Revista Amazónica Ciencia y Tecnología, My. - Ag. 2019 Volumen 8 (2): 157 - 168
Revista Amazónica Ciencia y Tecnología
ARTÍCULO DE INVESTIGACIÓN
Impresa ISSN 1390-5600 ● e-ISSN 1390-8049
Recibido: 19 - 05 - 2019 ● Aceptado: 17 - 08 - 2019 ● Publicado: 30 - 08 - 2019
© 2019 Universidad Estatal Amazónica, Puyo, Ecuador.
Disponible gratuitamente en http://revistas.proeditio.com/revistamozonica ● www.uea.edu.ec
Clasificación de Maderas Mediante el Uso de Tecnologías de Olfato Electrónico
Wood Classification by using Electronic Nose Technologies
Naren Arley Mantilla Ramírez *, Homero Ortega Boada , Luisa Fernanda Ruiz Jiménez ,
Franklin Alexander Sepúlveda Sepúlveda
1Universidad Industrial de Santander, Colombia
* Correspondencia: naren.mantilla@correo.uis.edu.co
1
1
1 1
Resumen
Entre las principales causas del acelerado proceso de deforestación y degradación de los
bosques en Colombia, se encuentra la extracción ilegal de madera. Para las autoridades es
difícil determinar la condición de legalidad o ilegalidad de una carga específica pues, a pesar
de contar con expertos en ingeniería forestal y algunas herramientas para la identificación de
especies maderables, estos recursos son insuficientes por su escasez o baja disponibilidad.
Entre otras estrategias, se propone el uso de nuevas tecnologías como una opción interesante
en el desarrollo de soluciones que satisfagan las necesidades técnicas, operativas y económi-
cas. Existen avances sobre dispositivos novedosos, de bajo costo y de fácil acceso: los siste-
mas de olfato electrónico (narices electrónicas). La Universidad Industrial de Santander
cuenta con experiencia en el uso de narices electrónicas para otras aplicaciones, pero es de
interés involucrar esta y otras tecnologías en el monitoreo ambiental. Por ello, se propone una
metodología basada en narices electrónicas para clasificar especies maderables de acuerdo con
los compuestos volátiles que emanan, es decir, su olor. Se realizó un primer caso de estudio
utilizando 29 muestras de dos especies maderables: cedro y móncoro, aserradas en diferentes
zonas de Santander (Colombia). Se pudo demostrar, como se esperaba, la separabilidad de
estas dos clases de madera a partir de su huella odorífica, con una alta tasa de acierto. Esta
investigación de tipo exploratorio permite comprender el alcance de herramientas como las
narices electrónicas en diferentes aplicaciones. Así mismo, invita a continuar investigando en
la viabilidad de su uso para la clasificación de especies maderables como una aplicación del
monitoreo ambiental, pues deja abiertos muchos interrogantes que pueden contribuir al desa-
rrollo de una herramienta más robusta. Todo esto busca generar un impacto positivo en la
lucha contra la ilegalidad, así como constituirse en un piloto para diferentes aplicaciones
donde se puede involucrar el uso de tecnología.
Palabras Clave: Especies maderables, Tecnología, Nariz electrónica, Deforestación, Tala de
madera.
Abstract
One of the main causes of the acceleration in the forest deforestation and degradation in
Colombia is illegal logging. It is difficult for authorities to determine the legality or illegality
status of a specific load because, despite having experts in forest engineering and some tools
Clasificación de Maderas Mediante el Uso de Tecnologías de Olfato Electrónico
Naren Arley et al.
Revista Amazónica Ciencia y Tecnología, 2019 Volumen 8 (2): 157 - 168
158
for wood species identification, these resources are insufficient due to their scarcity or low
availability. Another strategy is using new technologies, which is an interesting option in the
development of solutions that meet technical, operational and economic needs. There are
advances in innovative, low-cost and easily accessible devices: electronic nose systems (e-no-
ses). The "Universidad Industrial de Santander" has experience in using electronic noses for
different applications, but it is interesting to involve this and other technologies in environ-
mental monitoring. Therefore, an electronic nose based methodology is proposed to classify
timber species according to the volatile compounds that they emanate, that is, their smell. A
first case study was carried out using 29 samples of two timber species: cedar and monsoon,
sawn in different areas of Santander (Colombia). It was possible to demonstrate, as expected,
the separability of these two kinds of wood from their odor footprint, with a high success rate.
This exploratory research allows the study of the performance of tools such as electronic noses
in different applications. Also, it invites to investigate the feasibility of using them as an appli-
cation of environmental monitoring for timber species classification, as it leaves open many
questions that may contribute to the development of a more robust tool. All this seeks to gene-
rate a positive impact in the fight against illegality, as well as becoming a pilot for different
applications where the use of technology can be involved.
