Usando imágenes de nivel de calle para mapeo de cultivos

El mapeo de tipos de cultivos es super importante para hacer seguimiento a los rendimientos agrícolas, predecir la producción de alimentos y planificar políticas agrícolas. Pero crear mapas precisos en países de ingresos bajos y medios puede ser complicado por el alto costo y el esfuerzo que se necesita para recoger datos en el terreno. Aunque las encuestas tradicionales en el campo ofrecen gran precisión, requieren mucho tiempo y recursos.

Recientemente, las imágenes a nivel de calle de servicios como Google Street View han surgido como una posible solución. Estas imágenes pueden proporcionar información valiosa sobre los cultivos que crecen en ubicaciones específicas. Al usar estas imágenes junto con tecnología de Aprendizaje Profundo, podemos crear sistemas automatizados para mapear cultivos.

#La Necesidad de Mapas de Tipos de Cultivos

La seguridad alimentaria es un gran desafío que enfrentamos hoy. Con una población global en aumento y un clima cambiante, necesitamos información precisa para gestionar la producción agrícola. Los mapas de cultivos nos ayudan a entender qué cultivos están creciendo y cómo les va. Lamentablemente, solo unos pocos países de altos ingresos pueden permitirse producir mapas de cultivos a gran escala. Esto deja a muchas regiones, especialmente aquellas con pequeñas granjas, sin información crucial.

La mayoría de las pequeñas explotaciones agrícolas se encuentran en países de ingresos bajos y medios. Estas granjas sustentan a una gran parte de la población mundial, pero a menudo no tienen mapas precisos de tipos de cultivos. El alto costo de reunir esta información ha llevado a los investigadores a buscar fuentes de datos alternativas.

#Aprovechando Imágenes a Nivel de Calle

Las imágenes a nivel de calle de servicios como Google Street View pueden ser valiosas para recopilar datos de cultivos. Estas imágenes son capturadas por vehículos equipados con cámaras y se pueden acceder a bajo costo en la mayoría de los países. Se actualizan periódicamente, ofreciendo la oportunidad de ver qué cultivos están creciendo con el tiempo.

Estudios recientes han demostrado que las imágenes de las carreteras pueden ser utilizadas para diversas aplicaciones, desde planificación urbana hasta monitoreo ambiental. Lo más importante es que ahora pueden ayudar a crear mapas de tipos de cultivos generando datos de referencia precisos sin necesidad de etiquetado manual extenso.

#Nuestro Enfoque

Desarrollamos un sistema que combina aprendizaje profundo con imágenes de Google Street View para generar automáticamente referencias de tipos de cultivos. Así es como funciona:

1. Recopilando Imágenes: Reunimos una colección de imágenes a nivel de calle que contienen campos de cultivos.
2. Entrenando el Modelo: Un modelo de aprendizaje profundo se entrena utilizando estas imágenes para predecir tipos de cultivos. Utilizamos etiquetas débiles de varias fuentes en línea para ayudar a entrenar nuestro sistema.
3. Creando Mapas de Cultivos: Los tipos de cultivos predichos se combinan con datos de teledetección para producir un mapa de tipos de cultivos completo.

En nuestro estudio en Tailandia, logramos crear un mapa de tipos de cultivos que alcanzó una alta precisión (93%) para cultivos importantes como el arroz y la caña de azúcar.

#Antecedentes sobre el Mapeo de Cultivos

Asegurar la seguridad alimentaria requiere información precisa sobre los cultivos, especialmente en regiones con pequeñas explotaciones agrícolas. Estas granjas son vitales para alimentar a una parte significativa de la población global. Desafortunadamente, los países de bajos ingresos a menudo carecen de los recursos para compilar datos de cultivos.

La mayoría de los métodos existentes dependen de costosas encuestas en el terreno o no capturan los paisajes únicos de las regiones de pequeños agricultores. Las complejidades de las redes de caminos rurales y las obstrucciones de la vegetación también hacen más difícil recoger datos visuales.

Los investigadores se han vuelto hacia tecnologías como Google Street View, que proporciona una gran cantidad de datos visuales de las carreteras. Estos datos pueden servir como una alternativa de bajo costo para recopilar información sobre tipos de cultivos.

#El Área de Estudio: Tailandia

Elegimos Tailandia para nuestro estudio porque tiene un alto número de pequeñas granjas y una gran colección de imágenes de Google Street View. En los últimos años, la disponibilidad de estas imágenes ha aumentado significativamente. La mayor parte de las tierras agrícolas en Tailandia se utiliza para el cultivo de arroz, mientras que cultivos como la caña de azúcar, la yuca y el maíz también desempeñan roles importantes.

Utilizando imágenes de Google Street View, recopilamos datos de cultivos durante la temporada de crecimiento húmeda para crear un mapa preciso de tipos de cultivos.

