Una tarea habitual en la agricultura es la de clasificar los tipos de cultivos en la cubierta terrestre de un campo, región o país. El objetivo de la tarea es crear un mapa/imagen en el que se sepa qué cultivo hay en cada punto del mismo. Esta información es básica para comprender la distribución del uso del agua, anticipando posibles riesgos de escasez de agua y el consiguiente peligro de inseguridad alimentaria. También se usa con fines estadísticos y de mercado, por ejemplo, para saber qué cultivo es más común en un determinado lugar y para estimar de forma aproximada qué precios tendrá un determinado cultivo tras la próxima cosecha.
Clasificación de cultivos mediante teledetección
En el pasado, este tipo de tareas era mucho más costosas en lo que respecta al tiempo, debido a la falta de tecnología. Sin embargo, la creciente popularidad de las imágenes de satélite y sus múltiples usos han hecho de este sistema el más adecuado y usado para la clasificación de los cultivos industriales. La teledetección permite cartografiar la cubierta terrestre con rapidez y eficacia.
No obstante, a pesar de su potencia y facilidad de uso, a día de hoy los datos se combinan con datos sobre el terreno, ya que en algunos casos la fiabilidad no es absoluta debido a las distintas clases de un mismo cultivo y las peculiaridades de la región. Por ejemplo, en Asia Central hay muy poca información fiable sobre los cultivos de la región y las variantes de cada uno de ellos, por lo que para crear una base de datos fiable hace falta recoger una gran cantidad de muestras de distintos tipos de cultivos en varias zonas de cultivo de la región.
¿Qué se consigue con la clasificación de cultivos?
Como se explicaba anteriormente, la clasificación de los cultivos agrícolas tiene varios objetivos. El más básico de ellos es el de la propia clasificación en sí de las tierras agrícolas, cómo se distribuyen los cultivos en ellas y en qué porcentaje. Esto ayuda a llevar a cabo una gestión del uso de la tierra mucho más fácil y eficiente, además de favorecer un uso de los recursos naturales mucho más sostenible y acertado.
Yendo un paso más allá, la clasificación de los tipos de cultivos de un campo permite llevar un exhaustivo registro sobre cómo se está realizando la rotación de cultivos en el campo y realizar los ajustes pertinentes. También se usa para la elaboración de inventarios agrícolas y estimar el rendimiento, que, en última instancia, permitirá conocer en qué valores se moverán los precios en el mercado. Por último, esta técnica también es usada para obtener una mayor transparencia en la validación de las solicitudes de compensación al seguro.
Ventajas de realizar la clasificación de cultivos con el enfoque satelital
El desconocimiento en el funcionamiento de los satélites puede hacer que se encuentren problemas donde realmente no los hay. Por ejemplo, es cierto que las imágenes ópticas se ven afectadas por fenómenos como las nubes o la niebla, lo que dificulta la obtención de datos; sin embargo, los radares de apertura sintética (SAR) no necesita luz solar reflejada para funcionar, por lo que la combinación de datos SAR e imágenes ópticas permite obtener información con poca visibilidad o incluso de noche.
Otra frase errónea que se suele escuchar es que cada satélite sólo puede tomar imágenes de un área limitada cada vez. La realidad es que gracias a algoritmos de aprendizaje profundo entrenados en la segmentación basada en píxeles se pueden obtener más datos en menos tiempo. De esta manera, la clasificación de los cultivos puede llevarse a cabo mucho más rápidamente y de forma precisa.
Caso de estudio: Detección de la caña de azúcar en Brasil
Este caso de estudio, realizado por EOS Data Analytics tenía 2 objetivos: por un lado, la clasificación de los molinos de caña de azúcar en Brasil; por otro lado, la detección de la superficie cosechada.
Para la clasificación, primero se combinaron datos sobre el terreno e imágenes de Sentinel-1, Sentinel-2 y MODIS-Terra para crear un conjunto de datos etiquetados con los que entrenar los modelos de aprendizaje profundo. Se probaron 2 modelos: un modelo Conv-LSTM y otro de redes neuronales recurrentes bidireccionales basadas en LSTM. El primero consiguió mayor precisión (94%), gracias a la mezcla de redes convolucionales y de memoria a corto plazo, y se usó para analizar datos de series temporales.
En lo relativo a la detección, se usaron el radar Sentinel-1 Single Look Complex e imágenes ópticas de Sentinel-2. Los datos se analizaron con el índice NDVI, sabiendo que si su valor cae de forma repentina y se mantiene durante un largo periodo de tiempo es que el campo ha sido cosechado. A la hora de mostrar los resultados se establecieron 3 opciones: no cosechado, parcialmente cosechado y totalmente cosechado. Los resultados de los 2 algoritmos usados coincidieron con los datos reales en más de un 90% cada uno, siendo aquel basado en datos ópticos el más preciso.
Este estudio demuestra que el uso de la teledetección dio unos excelentes resultados y facilitaron enormemente la labor.