Introducción
La extracción insostenible y desordenada de
madera, es uno de los motores de la defores-
tación y el cambio climático en Colombia y
en el mundo. Además, por escaso conoci-
miento y por tradición, el aprovechamiento
de este recurso se hace dentro de la ilegali-
dad y de una manera selectiva, poniendo en
peligro algunas especies vulnerables. En
efecto, en nuestro país el 70% de la madera
que se comercializa viene de sólo seis espe-
cies (Delgado Agudelo, 2013), a pesar de la
gran extensión y diversidad de los bosques
sobre el territorio nacional alrededor del 52%
(Ideam, 2017).
Ciertamente, los bosques naturales constitu-
yen uno de los mayores patrimonios univer-
sales en términos de biodiversidad y son un
recurso muy importante para el sustento de
millones de personas. Sin embargo, el apro-
vechamiento de la cadena forestal es desor-
denado y por ende insostenible (Departa-
mento Nacional de Planeación. DNP, 2007)
y, existen pocos programas efectivos de
reforestación. Existen campañas de las auto-
ridades y corporaciones ambientales que
buscan resolver el problema de la ilegalidad,
motivando a todos los actores que se aprove-
chan de la cadena forestal a involucrarse
dentro de una cultura legal, sostenible y
amigable con el medio ambiente. Sin embar-
go, también es necesario crear instrumentos
de monitoreo para fortalecer los procesos de
vigilancia y control, y dotar de herramientas
a las autoridades responsables de la toma
decisiones en situaciones donde se sigue
presentando la extracción selectiva e ilegal.
Para que los procesos de vigilancia y control
sean efectivos, es importante el uso de diver-
sas estrategias, entre las que destaca el uso de
la tecnología. Los avances tecnológicos de
las últimas décadas han dado paso a nuevas
tendencias como la automatización de proce-
sos y el monitoreo inteligente, con la capaci-
dad de tomar decisiones autónomas e inteli-
gentes. Estas tendencias, a su vez, han propi-
ciado una transición hacia el uso de Internet
como medio de interconectar diversos dispo-
sitivos y sistemas. A esta tendencia, se le ha
denominado Internet de las Cosas (IoT por
sus siglas en inglés, Internet of Things),
término que se usa desde hace ya dos déca-
das (Aazam et al., 2014). Específicamente, el
IoT permite integrar la información de
Clasificación de Maderas Mediante el Uso de Tecnologías de Olfato Electrónico
Naren Arley et al.
Revista Amazónica Ciencia y Tecnología, 2019 Volumen 8 (2): 157 - 168
159
diferentes sensores para la construcción de
grandes bases de datos y la posibilidad de
generar acciones inmediatas de control
cuando se presenta una situación determina-
da. Todas las características del IoT constitu-
yen un enorme potencial y generan oportuni-
dades para la solución de muchas problemá-
ticas a través de la tecnología.
En la Universidad Industrial de Santander
(UIS), se ha estudiado la nariz electrónica
desde un punto de vista general (Ruiz Jimé-
nez, 2018) y para una aplicación más especí-
fica: la detección de triatominos, insectos
vectores de la transmisión del mal de Chagas
(Ruiz Jiménez, 2018). Ahora, se quiere
explorar su capacidad como dispositivo IoT
en el monitoreo ambiental, reconociendo la
gravedad de la problemática del cambio
climático, la deforestación y, puntualmente,
la explotación ilegal y selectiva de especies
maderables.
En las siguientes secciones se va a hablar del
desarrollo de la investigación. La próxima
sección aborda los antecedentes del trabajo,
teniendo en cuenta trabajos previos similares
y una descripción general de los sistemas de
olfato electrónico. En la sección: Materiales
y métodos se describe claramente el trabajo
realizado, las condiciones y el protocolo del
experimento. Más adelante, se presenta la
sección Resultados y discusión, donde
también se habla de las implicaciones de los
resultados obtenidos. Finalmente, se presen-
tan algunas conclusiones generadas con este
trabajo con un enfoque hacia los siguientes
pasos a realizar.
