Identificación de maíz para ensilaje utilizando un modelo basado en diferencias temporales con datos de Sentinel-2: Perspectivas de un enfoque transferible temporalmente basado en la cosecha
Autores: Lin, Zhenyu; Huang, Ran; Tan, Sihan; Yang, Lingbo; Huang, Jingfeng; Su, Lijun; Hu, Zhichao
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Identificación de maíz para ensilaje utilizando un modelo basado en diferencias temporales con datos de Sentinel-2: Perspectivas de un enfoque transferible temporalmente basado en la cosecha
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Agronomía y Ciencia de los Cultivos
Palabras clave
Modelo propuesto
TempDiff-SMID
Maíz ensilado
Maíz de grano
Rendimiento de clasificación
Precisión general
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 26
Citaciones: Sin citaciones
En respuesta a la investigación limitada sobre la clasificación del maíz para ensilaje en China y la falta de soporte de datos para un manejo agrícola y ganadero refinado, este estudio propone un Modelo de Identificación de Maíz para Ensilaje basado en Diferencias Temporales (TempDiff-SMID) utilizando la plataforma Google Earth Engine (GEE). Al analizar las fases fenológicas del maíz para ensilaje y del maíz de grano, identificamos sus períodos críticos de cosecha y establecimos reglas de decisión para clasificar el maíz para ensilaje, el maíz de grano y otros tipos de cobertura terrestre. Se suavizó la imágenes del Sentinel-2 preprocesadas utilizando el filtro Whittaker para construir el modelo TempDiff-SMID. Después de la optimización iterativa del umbral, el modelo de árbol de decisiones logró una precisión general de 0.9291 y un coeficiente Kappa de 0.8923, lo que indica un rendimiento de clasificación sólido. Las precisiones de usuario para el maíz para ensilaje, el maíz de grano y otros tipos de cobertura terrestre fueron de 0.9216, 0.9219 y 0.9404, respectivamente, mientras que las precisiones del productor alcanzaron 0.94, 0.9008 y 0.9467, demostrando errores mínimos de omisión y comisión en todas las categorías. Además, los puntajes F1 para el maíz para ensilaje, el maíz de grano y otros tipos de cobertura terrestre fueron de 0.9307, 0.9112 y 0.9435, respectivamente, confirmando la efectividad del marco TempDiff-SMID en aprovechar las diferencias de tiempo de cosecha para una identificación precisa del maíz para ensilaje. Para evaluar el rendimiento, comparamos el TempDiff-SMID con el Modelo RF para la Clasificación de Maíz para Ensilaje (SMRF). El TempDiff-SMID superó al SMRF tanto en precisión general (0.9043 vs. 0.9291) como en el coeficiente Kappa (0.8511 vs. 0.8923), y también proporcionó una representación intuitiva de las diferencias espectrales y fenológicas entre el maíz para ensilaje y el maíz de grano. Al aplicarse a datos de varios años, el TempDiff-SMID demostró una fuerte transferibilidad temporal, logrando precisiones generales de 0.8621 (2022) y 0.8816 (2021), confirmando así su robustez a lo largo de las temporadas de crecimiento. El modelo propuesto ofrece simplicidad en la metodología, claridad en la interpretabilidad y despliegue eficiente, convirtiéndolo en una herramienta práctica para sistemas de manejo agrícola y ganadero. Su capacidad para adaptarse rápidamente a nuevas regiones o años subraya su importancia en el apoyo a la agricultura de precisión y prácticas agrícolas sostenibles.
Descripción
En respuesta a la investigación limitada sobre la clasificación del maíz para ensilaje en China y la falta de soporte de datos para un manejo agrícola y ganadero refinado, este estudio propone un Modelo de Identificación de Maíz para Ensilaje basado en Diferencias Temporales (TempDiff-SMID) utilizando la plataforma Google Earth Engine (GEE). Al analizar las fases fenológicas del maíz para ensilaje y del maíz de grano, identificamos sus períodos críticos de cosecha y establecimos reglas de decisión para clasificar el maíz para ensilaje, el maíz de grano y otros tipos de cobertura terrestre. Se suavizó la imágenes del Sentinel-2 preprocesadas utilizando el filtro Whittaker para construir el modelo TempDiff-SMID. Después de la optimización iterativa del umbral, el modelo de árbol de decisiones logró una precisión general de 0.9291 y un coeficiente Kappa de 0.8923, lo que indica un rendimiento de clasificación sólido. Las precisiones de usuario para el maíz para ensilaje, el maíz de grano y otros tipos de cobertura terrestre fueron de 0.9216, 0.9219 y 0.9404, respectivamente, mientras que las precisiones del productor alcanzaron 0.94, 0.9008 y 0.9467, demostrando errores mínimos de omisión y comisión en todas las categorías. Además, los puntajes F1 para el maíz para ensilaje, el maíz de grano y otros tipos de cobertura terrestre fueron de 0.9307, 0.9112 y 0.9435, respectivamente, confirmando la efectividad del marco TempDiff-SMID en aprovechar las diferencias de tiempo de cosecha para una identificación precisa del maíz para ensilaje. Para evaluar el rendimiento, comparamos el TempDiff-SMID con el Modelo RF para la Clasificación de Maíz para Ensilaje (SMRF). El TempDiff-SMID superó al SMRF tanto en precisión general (0.9043 vs. 0.9291) como en el coeficiente Kappa (0.8511 vs. 0.8923), y también proporcionó una representación intuitiva de las diferencias espectrales y fenológicas entre el maíz para ensilaje y el maíz de grano. Al aplicarse a datos de varios años, el TempDiff-SMID demostró una fuerte transferibilidad temporal, logrando precisiones generales de 0.8621 (2022) y 0.8816 (2021), confirmando así su robustez a lo largo de las temporadas de crecimiento. El modelo propuesto ofrece simplicidad en la metodología, claridad en la interpretabilidad y despliegue eficiente, convirtiéndolo en una herramienta práctica para sistemas de manejo agrícola y ganadero. Su capacidad para adaptarse rápidamente a nuevas regiones o años subraya su importancia en el apoyo a la agricultura de precisión y prácticas agrícolas sostenibles.