#Encontrando y Filtrando Imágenes

El primer paso en nuestro método implica identificar campos potenciales a lo largo de las carreteras usando datos geográficos. Usamos una base de datos pública para encontrar ubicaciones y generar puntos equidistantes a lo largo de las carreteras a intervalos regulares.

Luego, filtramos estos puntos basándonos en mapas de cobertura terrestre existentes para enfocarnos en áreas donde los cultivos probablemente sean visibles. Solo se consideraron imágenes capturadas durante la temporada de crecimiento para aumentar las posibilidades de ver cultivos en las fotos.

Al emplear diversas técnicas de filtrado, mejoramos significativamente la calidad de nuestra colección de imágenes y aseguramos una mejor visibilidad de los campos de cultivos.

#Clasificando Imágenes de Campos

Después de reunir las imágenes, necesitábamos determinar cuáles contenían cultivos. Entrenamos un modelo para filtrar las imágenes que no mostraban campos. Este modelo logró una precisión impresionante, lo que nos permitió concentrarnos en datos relevantes.

Una vez que identificamos las imágenes de campos, el siguiente paso fue predecir el tipo de cultivo en cada imagen. Compilamos un conjunto de datos de entrenamiento de fuentes en línea, lo que permitió que el modelo aprendiera a clasificar cultivos de manera efectiva.

Este método resultó efectivo, incluso con imágenes que tenían calidad y características variadas. El modelo clasificó con éxito las imágenes a nivel de calle en tipos de cultivos específicos con alta precisión.

#Combinando Datos para el Mapeo de Cultivos

Una vez que tuvimos nuestras predicciones de tipos de cultivos, trabajamos en integrar estas etiquetas con datos de teledetección. La teledetección implica usar imágenes satelitales para recopilar información sobre la superficie de la tierra. Extrajimos características de los datos satelitales para apoyar aún más nuestros esfuerzos de clasificación de cultivos.

Al combinar las predicciones de nuestros modelos de aprendizaje profundo con datos satelitales, generamos un mapa de tipos de cultivos completo que abarca grandes áreas.

#Resultados y Precisión

Nuestro sistema demostró resultados impresionantes cuando se aplicó al paisaje agrícola de Tailandia. La precisión de los mapas de tipos de cultivos que generamos superó la de los métodos tradicionales que dependían exclusivamente de la etiquetación por expertos.

Con el proceso automatizado, producimos un conjunto de datos más extenso y preciso en comparación con lo que podría lograrse manualmente. Incluso cuando las predicciones contenían algunas inexactitudes, el gran volumen de datos generados ayudó a mejorar el rendimiento general.

#Importancia de las Imágenes en Línea

Un aspecto significativo de nuestro enfoque fue el uso de imágenes en línea para ayudar en la clasificación de cultivos. Aunque estas imágenes contenían ruido y no siempre eran perfectas, proporcionaron datos diversos que ayudaron a entrenar nuestros modelos de manera efectiva. Al combinar imágenes de diferentes fuentes, logramos mejorar el rendimiento del modelo.

Sin embargo, es crucial reconocer que la etiquetación por expertos sigue siendo invaluable en algunas situaciones. Combinar imágenes ruidosas en línea con un conjunto más pequeño de datos etiquetados por expertos produjo los mejores resultados en términos de precisión.

#Desafíos y Limitaciones

A pesar de los éxitos de nuestro enfoque, hay desafíos y limitaciones a considerar. Por ejemplo, etiquetar imágenes como campos o no campos requirió cierto esfuerzo manual, que es menos exigente que etiquetar tipos de cultivos pero aún requiere atención.

Además, la frecuencia de actualización variable de las imágenes a nivel de calle y su distribución desigual en todo el mundo pueden afectar la disponibilidad de datos. Esta desigualdad destaca el valor potencial de la imagen a nivel de calle para los esfuerzos de mapeo global de tipos de cultivos.

#Conclusión

Combinar aprendizaje profundo con imágenes a nivel de calle nos ha permitido automatizar de manera efectiva la generación de referencias de tipos de cultivos. Nuestro sistema demostró que incluso en regiones con recursos limitados, se pueden crear mapas de cultivos de alta precisión.

En Tailandia, nuestro enfoque resultó en un mapa de tipos de cultivos con más de 81,000 referencias automatizadas, logrando mejores resultados que los métodos tradicionales que dependen de conjuntos de datos más pequeños y etiquetados por expertos.

El acceso a imágenes en línea puede mejorar en gran medida la capacidad para clasificar cultivos, mientras que los datos bien etiquetados en el terreno siguen siendo esenciales para ciertas aplicaciones. A medida que avanzamos, integrar diversas fuentes de datos será crucial para avanzar en los esfuerzos de mapeo agrícola en todo el mundo.

Este trabajo destaca el potencial de las tecnologías innovadoras para abordar desafíos tradicionales en la agricultura y la seguridad alimentaria, allanando el camino para una toma de decisiones más informada en el sector agrícola.