Antecedentes
Existen diferentes métodos para clasifica-
ción de madera, entre los que se destacan
aquellos basados en analizar sus propiedades
organolépticas como el color o el olor. Tam-
bién existen métodos más precisos, basados
en análisis taxonómicos y genéticos, en los
cuales se toman muestras de las especies de
interés, que generalmente son de la misma
familia o comparten características simila-
res, para ser comparadas a nivel de sus
secuencias genéticas (Hanssen et al., 2011;
Yu et al., 2016). La confiabilidad de estas
pruebas es casi del 100%, aunque son riguro-
sas, costosas y deben ser realizadas por
expertos. Otras técnicas utilizadas involu-
cran diferentes análisis espectroscópicos
(Cabral et al., 2012; Rana et al., 2008) y de
imágenes (Dickson et al., 2017), que siguen
requiriendo el apoyo de expertos y toman
bastante tiempo. En resumen, aunque son
técnicas robustas, no cumplen con los requi-
sitos necesarios para aplicaciones que
requieren una acción rápida en lugares de
difícil acceso (Kalaw & Sevilla, 2018).
Soluciones alternativas proponen analizar
los compuestos volátiles emitidos por las
especies de madera mediante el uso de estra-
tegias como la cromatografía de gases, que
permite identificar compuestos volátiles
específicos dentro de una mezcla (Fedele et
al., 2007; Müller et al., 2006; Rinne et al.,
2002) . Una opción menos costosa y mucho
más práctica es el uso de narices electróni-
cas, que tienen la particularidad de asociar
una huella digital de olor a cada muestra, en
lugar de identificar individualmente los com-
ponentes químicos presentes en la mezcla de
volátiles (Kalaw & Sevilla, 2018; Wilson et
al., 2005).
Clasificación de Maderas Mediante el Uso de Tecnologías de Olfato Electrónico
Naren Arley et al.
Revista Amazónica Ciencia y Tecnología, 2019 Volumen 8 (2): 157 - 168
160
Sistema de olfato electrónico
Figura 1: Funcionamiento general de la nariz electrónica.
Fuente: Autores
Una nariz electrónica, en general, está cons-
tituida por tres fases igual de importantes
para su correcto funcionamiento (Figura 1).
En la primera fase, se lleva a cabo un proceso
químico que inicia con el acondicionamiento
de la muestra odorífica y su paso hacia el
arreglo de sensores de gas. En la segunda
fase, se adquieren las señales eléctricas
producidas por la reacción de los sensores
mediante un procesamiento electrónico, y se
obtiene la información que representa la
muestra tomada. Finalmente, estos datos son
procesados en la fase de reconocimiento de
patrones, a partir del cual se detecta, clasifica
e identifica la muestra (Ruiz Jiménez, 2018).
Los sistemas de olfato electrónico se han
venido usando para un creciente número de
aplicaciones. En la industria de alimentos,
por ejemplo, se usan narices electrónicas
para monitorear la calidad y nivel de madu-
ración de las frutas (Shi et al., 2017). En
monitoreo ambiental, entre otros usos, desta-
can el análisis de la calidad del aire, la
calidad del agua, detección y control de
polución (Capelli et al., 2014). Así mismo,
las narices electrónicas son atractivas en la
detección de explosivos, narcóticos, sustan-
cias peligrosas, perfumería, etc. (Guo et al.,
2017; Santos & Lozano, 2015).
También se ha extendido el uso de narices
electrónicas orientadas hacia la detección,
caracterización e identificación de maderas.
Existen investigaciones en la detección
temprana del decaimiento y pudrición
presente en las raíces de algunas especies de
árboles por acción de hongos (Baietto et al.,
2010), la evaluación de la calidad en un tipo
específico de madera (Najib et al., 2012) y la
identificación de especies maderables a
partir de los compuestos volátiles que estas
emanan (Cordeiro et al., 2016; Kalaw &
Sevilla, 2018; Wilson, 2012).
Las narices electrónicas se han empleado
exitosamente en la clasificación de especies
de madera, bajo condiciones específicas. En
2004, se utilizaron para discriminar entre tres
especies diferentes de la familia de las piná-
ceas (Pinaceae) a partir de su albura, que es
la parte joven de la madera y se encuentra
justo debajo de la corteza del árbol, y su
duramen, la parte de mayor edad que está
formada por células biológicamente muertas
y es atractiva por ser la parte más resistente
del tronco (Garneau et al., 2004). Los autores
pudieron establecer diferencias entre estas
especies para ambas partes de la madera,
pero analizadas por separado.
En 2005, se investigó respecto a las diferen-
cias entre especies de igual familia o género,
a partir del uso de narices electrónicas (Wil-
son et al., 2005). Entre sus resultados y apor-
tes se destacan las observaciones sobre la
variabilidad entre las características de
muestras de la misma especie, pero tomadas
de regiones diferentes, por lo cual se infiere
que la procedencia podría afectar la identifi-
Clasificación de Maderas Mediante el Uso de Tecnologías de Olfato Electrónico
Naren Arley et al.
