Imágenes del Sentinel-2 y aprendizaje automático como herramienta para el monitoreo de la Política Agrícola Común: el arroz de Calasparra como caso de estudio
Autores: López-Andreu, Francisco Javier; Erena, Manuel; Dominguez-Gómez, Jose Antonio; López-Morales, Juan Antonio
Idioma: Inglés
Editor: MDPI
Año: 2021
Acceso abierto
Artículo científico
2021
Imágenes del Sentinel-2 y aprendizaje automático como herramienta para el monitoreo de la Política Agrícola Común: el arroz de Calasparra como caso de estudio
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Agronomía y Ciencia de los Cultivos
Palabras clave
Comisión Europea
Política Agrícola Común
Programa Copérnico
Sentinel-2
Aprendizaje automático
Mapeo de cultivos de arroz
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 33
Citaciones: Sin citaciones
La Comisión Europea introduce el Control mediante el Monitoreo a través de nuevas tecnologías para gestionar los fondos de la Política Agrícola Común a través del Reglamento 2018/746. Los avances en teledetección han sido considerados una de estas nuevas tecnologías, principalmente desde que la Agencia Espacial Europea diseñó el Programa Copérnico. Los satélites Sentinel-1 (rango de radar) y Sentinel-2 (rango óptico) han sido diseñados para monitorear problemas agrícolas basados en las características que proporcionan. Los datos proporcionados por las misiones de Sentinel 2, junto con la aparición de diferentes disciplinas científicas en inteligencia artificial -especialmente aprendizaje automático- ofrecen la base perfecta para identificar y clasificar cualquier cultivo y su estado fenológico. Nuestra investigación se basa en desarrollar y evaluar un esquema de clasificación supervisada basada en píxeles para producir un mapeo preciso de cultivos de arroz en una zona agrícola de pequeños propietarios en Calasparra, Murcia, España. Se consideran varios modelos para obtener el modelo más adecuado para cada elemento de la serie temporal utilizada; se realiza una clasificación basada en píxeles y se finaliza con un tratamiento estadístico. Los resultados altamente precisos obtenidos, especialmente en las fechas de mayor desarrollo vegetativo, indican los beneficios de utilizar datos de Sentinel-2 combinados con técnicas de Aprendizaje Automático para identificar cultivos de arroz. Cabe destacar que fue posible localizar áreas de cultivo de arroz con una precisión general del 94% y una desviación estándar del 1%, que podría aumentarse al 96% (+/-1%) si nos centramos en los meses del estado de mayor desarrollo del cultivo. Gracias a la metodología propuesta, las inspecciones en el lugar realizadas, el 5% de los archivos, han sido reemplazadas por evaluaciones de teledetección del 100% de los archivos de la temporada analizados. Además, ajustando los datos de entrada del modelo, es posible detectar parcelas improductivas o abandonadas.
Descripción
La Comisión Europea introduce el Control mediante el Monitoreo a través de nuevas tecnologías para gestionar los fondos de la Política Agrícola Común a través del Reglamento 2018/746. Los avances en teledetección han sido considerados una de estas nuevas tecnologías, principalmente desde que la Agencia Espacial Europea diseñó el Programa Copérnico. Los satélites Sentinel-1 (rango de radar) y Sentinel-2 (rango óptico) han sido diseñados para monitorear problemas agrícolas basados en las características que proporcionan. Los datos proporcionados por las misiones de Sentinel 2, junto con la aparición de diferentes disciplinas científicas en inteligencia artificial -especialmente aprendizaje automático- ofrecen la base perfecta para identificar y clasificar cualquier cultivo y su estado fenológico. Nuestra investigación se basa en desarrollar y evaluar un esquema de clasificación supervisada basada en píxeles para producir un mapeo preciso de cultivos de arroz en una zona agrícola de pequeños propietarios en Calasparra, Murcia, España. Se consideran varios modelos para obtener el modelo más adecuado para cada elemento de la serie temporal utilizada; se realiza una clasificación basada en píxeles y se finaliza con un tratamiento estadístico. Los resultados altamente precisos obtenidos, especialmente en las fechas de mayor desarrollo vegetativo, indican los beneficios de utilizar datos de Sentinel-2 combinados con técnicas de Aprendizaje Automático para identificar cultivos de arroz. Cabe destacar que fue posible localizar áreas de cultivo de arroz con una precisión general del 94% y una desviación estándar del 1%, que podría aumentarse al 96% (+/-1%) si nos centramos en los meses del estado de mayor desarrollo del cultivo. Gracias a la metodología propuesta, las inspecciones en el lugar realizadas, el 5% de los archivos, han sido reemplazadas por evaluaciones de teledetección del 100% de los archivos de la temporada analizados. Además, ajustando los datos de entrada del modelo, es posible detectar parcelas improductivas o abandonadas.