadas características. Cada (Wooldridge, 2000). La Figura 2 muestra el mode-
subsistema se comunicará con el resto de los sub- lo de agentes para nuestro sistema. Cada agente se
sistemas, obteniendo un intercambio de informa- encarga de jugar una serie de roles. Por ejemplo el
ción que ayude a la creación de modelos. agente Store se va a encargar de realizar los roles
Por el momento se ha desarrollado el prototipo STORING y PROCESSING, y en tiempo de ejecu-
correspondiente al subsistema mostrado en la Figura ción será necesario tener al menos una instancia del
1, en la que es posible observar como un agente rol STORING y otra del rol PROCESSING.
120 Número Especial - Junio 200624. J. M. Corchado 12/2/07 09:52 Página 121
Sistema multiagente para la monitorización del intercambio de CO entre la superficie del agua y la atmósfera2
donde w es el peso de la conexión entre la neuronaij
de entrada i y la neurona oculta j. w es el peso dekj
la connexion entre la neurona oculta j y la neurona
de salida k. y es la salida de la neurona k de la capa
k
de salida y = f (net ), y y es la salida de la neuro-
k k k j
na j de la capa oculta y = f (net ). f es la función de
j j j j
activación de la neurona h y
Figura 2. Modelo de agentes Gaia para nuestro SMA.
siendo H el número de neuronas de la capa oculta,
AGENTE CBR-BDI yq yq los umbrales permitidos. Una vez obtenidasj k
las componentes principales se busca en la memo-
El componente principal de la arquitectura pro- ria de casos aquellos que tengan componentes prin-
puesta es el agente encargado de generar modelos. cipales más similares a la descripción del problema
Se trata de un agente deliberativo BDI (Wooldridge actual. Para ello se utiliza un algoritmo de similitud
y Jennings, 1995) que utiliza un sistema CBR como basado en la función coseno.
motor de razonamiento. De esta forma la genera- En la etapa de adaptación se combinan las solu-
ción de un modelo supone la ejecución de un ciclo ciones de los casos similares recuperados para obte-
CBR formado por cuatro etapas secuenciales: ner una solución adecuada al problema actual. Se
retrieval, reuse, revise and retain. La forma de efectúa mediante la capacidad PWT, en la que los
implanter el ciclo CBR dentro de un agente BDI casos se ponderan (Montaño y Palmer, 2002) y se
consiste en que el agente BDI ejecute las etapas del asigna el mayor peso al caso con una descripción de
ciclo CBR como capacidades (Glez-Bedia et al., problema más similar.
2002). Un agente BDI posee capacidades (funcio-
nalidades que el agente es capaz de realizar por sí
mismo sin necesidad de contactar con otros agen-
tes) y ofrece servicios a otros agentes. El agente
Modelling ofrece cuatro servicios (Obtain Exchan-
ge, Obtain Model, Obtain Evaluation y Construct
*Model) y posee seis capacidades (Forecast Exchan- donde p es la predicción, Z el número de casos
rge Rate, Evaluate Model, Consult Model, Jacobean similares y p son las predicciones (soluciones)
Sensivity Matriz - JSM, Pondered Weigh Technique correspondientes a cada caso pasado, a es la medi-
- PWT y Revision Simulated Equation - RSE). Las da de mínima similitud para los casos recuperados
tres últimas capacidades constituyen el ciclo CBR, y r es la medida de similitud para el caso r-ésimo.
y su funcionamiento es el que a continuación pasa a Se utiliza una red neuronal que se entrena con los
describirse. casos similares recuperados y sus respectivas solu-
En la etapa de recuperación la capacidad JSM ciones. Una vez entrenada se le proporciona el caso
obtiene aquellos casos con una descripción de pro- actual y se obtiene su solución.
blema más similar al caso actual (Montaño y Pal- En la etapa de revision cada modelo se revisa en
mer, 2002). Se utiliza una red neuronal que permite la capacidad RSE. Para ello se utiliza la ecuación
obtener las componentes principales de la memoria
F = k · s · (pCO SW - pCO AIRde casos, y conocer aquellas variables de entrada 2 2 )
(que forman la descripción del problema) que tie-
con los coficientes de intercambio de Wanninkhofnen mayor influencia a la hora de crear clusters. Si
(Wanninkhof, 1992).consideramos JSM una matriz NxM, el elemento S
ki Finalmente, en la etapa de aprendizaje se compa-en la matriz representa la sensibilidad (influencia)
ra el valor F con el valor de la predicción. Si la dife-de la salida k sobre la entrada i:
rencia es inferior al 10%, el caso se almacena en la
memoria de casos.