Revista Amazónica Ciencia y Tecnología, 2019 Volumen 8 (2): 157 - 168
161
cación. Esto permite inferir el nivel de
importancia del diseño de experimentos la
etapa de entrenamiento que debe estar en
función de las muestras desconocidas que
deberá analizar el sistema en última instan-
cia.
En Brasil también se hizo un trabajo de clasi-
ficación de especies maderables con narices
electrónicas. En esta oportunidad, existía un
particular interés en cuatro especies madera-
bles comúnmente explotadas en ese país y
los experimentos buscaban la clasificación
en dos escenarios, cada uno para distinguir
entre dos pares de especies similares entre sí
por su color. Uno de estos escenarios busca-
ba clasificar dos especies del mismo género,
y se logró con resultados satisfactorios (Cor-
deiro et al., 2016; Wilson et al., 2005). Sin
embargo, estos experimentos fueron realiza-
dos con muestras muy específicas, lo que no
garantiza el funcionamiento bajo entornos
ligeramente diferentes, tales como condicio-
nes ambientales o geográficas de nuevas
muestras.
Los autores Kalaw y Sevilla en (Kalaw &
Sevilla, 2018) le dieron importancia a la
rapidez y bajo costo que ofrecen las narices
electrónicas y a las ventajas de los sensores
de gas. El caso de aplicación es la clasifica-
ción de cinco especies maderables en peligro
o importantes comercialmente en Filipinas,
logrando encontrar grupos (clusters) separa-
bles a simple vista, mediante el análisis de
componentes principales (PCA). No obstan-
te, las muestras tomadas fueron recogidas en
una zona específica, haciéndolas muy poco
diversas.
Más allá de los buenos resultados de los
trabajos mencionados, en todos ellos se reali-
zaron experimentos sobre muestras muy
específicas, sin tener en cuenta de las
posibles interferencias o problemas que se
podrían presentar en una situación práctica.
Debido a esto, no se puede hacer una clasifi-
cación exhaustiva ni confiable, para condi-
ciones cambiantes, interferencia de diferen-
tes compuestos volátiles o incluso un diseño
de experimentos distinto.
Materiales y Métodos
Para este trabajo, se utilizó un prototipo de
nariz electrónica de laboratorio (Fig. 2),
desarrollado por ingenieros de la Universi-
dad Industrial de Santander conformado por
un módulo de energización, un módulo de
sensores y un módulo de acondicionamiento
y adquisición de señales (Ruiz Jiménez,
2018). El módulo de energización permite
energizar los demás módulos teniendo en
cuenta sus especificaciones de potencia y
tensión.
Figura 2: Prototipo de nariz electrónica desarrollado por la UIS.
Fuente: Autores.
Clasificación de Maderas Mediante el Uso de Tecnologías de Olfato Electrónico
Naren Arley et al.
Revista Amazónica Ciencia y Tecnología, 2019 Volumen 8 (2): 157 - 168
162
Por otro lado, en el módulo de sensores se
encuentra una matriz de 16 sensores de gas
con diferentes sensibilidades para obtener
una huella odorífica. En este módulo ocurre
el fenómeno químico entre las moléculas
volátiles que se desean identificar y las molé-
culas de diferentes materiales de referencia
definidos por los sensores de gas. El prototi-
po desarrollado en (Ruiz Jiménez, 2018)
cuenta con sensores semiconductores de
óxido metal, en los cuales se produce una
variación en la resistencia eléctrica debida a
la reacción química que se produce cuando el
gas hace contacto con el sensor. Los sensores
de este prototipo pertenecen a las casas fabri-
cantes Figaro Engineering y a Hanwei Elec-
tronics, que se caracterizan por su capacidad
para detectar bajas concentraciones de
diferentes gases y alcoholes, y por su bajo
costo. En la Tabla 1, se relaciona la marca y
referencia de los sensores dos en el prototipo
Tabla 1. Sensores del prototipo de nariz electrónica.
