Mejorando la Cartografía de Cultivos con Datos Satelitales

Los Índices de Vegetación son herramientas que ayudan a monitorear el crecimiento de las plantas y las actividades agrícolas. Los satélites han estado capturando imágenes de la Tierra durante mucho tiempo, pero los satélites más antiguos solo podían ver unos pocos colores específicos (o Bandas Espectrales). Esto limitó su capacidad para proporcionar información detallada sobre la vegetación. Sin embargo, los satélites más nuevos pueden capturar muchos más colores, lo que abre oportunidades para un mejor monitoreo de cultivos y uso de la tierra.

En este artículo, presentamos un método que utiliza Aprendizaje automático e inteligencia artificial para mejorar el diseño y la selección de índices de vegetación para el Mapeo de Cultivos. Al usar datos de estos satélites avanzados, podemos identificar qué bandas espectrales son más útiles para distinguir diferentes cultivos. Esto puede ayudar a los agricultores e investigadores a mejorar las prácticas agrícolas y asegurar la seguridad alimentaria.

#Desafíos del Mapeo de Cultivos

En ciertas partes del mundo, especialmente en África subsahariana, hay problemas serios de inseguridad alimentaria y desnutrición. La agricultura juega un rol crucial en abordar estos problemas, pero monitorear la salud y el crecimiento de los cultivos puede ser un desafío. Los diferentes cultivos reflejan la luz de maneras únicas, y seleccionar las herramientas adecuadas para analizar esta información es clave para un monitoreo exitoso.

Tradicionalmente, los expertos han confiado en unos pocos índices de vegetación comúnmente usados para evaluar la salud de los cultivos. Sin embargo, con las nuevas capacidades de los satélites, es importante identificar y utilizar los mejores índices que aprovechen todos los datos disponibles.

#El Rol del Aprendizaje Automático

El aprendizaje automático, una subcategoría de la inteligencia artificial, permite que las computadoras aprendan de los datos y mejoren con el tiempo. En nuestro enfoque, entrenamos un modelo de aprendizaje profundo usando imágenes de satélites que toman fotos en muchos colores diferentes. Este modelo nos ayuda a reconocer características importantes en los datos. El objetivo es averiguar qué combinaciones de colores son más útiles para identificar diferentes cultivos.

Una vez que el modelo está entrenado, podemos usarlo para averiguar cuánto contribuye cada color a predecir los tipos de cultivos. Esto nos ayuda a entender las relaciones específicas entre diferentes bandas espectrales y el crecimiento de los cultivos.

#Conjunto de Datos Usado para el Análisis

Para nuestro estudio, recopilamos datos de satélites sobre dos países: Ghana y Sudán del Sur. Las imágenes satelitales se recolectaron de enero a diciembre de 2016 y tienen una resolución de 10 metros. Cada píxel en estas imágenes representa un área pequeña de tierra y está etiquetado según el tipo de cultivo que crece allí. Nos enfocamos en seis tipos de cultivos: sorgo, maíz, arroz, maní, soya y ñame. Se establecieron conteos mínimos de píxeles para asegurar que solo trabajáramos con datos confiables.

#Analizando Atribuciones Espectrales

Para entender qué tan bien funciona nuestro modelo de aprendizaje automático, usamos un método llamado atribución de características. Este método nos ayuda a ver qué partes de los datos son más importantes para hacer predicciones. Al evaluar las contribuciones de cada color (o banda espectral), podemos determinar qué bandas son mejores para identificar varios cultivos.

En nuestros hallazgos, vemos que ciertas bandas, como las bandas de infrarrojo de onda corta y las bandas de borde rojo, son particularmente importantes para la clasificación de cultivos. Estas percepciones ayudan a guiar la selección de índices de vegetación.

#Mejora de Índices de Vegetación

Con la importancia de cada banda espectral en mente, desarrollamos índices de vegetación específicos adaptados para nuestra tarea de mapeo de cultivos. Examinamos diferentes combinaciones de bandas y probamos nuevos índices para ver cómo se desempeñan en comparación con índices más tradicionales.

Por ejemplo, usamos el índice de diferencia de humedad normalizado (NDMI), que tiene en cuenta las bandas de infrarrojo de onda corta. También creamos variaciones de otros índices para ver si ofrecen mejor precisión al identificar cultivos específicos.

Nuestro objetivo era demostrar que usar los índices de vegetación correctos podría mejorar la identificación de cultivos.

#Resultados Experimentales

Después de volver a entrenar nuestros modelos con los índices recién creados, comparamos su desempeño contra el modelo base, que usaba todas las bandas disponibles. En general, encontramos que los modelos basados en índices individuales podían funcionar bien, con algunos modelos mostrando solo leves disminuciones en precisión en comparación con el modelo completo.

El índice individual de mejor rendimiento fue el NDMI, que logró una puntuación del 67%. Este índice ayudó a identificar correctamente sorgo, maní y ñame. También encontramos que las combinaciones de dos índices a menudo funcionaban mejor que los índices individuales, demostrando el valor de usar múltiples características juntas.

#Perspectivas Específicas de Cultivos

Si bien algunos índices funcionaron bien en general, otros mostraron niveles variados de éxito en diferentes cultivos. Por ejemplo, aunque el NDMI fue efectivo para identificar ñame y arroz, no fue tan fuerte para el maíz.

Estos resultados destacan la importancia de entender qué índices funcionan mejor con cultivos específicos. Algunos cultivos pueden depender más de ciertas bandas espectrales, lo que facilita su identificación cuando se eligen los índices correctos.

#Limitaciones y Trabajo Futuro

Aunque el enfoque que usamos mostró resultados prometedores, hay limitaciones. La fiabilidad del modelo está ligada a qué tan bien aprende de los datos de entrenamiento. Si el modelo no funciona bien, las percepciones que obtenemos de él pueden no ser tan confiables.

En el futuro, planeamos expandir nuestro conjunto de datos para incluir imágenes de diferentes años y regiones. Esto nos permitirá probar nuestros métodos en una gama más amplia de cultivos y mejorar el rendimiento general de nuestro modelo.

#Conclusión

En resumen, nuestro estudio describe un método para seleccionar y diseñar índices de vegetación que pueden mejorar el mapeo de cultivos utilizando datos modernos de satélites. Al entender la importancia de diferentes bandas espectrales a través del aprendizaje automático, podemos crear mejores herramientas para monitorear actividades agrícolas y apoyar la seguridad alimentaria.

Nuestros hallazgos indican que utilizar una combinación de índices bien seleccionados puede llevar a una mejor precisión en la identificación de cultivos. Con más refinamiento y exploración, este enfoque tiene el potencial de mejorar los esfuerzos de monitoreo agrícola y abordar problemas urgentes relacionados con la seguridad alimentaria y el desarrollo sostenible.