Evaluando el daño en cultivos de arroz con imágenes satelitales

El arroz es un alimento básico para millones de personas en Bangladesh. Desgraciadamente, desastres naturales como las olas de calor pueden dañar seriamente las cosechas de arroz. Este estudio busca formas de detectar daños en los campos de arroz usando imágenes satelitales.

#Por Qué Es Importante Este Estudio

Cuando ocurre un desastre, es crucial saber dónde ha pasado. Esto ayuda a tomar acción para apoyar a los agricultores afectados. Tradicionalmente, recoger datos sobre estos daños requiere mucho tiempo y recursos. Usando imágenes satelitales, podemos identificar automáticamente las áreas afectadas, ahorrando tiempo y esfuerzo.

#¿Qué es NDVI?

Una de las herramientas clave en este estudio es un método llamado NDVI (Índice de Vegetación de Diferencia Normalizada). NDVI ayuda a evaluar cuánta vegetación hay en un área específica. Las plantas sanas reflejan menos luz visible y más luz infrarroja cercana, mientras que las plantas poco saludables o escasas reflejan más luz visible y menos luz infrarroja cercana. Los valores de NDVI varían de -1 a +1, donde los valores más cercanos a +1 indican vegetación sana.

#Contexto

Estudios anteriores han estimado la producción de arroz usando NDVI. Este estudio se centra específicamente en el cultivo de arroz, que a menudo se ve afectado por las olas de calor. La ola de calor que ocurrió el 4 de abril de 2021 llevó a los autores a investigar su impacto en los campos de arroz, especialmente en áreas donde había poca investigación.

#Cómo Funciona Este Estudio

Para realizar esta investigación, se usan imágenes satelitales de Sentinel-2, que ofrece imágenes de alta resolución. El estudio analiza imágenes antes y después de la ola de calor para identificar cambios en los campos de arroz.

#Recolección de Datos

Los datos satelitales se recopilaron usando Google Earth Engine, que proporciona acceso a varios conjuntos de datos geoespaciales. Para este estudio, se seleccionaron tres distritos en Bangladesh basados en informes de daños a los cultivos causados por la ola de calor: Sunamganj, Kishoreganj y Netrokona.

#Preparando los Datos

Los investigadores prepararon los datos calculando los valores de NDVI a partir de las imágenes satelitales. Miraron específicamente la diferencia en los valores de NDVI antes y después del desastre para identificar áreas con pérdida potencial de cultivos. Las áreas con valores de NDVI por debajo de un umbral específico fueron marcadas como afectadas.

#Verificación en el Terreno

Para asegurarse de que los datos de NDVI reflejaban con precisión la realidad en el terreno, los investigadores visitaron campos seleccionados y consultaron a agricultores locales. Durante estas visitas, preguntaron a los agricultores sobre sus experiencias con la Pérdida de cultivos. Este proceso de verificación confirmó que los valores de NDVI realmente indicaban áreas que sufrieron Pérdida de cultivos.

#Hallazgos Clave de los Agricultores

Los agricultores confirmaron:

• Todas las áreas seleccionadas eran campos de arroz donde principalmente cultivan arroz boro.
• En 2021, experimentaron una pérdida significativa de cultivos debido a la ola de calor.
• En 2020, no hubo desastres importantes que afectaran sus cultivos.
• En 2019, muchos agricultores reportaron daños por una granizada, que causó más daño que la ola de calor.

#Configuración Experimental

Los investigadores ahora se enfocaron en experimentar con las imágenes satelitales recopiladas. Exportaron imágenes mostrando diferencias en RGB (Rojo, Verde, Azul) y FCI (Infrarrojo de Color Falso) para entender mejor qué método daba indicaciones más claras de pérdida de cultivos.

#Procesamiento de Imágenes

Las imágenes satelitales se procesaron para resaltar las diferencias entre los escenarios antes y después del desastre. Estas imágenes fueron divididas en segmentos más pequeños para entrenar un modelo de aprendizaje profundo.

#Entrenamiento del Modelo

Se usaron dos tipos de imágenes para entrenar el modelo: imágenes RGB e imágenes FCI. Cada tipo pasó por un proceso de entrenamiento donde el modelo aprendió a identificar áreas de pérdida de cultivos basándose en las imágenes que se le mostraron.

#Métricas de Evaluación

La efectividad del modelo se midió usando métricas como IoU (Intersección sobre Unión). IoU evalúa cuán bien las predicciones del modelo coinciden con los datos reales. Un puntaje más cercano a 1 indica una mayor precisión del modelo.

#Resultados

La investigación reveló que tanto las imágenes RGB como las FCI se pueden usar para identificar la pérdida de cultivos de arroz. Sin embargo, las imágenes FCI generalmente dieron mejores resultados. En particular, las imágenes FCI obtuvieron un puntaje de IoU de 0.81 en comparación con 0.77 de las RGB. Esto significa que las FCI fueron un poco más efectivas para indicar áreas donde los cultivos de arroz habían sido afectados.

#Tendencias Anuales

Al analizar datos anuales:

• En 2019, el modelo tuvo un buen desempeño debido a los impactos de la granizada.
• En 2020, el desempeño del modelo fue decente, pero tuvo problemas para identificar áreas específicas de pérdida con precisión.
• En 2021, el modelo tuvo más dificultades debido a los efectos únicos de la ola de calor, mostrando los desafíos de usar imágenes satelitales para diferentes tipos de desastres.

#Conclusión

Este estudio ofrece un nuevo enfoque para evaluar la pérdida de cultivos de arroz usando imágenes satelitales. Al comparar los valores de NDVI antes y después de un desastre, los investigadores pudieron entrenar un modelo que ayuda a identificar automáticamente las áreas afectadas. Aunque hubo desafíos en la precisión dependiendo del tipo de desastre, la efectividad general de las imágenes satelitales para este propósito es prometedora.

#Direcciones Futuras

Los investigadores buscan mejorar aún más este modelo, especialmente en situaciones donde la cobertura de nubes podría obstruir la visibilidad. Tienen la intención de explorar el uso de datos de Radar de Apertura Sintética (SAR) que siguen siendo efectivos incluso en condiciones nubladas, lo que podría mejorar los esfuerzos de evaluación de desastres.

#Importancia de la Investigación

Esta investigación no solo ayuda en la gestión de desastres, sino que también tiene el potencial de mejorar las prácticas agrícolas en Bangladesh. Al identificar con precisión la pérdida de cultivos, se pueden tomar medidas adecuadas para apoyar a los agricultores, asegurando la seguridad alimentaria en la región.