Fuente (Ruiz Jiménez, 2018)
SENSOR
MARCA
REFERENCIA
SENSOR
MARCA
REFERENCIA
1
HANWEI
MQ-2
9
FIGARO
TGS-832
2
HANWEI
MQ-3
10
HANWEI
MQ-6
3
HANWEI
MQ-4
11
FIGARO
TGS-823
4
HANWEI
MQ-6
12
FIGARO
TGS-816
5
HANWEI
MQ-7
13
FIGARO
TGS-822
6
HANWEI
MQ-8
14
FIGARO
TGS-813
7
HANWEI
MQ-135
15
FIGARO
TGS-826
8
HANWEI
MQ-9
16
HANWEI
MQ-3
Finalmente, el módulo de acondicionamien-
to y adquisición de señales se encarga del
proceso de medir, por medio de una interfaz
física de circuitos electrónicos, las variacio-
nes que los sensores presentan ante los volá-
tiles con los que interactúan. Esto se realiza a
través de un circuito conversor analógico-di-
gital y que permite digitalizar las mediciones
de los sensores, según la configuración de la
tarjeta de adquisición escogida (Intel Galileo
Generación 1). Esta tarjeta de adquisición
tiene la capacidad de conectarse a Internet, a
través de Ethernet (Ruiz Jiménez, 2018).
Preparación de las muestras y protocolo
de adquisición de datos
Para esta investigación exploratoria, se
tomaron un total de 29 muestras de dos tipos
de madera, que corresponden a 18 muestras
de cedro y 11 muestras de móncoro. Estas
muestras fueron recolectadas en carpinteras
y aserríos de Bucaramanga, Lebrija, El Soco-
rro, San Gil, Pamplona y Cúcuta; poblacio-
nes de la región del Gran Santander, en
Colombia.
Aunque la idea principal es no tener una
preparación sofisticada de la muestra, para
emular las condiciones del aserradero, se
tuvieron en cuenta algunas consideraciones.
Primero, se enciende la nariz electrónica
durante una hora para que los sensores alcan-
cen su operación de estado estable en el
ambiente correspondiente. Luego, se prepara
cada muestra (bloque de madera) cepillándo-
la 50 veces con un cepillo de madera y el
material resultante es desechado para elimi-
nar la posible contaminación por contacto
con otra muestra u olor a interferencia.
Después se realiza el experimento en sí, con
un ensayo por cada muestra de madera. En
cada ensayo se ha seguido este procedimien-
to: se cepilla la muestra otras 50 veces; se
toma aproximadamente 1 cm3 de la viruta de
Clasificación de Maderas Mediante el Uso de Tecnologías de Olfato Electrónico
Naren Arley et al.
Revista Amazónica Ciencia y Tecnología, 2019 Volumen 8 (2): 157 - 168
164
Las segundas, están relacionadas al ajuste de
los datos a un modelo predeterminado,
donde las características corresponden a los
parámetros ajustados de dicho modelo. Con
este método, se ofrece una rápida y fácil
separabilidad en problemas de clasificación
donde las clases están bien definidas, pero su
precisión no es tan buena cuando el traslape
entre las clases empieza a aumentar. Los
modelos que se destacan son: funciones
polinómicas, funciones exponenciales
simples y dobles, modelos ARX, modelos
lorentzianos, modelos de doble sigmoide,
función sigmoide, función arco-tangente,
función tangente hiperbólica.
Finalmente, el otro gran grupo de métodos
de extracción de características se base en la
extracción de los coeficientes de realizar una
transformación de dominio a la curva de
respuesta original. Por ejemplo, se pueden
extraer los coeficientes de la Transformada
de Fourier o la transformada de Wavelet.
En el presente trabajo se estima un total de
48 características, producto de extraer sobre
cada uno de los 16 sensores los siguientes
valores:
• GF, valor de conductancia final, resultado
de promediar las últimas 50 muestras de la
fase 2 de la respuesta total.
• GMAX, valor de conductancia máxima.
• GMIN, valor de conductancia mínima.
Después del proceso de extracción de carac-
terísticas, sigue el proceso de selección,
mediante el cual se busca reducir la dimen-
sión del problema para simplificar los mode-
los de clasificación y evitar caer en la maldi-
ción de la dimensionalidad (Scott et al.,
2006). Para aplicaciones de narices electró-
nicas, se usan diferentes métodos de selec-
ción de características, entre los que destacan
el Análisis de Componentes Principales
(PCA, por sus siglas en inglés), el Análisis de
Componentes Independientes (ICA), Análi-
sis de Discriminantes Lineales, Análisis de
Componentes Jerárquicos (HCA), análisis de
varianza entre grupos (ANOVA), métodos
envolventes entre otros.
Para reducir la dimensión de los datos, se
aplicó la técnica de análisis de componentes
principales, ordenando los componentes
resultantes según su varianza. Del total de
componentes, se seleccionaron aquellos que,
con cuya varianza acumulada, pudieran
representar al menos un 90% de la informa-
ción. Este número corresponde a los 5 prime-
ros componentes principales, con los cuales
se realiza un proceso de clasificación, a
través de una Regresión Logística. Además,
se corrobora su desempeño mediante valida-
ción cruzada, específicamente utilizando la
técnica de dejar una fuera (o leave-one-out,
en inglés).