Nuestros agentes trabajan con casos. Un caso es
una experiencia pasada, que incluye una descripción
Número Especial - Junio 2006 12124. J. M. Corchado 12/2/07 09:52 Página 122
J. M. Corchado, J. Aiken y J. Bajo
del problema, la solución que se utilizó para resolver-
-4lo y el resultado obtenido. El agente BDI utiliza sus
-3estructuras internas para representar estos conceptos:
-2creencias, deseos e intenciones. Creencias para repre-
-1
sentar la descripción del problema, en este caso una -0
creencia de tipo ProblemDescription. El sistema -1
necesita transformar las imágenes de satélite. Para -2
-3ello el agente Store utiliza algoritmos (Lavender et al.
-4 Predicción Flujo2004; Dransfeld et al., 2005) y obtiene una decripción
-5 Flujo Realde problema como la mostrada en la Tabla 1 (Anexo):
-6
fecha, latitud, longitud, salinidad, clorofila, viento, A M J JI Ag S Oc N D E F Mr A
presiones parciales y temperaturas. Deseos para
Figura 3. Flujo real de CO y predicción de flujo.2representar las metas que el agente persigue, en este
caso predecir el flujo de CO intercambiado, calcular2
los mejores parámetros de predicción para distintos Como puede observarse en la Figura 3 las predic-
tamaños de ventana, y calcular la mejor ventana de ciones realizadas por el SMA son bastante precisas (9
predicción para un determinado % de error máximo de los 12 modelos fueron aceptados como válidos). El
permitido. Intenciones o secuencias de acciones SMA realiza predicciones basándose en la experien-
seguidas para alcanzar una o varias metas en función cia y en la similitud con situaciones pasadas. Clara-
de las creencias de las que se dispone. mente la precisión de las predicciones es más efecti-
va a medida de que el número de casos disponibles
aumente. Por otro lado es necesario controlar que elRESULTADOS Y CONCLUSIONES
número de casos manejado no sea muy elevado, ya
que la eficiencia del sistema disminuye. Para ello seEl sistema descrito ha sido construido como un pro-
ha utilizado un sistema de prioridades basado en creartotipo autónomo que comenzó a funcionar en mayo
una pirámide de eficiencias que permite clasificar losde 2004. A pesar de que el sistema no se encuentra
casos en base a la evaluación obtenida.totalmente operativo, los resultados iniciales han sido
muy satisfactorios desde los puntos de vista técnico y
científico. La construcción del sistema distribuido ha
AGRADECIMIENTOSsido relativamente fácil gracias a la utilización de
bibliotecas CBR-BDI previamente desarrolladas
Este trabajo se ha llevado a cabo gracias a los(Corchado y Laza, 2003; Corchado et al., 2005; Bajo
proyectos MCYT TIC2003-07369-C02-02 yy Corchado, 2005). Desde el punto de vista de la inge-
CASIX de PML.niería del software, Gaia (Wooldridge, 2000) propor-
ciona un marco adecuado para el análisis y diseño de
sistemas distribuidos basados en agentes. El formalis-
BIBLIOGRAFÍAmo definido en (Glez-Bedia et al., 2002) facilita un
paso directo entre la definición de agente y la cons-
BAJO, J. y CORCHADO, J. M. 2005. Evaluationtrucción CBR. La utilización de dispositivos inalám-
and monitoring of the air-sea interaction using abricos tales como PDAs facilita la labor de los usua-
CBR-Agents approach. LNAI 3620. Springer Ver-rios, permitiendo movilidad e independencia de la
lag, pp. 50-62.localización física para interactuar con el sistema.