Resultados y discusión
Una vez finalizada la etapa de preparación,
recolección, procesamiento y análisis de los
datos, se obtienen los siguientes resultados.
En la Tabla 2, se relaciona la varianza de los
primeros 14 componentes principales obteni-
dos con la técnica de PCA. Los primeros
componentes principales poseen más infor-
mación sobre la varianza de los datos, como
se aprecia en la Tabla 2. Si se quisiera traba-
jar con más del 99% de varianza del arreglo
original, sería necesario utilizar 14 compo-
nentes principales y, de la misma manera, si
se desea trabajar con el 95% de la varianza
original, 7 componentes principales son
suficientes. Para el caso de esta aplicación,
se procedió a usar 5 componentes principa-
les, con los que se garantiza el 90% de la
varianza de los datos originales.
Clasificación de Maderas Mediante el Uso de Tecnologías de Olfato Electrónico
Naren Arley et al.
Revista Amazónica Ciencia y Tecnología, 2019 Volumen 8 (2): 157 - 168
165
Tabla 2. Componentes principales y varianza correspondiente. Fuente: Autores
PC
% varianza
% Acumulado
PC
% varianza
% Acumulado
1
51.5262
51.5262
8
0.8634
96.5497
2
21.4099
12.9361
9
0.5877
97.1374
3
12.3848
85.3209
10
0.5060
97.6434
4
4.2927
89.6135
11
0.4300
98.0735
5
3.0927
92.7062
12
0.3780
98.4514
6
1.8620
94.5682
13
0.2873
98.7388
7
1.1180
95.6862
14
0.2623
99.0011
Sin embargo, el problema de trabajar con
análisis de componentes principales (PCA)
es que se pierde el sentido físico de cada una
de las características. Por ejemplo, no pode-
mos decir que el valor del segundo compo-
nente corresponde a alguna medida de
alguno de los sensores.
Lo que sí se puede hacer con PCA, es visua-
lizar la separabilidad de un conjunto de datos
en un mapa de una, dos o tres dimensiones.
Para este caso particular, en la Fig. 4, se
presenta un mapa con tres componentes
principales donde se analiza la separabilidad
entre las especies de madera consideradas.
Se aprecian diferentes puntos correspondien-
tes a cada una de las muestras, en color azul
las de cedro y en color rojo las de móncoro.
Se alcanza a apreciar una tendencia a la
formación de dos grupos que, aunque se
solapan o intersecan un poco, dan indicios de
que es posible encontrar un modelo que
permita separar estas especies de madera, a
partir de su huella odorífica.
Figure 4: Mapa de separabilidad entre dos especies de madera con 3 componentes principales.
Fuente: Autores.
Clasificación de Maderas Mediante el Uso de Tecnologías de Olfato Electrónico
Naren Arley et al.
Revista Amazónica Ciencia y Tecnología, 2019 Volumen 8 (2): 157 - 168
166
Para verificar lo dicho anteriormente, se
realiza el ajuste de un modelo mediante
Regresión Logística, con el cual se traza una
frontera de decisión lineal entre las dos
clases de madera. Debido a la poca cantidad
de datos, se realiza validación cruzada dejan-
do uno fuera, que consiste en ajustar un
número de modelos igual al número de
muestras, cada uno de ellos entrenados con
el número de muestras menos uno, y valida-
do con aquella muestra que quedó por fuera.
Así, en este caso, se ajustan 29 modelos
entrenados con 28 muestras y validados con
la restante.
En la Tabla 3, se muestran los resultados de
los modelos ajustados y validados. Cada una
de las 29 nuestras permite validar el modelo
entrenado con las 28 muestras restantes.
Finalmente, un total de 18 de los 29 modelos
escogieron de forma correcta la clase a la que
pertenecía la muestra de validación. De las
18 muestras de cedro, 15 fueron clasificadas
como cedro y sólo 3 fueron clasificadas
como móncoro. Por otro lado, 8 de las 11
muestras de móncoro fueron bien clasifica-
das, mientras que a los 3 restantes se les
asignó erróneamente la clase de cedro.
Tabla 3. Resultados de la validación cruzada de los modelos de regresión logística.
Clase real
Clase escogida por el modelo
Cedro
Móncoro
Cedro
15
3
Móncoro
3
8
Fuente: Autores.
De los 18 modelos, se escogen aquellos que
dan relevancia para la clasificación a 3 de los
5 componentes principales utilizados. Para
esto se tuvo en cuenta el valor p (p-value en
inglés), una medida estadística que permite
determinar los componentes que tienen
mayor relevancia para la salida del clasifica-
dor. Los componentes con valor p menor a
0.1, son considerados como aquellos más
importantes para la clasificación.
Un total de 7 modelos utilizaban 3 de los 5
componentes principales como predictores
para la clasificación. Finalmente, el modelo
con el mejor desempeño (menor suma de los
valores p de los componentes utilizados para
la clasificación) se escogió y se relaciona en
la Tabla 4.
Tabla 4. Modelo de mejor desempeño, escogido mediante validación cruzada.
Componente principal
Valores p
Coeficientes del modelo
1
0.0998292005686437
1.65196743990756
2 0.823351482152593 0.0693955633177183
3 0.0718192208381480 0.800315919961532
4 0.0466490897226996 -1.57661720409826
5 0.429824150221617 0.498303739949716
Término independiente 0.201519782426886 1.38435706419505
Fuente: Autores
Clasificación de Maderas Mediante el Uso de Tecnologías de Olfato Electrónico
Naren Arley et al.
Revista Amazónica Ciencia y Tecnología, 2019 Volumen 8 (2): 157 - 168
167
Conclusiones
Con los resultados obtenidos, es posible
decir que las narices electrónicas son una
buena alternativa de apoyo a la identifica-
ción de especies de madera. Sin embargo, es
probable que sea necesario el uso de otros
instrumentos y otras técnicas, con el objetivo
de construir un sistema completo de identifi-
cación y clasificación de especies madera-
bles.
Los mayores problemas para la selección de
características son la alta dimensión y
solapamiento de los datos. Para ello es nece-
sario buscar herramientas más similares a
PCA, pero con mejor desempeño sobre esta
clase particular de datos. Además, es desea-
ble que no se pierda el sentido físico de las
características, lo cual permitiría determinar
cuáles sensores aportan la mayor cantidad de
información relacionada con la clasificación,
con miras a un dispositivo más específico.
Por otro lado, aunque los resultados son
interesantes, es importante seguir investigan-
do alrededor del uso de dispositivos electró-
nicos y servicios TIC en la solución de
problemas de medio ambiente. Por ello, el
próximo paso es desarrollar un modelo más
amplio para la verificación de especies de
madera, con un particular interés sobre espe-
cies vulnerables, en peligro o endémicas.
Para ello, es necesario fortalecer alianzas y
realizar un trabajo colaborativo que genere
soluciones robustas a las verdaderas necesi-
dades de la sociedad.
Literatura Citada
Aazam, M., Khan, I., Alsaffar, A. A., & Huh,
E. N. (2014). Cloud of Things: Integrating
Internet of Things and cloud computing and
the issues involved. Proceedings of 2014
11th International Bhurban Conference on
Applied Sciences and Technology, IBCAST
2014, 414–419.
Baietto, M., Wilson, A. D., Bassi, D., &
Ferrini, F. (2010). Evaluation of three
electronic noses for detecting incipient wood
decay (Vol. 10). Sensors.
Cabral, E. C., Simas, R. C., Santos, V. G.,
Queiroga, C. L., Da Cunha, V. S., De Sá, G.
F., … Eberlin, M. N. (2012). Wood typifica-
tion by Venturi easy ambient sonic spray
ionization mass spectrometry: The case of
the endangered Mahogany tree. J. Mass
Spectrom., 47(1), 1–6.
Capelli, L., Sironi, S., & Del Rosso, R.
(2014). Electronic Noses for Environmental
Monitoring Applications. Sensors, 14(11),
19979–20007.
Cordeiro, J. R., Li, R. W. C., Takahashi, É.
S., Rehder, G. P., Ceccantini, G., & Gruber,
J. (2016). Wood identification by a portable
low-cost polymer-based electronic nose.
RSC Adv., 6(111), 109945–109949.
Delgado Agudelo, M. A. (2013). Maderas de
Colombia (WWF). WWF.
Departamento Nacional de Planeación. DNP.
(2007). Agenda Interna Para la Productivi-
dad y La Competitividad. Documento Regio-
nal: SANTANDER.
Dickson, A., Nanayakkara, B., Sellier, D.,
Meason, D., Donaldson, L., & Brownlie, R.
(2017). Fluorescence imaging of cambial
zones to study wood formation in Pinus
radiata D. Don. Trees - Structure and Func-
tion, 31(2), 479–490.
Fedele, R., Galbally, I. E., Porter, N., &
Weeks, I. A. (2007). Biogenic VOC emis-
sions from fresh leaf mulch and wood chips
of Grevillea robusta (Australian Silky Oak).