CORCHADO, J. M. y LAZA, R. 2003. Construc-El sistema ha sido probado bajo condiciones de
ting Deliberative Agents with Case-based Reaso-simulación de forma que los agentes Store y Vessel
ning Technology. Int. J. Intelligent Systems 18se han construido incluyendo simuladores que
(12): 1227-1241.generan casos a partir de los datos reales obtenidos
CORCHADO, J. M., AIKEN, J., CORCHADO, E.en el Océano Atlántico (± 37N, 25W). Bajo estas
LEFEVRE, N. y SMYTH, T. 2004 Quantifyingcondiciones los modelos propuestos por el sistema
multiagente han sido cada vez más precisos. La the Ocean’s CO2 Budget with a CoHeL-IBR
Figura 3 muestra una comparativa entre los datos System. 7th European Conference on Case-based
reales y las predicciones realizadas por el SMA tra- Reasoning, Lecture Notes in Computer Science,
bajando con datos mensuales de 2003-2004. LNAI 3155, Springer Verlag, pp. 533-546.
122 Número Especial - Junio 2006
-2 -1
FCO d
2 (mmo1-m24. J. M. Corchado 12/2/07 09:52 Página 123
Sistema multiagente para la monitorización del intercambio de CO entre la superficie del agua y la atmósfera2
CORCHADO, J. M., CORCHADO, E. S., AIKEN, J. 1993. Seasonal Variation of CO and nutrients in2
y RIVEROLA, F. 2005. Evaluating the air-sea inte- the High-latitude surface oceans: a comparative
ractions and fluxes using an instance-based reaso- study. Global Biogeochem. Cycles 7 (4): 843-878.
ning system. AI Communications 18: 247-256. WANNINKHOF, R. 1992. Relationship between
DRANSFELD, S., TATNALL, A. R., ROBINSON wind speed and gas exchange over the ocean. J.
I. S. y MOBLEY, C. D. 2005. Prioritizing ocean Geophys. Res. 97, 7, 373-7, 383.
colour channels by neural network input reflec- WOOLDRIDGE, M. y JENNINGS, N. R. (1995)
tance perturbation. Int. J. Remote Sensing 26 (5): Agent Theories, Architectures, and Languages: a
1043-1048. Survey. En: Intelligent Agents, Wooldridge y Jen-
GONZÁLEZ-BEDIA, M., CORCHADO, J. M., nings Eds. Springer-Verlag, pp. 1-22.
CORCHADO, E. S. y FYFE, C. 2002. Analytical WOOLDRIDGE, M., JENNINGS, N. R. y KINNY,
Model for Constructing Deliberative Agents, D. 2000. The Gaia Methodology for Agent-
Engineering Intelligent Sys. 3: 173-185. Oriented Analysis and Design. Journal of Auto-
LAVENDER S. J., PINKERTON M H., FROIDE- nomous Agents and Multi-Agent Systems 3 (3):
FOND J. M., MORALES J., AIKEN J. y 285-312.
MOORE J. F. 2004. SeaWiFS validation in Euro-
pean coastal waters using optical and bio-geoche- Anexos
mical measurements. Int. J. Remote Sensing 25
(7-8): 1481-1488(8)
Case Field MeasurementLEFEVRE, N., AIKEN, J., RUTLLANT, J., DANE-
RI , G., LAVENDER, S. y SMYTH, T. 2002. DATE Date (dd/mm/yyyy)
Observations of pCO in the coastal upwelling off LAT Latitude (decimal degrees)
2
LONG Longitude (decimal degrees)Chile: Sapatial and temporal extrapolation using
SST Air Temperature (ºC)satellite data. J. Geophys. Res. 107, no. 0.
SSTSea Sea Temperature (ºC)
MONTAÑO, J. J y PALMER, A. 2002. Artificial S Salinity (unitless)
Neural Networks, opening the black box. Meto- WS Wind strength (m/s)
dología de las Ciencias del Comportamiento 4 WD Wind direction (unitless)
Fluo_calib fluorescence calibrated with chlorophyll(1): 77-93.
SW pCO surface partial pressure of CO (micro
2 2SARMIENTO J. L. y DENDER M. 1994. Carbon
Atm)
biogeochemistry and climate change. Photosynt- Air pCO air partial pressure of CO (micro Atm)
2 2
2hesis Res. 39: 209-234. Flux of CO CO exchange flux (Moles/m )
2 2
TAKAHASHI, T., OLAFSSON, J., GODDARD, J.
G., CHIPMAN, D. W. y SUTHERLAND, S. C. Tabla 1. Atributos de un caso.
Número Especial - Junio 2006 123