Atmos. Environ., 41(38), 8736–8746.
Garneau, F. X., Riedl, B., Hobbs, S., Pichet-
te, A., & Gagnon, H. (2004). The use of
sensor array technology for rapid differentia-
tion of the sapwood and heartwood of
Eastern Canadian spruce, fir and pine. Holz
Als Roh - Und Werkstoff, 62(6), 470–473.
Clasificación de Maderas Mediante el Uso de Tecnologías de Olfato Electrónico
Naren Arley et al.
Revista Amazónica Ciencia y Tecnología, 2019 Volumen 8 (2): 157 - 168
168
Guo, L., Yang, Z., & Dou, X. (2017). Artifi-
cial Olfactory System for Trace Identifica-
tion of Explosive Vapors Realized by
Optoelectronic Schottky Sensing. Adv.
Mater., 29(5), 1–8.
Hanssen, F., Wischnewski, N., Moreth, U., &
Magel, E. A. (2011). Molecular identifica-
tion of Fitzroya cupressoides, Sequoia
sempervirens, and Thuja plicata wood using
taxon-specific rDNA-ITS primers. IAWA J.,
32(2), 273–284.
Ideam. (2017). Resultados Monitoreo de la
Deforestación.
Kalaw, J. M., & Sevilla, F. B. (2018). Discri-
mination of wood species based on a carbon
nanotube/polymer composite chemiresistor
array. Holzforschung, 72(3), 215–223.
Müller, K., Haferkorn, S., Grabmer, W.,
Wisthaler, A., Hansel, A., Kreuzwieser, J., …
Herrmann, H. (2006). Biogenic carbonyl
compounds within and above a coniferous
forest in Germany. Atmos. Environ., 40,
81–91.
Najib, M. S., Ahmad, M. U., Funk, P., Taib,
M. N., & Ali, N. A. M. (2012). Agarwood
classification: A case-based reasoning
approach based on E-nose. Proceedings -
2012 IEEE 8th International Colloquium on
Signal Processing and Its Applications,
CSPA 2012, 120–126.
Rana, R., Müller, G., Naumann, A., & Polle,
A. (2008). FTIR spectroscopy in combina-
tion with principal component analysis or
cluster analysis as a tool to distinguish beech
(Fagus sylvatica L.) trees grown at different
sites. Holzforschung, 62(5), 530–538.
Rinne, H. J. I., Guenther, A. B., Greenberg, J.
P., & Harley, P. C. (2002). Isoprene and
monoterpene fluxes measured above Amazo-
nian rainforest and their dependence on light
and temperature. Atmos. Environ., 36(14),
2421–2426.
Rodriguez-Lujan, I., Fonollosa, J., Vergara,
A., Homer, M., & Huerta, R. (2014). On the
calibration of sensor arrays for pattern recog-
nition using the minimal number of experi-
ments. Chemometrics and Intelligent Labo-
ratory Systems, 130, 123–134. https://doi.or-
g/10.1016/j.chemolab.2013.10.012
Ruiz Jiménez, L. F. (2018). Detección de los
insectos de la subfamilia Triatominae basado
en narices electrónicas.
Santos, J. P., & Lozano, J. (2015). Real time
detection of beer defects with a hand held
electronic nose. Proceedings of the 2015
10th Spanish Conference on Electron Devi-
ces, CDE 2015, 1–4.
Scott, S. M., James, D., & Ali, Z. (2006).
Data analysis for electronic nose systems.
Microchim. Acta, 156, 183–207.
Shi, H., Zhang, M., & Adhikari, B. (2017).
Advances of electronic nose and its applica-
tion in fresh foods: A review. Crit. Rev. Food
Sci. Nutr., 8398, 1–11.
Wilson, A. D. (2012). Application of a
Conductive Polymer Electronic-Nose
Device to Identify Aged Woody Samples.
The Third International Conference on
Sensor Device Technologies and Applica-
tions, 77–82.
Wilson, A. D., Lester, D. G., & Oberle, C. S.
(2005). Application of conductive polymer
analysis for wood and woody plant identifi-
cations. For. Ecol. Manage., 209(3),
207–224.
Yan, J., Guo, X., Duan, S., Jia, P., Wang, L.,
Peng, C., & Zhang, S. (2015). Electronic
Nose Feature Extraction Methods: A Review.
Sensors, 15(11), 27804–27831.
Yu, M., Liu, K., Zhou, L., Zhao, L., & Liu, S.
(2016). Testing three proposed DNA barco-
des for the wood identification of Dalbergia
odorifera T. Chen and Dalbergia tonkinensis
Prain. Holzforschung, 70(2), 127–136.