Está en la página 1de 5

ESPECIAL

Tecnologa satelital:
el futuro en clasificacin de cultivos de arroz
2

Samuel Fernando Mesa Giraldo1 Jos Levis Barn Valbuena2


1 Ingeniero Catastral y Geodesta. Especialista en Sistemas de Informacin Geogrfica, Consultor FEDEARROZ, samuelmeas@gmail.com Ingeniero Forestal. Especialista en Evaluacin Socioeconmica de Proyectos, Fondo Nacional del Arroz, investigaciones@fedearroz.com.co

Usando imgenes satelitales de alta resolucin espacial, Fedearroz lleva a cabo la clasificacin digital de las reas sembradas en Colombia
Figura 1. Metodologa de clasificacin digital para la identificacin de reas sembradas de arroz

ESPECIAL

Tecnologa satelital: el futuro en clasificacin de cultivos de arroz

aplicaciones enfocadas a tomar decisiones con base en la informacin geogrfica. La tecnologa de sensores remotos y sus tcnicas de procesamiento digital evolucionan con el objeto de suplir necesidades de adquisicin de informacin de forma continua, rpida y eficiente. Actualmente se disponen de sensores con mayores resoluciones, integracin de datos y desarrollo de herramientas con avanzados algoritmos. Generalmente, los mtodos tradicionales para la generacin de informacin implican la realizacin levantamientos directamente en campo, lo que a su vez incurre en mayores costos y tiempo en obtener resultados. La alternativa para obtener resultados rpidos, aceptables y flexibles lo constituye la tecnologa de la percepcin remota, la cual se viene implementado con xito en diferentes reas como aplicaciones ambientales, predicciones meteorolgicas, gestin del riesgo, seguridad y defensa militar, manejo de recursos naturales, planeacin y ordenamiento del territorio. En agricultura, los sensores remotos as como la integracin de los sistemas de informacin geogrfica y sistemas de navegacin satelital, han facilitado la formulacin e implementacin de planes de manejo y desarrollo de manera efectiva, que inicialmente eran dispendiosos de realizar, tales como gestin de riegos, evaluacin o prediccin de reas de cultivos y productividad y, en la toma de decisiones como soporte al manejo sostenible ambiental y econmico. Desde el lanzamiento del primer satlite de observacin de la tierra LANDSAT-1 en 1972 por la NASA, esta tecnologa ha sido usada ampliamente en sistemas agrcolas de varios pases del mundo (Van Niel y McVicar, 2001). De acuerdo con Van Niel y McVicar (2001) el uso de sensores remotos en agricultura se puede resumir en: identificacin de cultivos, estimacin del rea cultivada, prediccin de productividad, monitoreo del desarrollo de los cultivos, gestin de sistemas de riego y evaluacin de daos en los cultivos. El inventario y monitoreo de cultivos es una de las mayores aplicaciones de sensores remotos en la agricultura. Una de las tcnicas ms empleada, consiste en la interpretacin visual de fotografas areas para identificar coberturas de arroz, apoyndose principalmente en las variables de tono, textura y asociacin. Sin embargo, la falta de cobertura, esperas en la toma, la experiencia y el tiempo del proceso de fotointerpretacin, no permiten muchas veces tener un monitoreo constante de la evo-

lucin e identificacin de los cultivos. Una alternativa, consiste en usar imgenes de alta resolucin espacial para obtener datos con escalas similares a las capturadas por cmaras fotogramtricas, estos sensores alcanzan resoluciones que van desde 1 m (IKONOS, OrbView) hasta 60 cm (QuickBird, Geo-Eye), cubrimientos desde los 180 km2, resoluciones temporales que alcanzan hasta los 3 das y para efectos de interpretacin y anlisis digital, una resolucin espectral que comprende desde las 3 bandas del visible e infrarrojo cercano, hasta las 200 bandas como las obtenidas por el sensor OrbView-4.

FUNDAMENTOS DE PERCEPCIN REMOTA Y PROCESAMIENTO DIGITAL DE IMGENES


Con el desarrollo de la tecnologa de adquisicin de datos en forma digital, as como el avance y reduccin de costos de los sistemas de computacin, nace como un rea de la teledeteccin el procesamiento digital de imgenes que consiste de un conjunto de operaciones enfocadas a mejorar, corregir, transformar y clasificar los datos de sensores remotos en informacin til. El procesamiento digital involucra tambin un avance importante en algoritmos computacionales, integrando conceptos y desarrollos en diferentes reas como las matemticas, estadsticas, inteligencia artificial, visin por computador, reconocimiento de patrones, entre otros. Algunos de estos algoritmos comprenden el clculo de resmenes estadsticos como base para las mejoras visuales de contraste, el clculo de anlisis de componentes principales para la reduccin de dimensionalidad de datos, los algoritmos que se basan en las caractersticas de contexto como el clculo de filtros espaciales, textura o aquellos que se basan en las caractersticas espectrales como el clculo de ndices, ejemplo los ndices de vegetacin, la clasificacin digital de coberturas terrestres, que a su vez comprenden algoritmos como mnima distancia, paraleleppedo, mxima verosimilitud, redes neuronales artificiales, mquinas de vectores de soporte, rboles de decisin, lgica difusa, sistemas de expertos o clasificadores basados en segmentacin de imgenes. El principio de los sensores remotos se basa en el comportamiento de la energa electromagntica que interacta con la superficie terrestre y la atmsfera. Esta radiacin puede provenir de diferentes fuentes, la principal lo constituye la energa solar, emisin trmica, o tambin puede se producida por sensores como el radar

ESPECIAL

Tecnologa satelital: el futuro en clasificacin de cultivos de arroz Figura 2. Zona de estudio de USOSALDAA

rea de estudio
El Distrito de Riego del ro Saldaa se ubica al sur del departamento del Tolima, y comprende los municipios de Saldaa, Coyaima y Purificacin, zona que es regada por los ros Saldaa y Magdalena. La extensin de la zona de estudio se localiza entre las coordenadas planas de MAGNA-SIRGAS 879.500 a 914.400 metros Este y desde 909.500 a 935.400 metros Norte. Y las coordenadas geogrficas corresponden desde longitudes 750945.193W a 745053.18W y desde latitudes 34638.809N a 40040.641N (figura 2).

Datos, mtodos y herramientas


Para el anlisis de interpretacin por clasificacin digital, se utiliz una zona piloto de la imagen QuickBird, una imagen con dimensin de 2939 x 2171 y con una extensin total de 2.30 km2 (figura 3). Esta zona se seleccion con objeto de realizar la evaluacin de la clasificacin de reas sembradas de arroz y otras coberturas terrestres, de acuerdo al desarrollo fisiolgico del cultivo, cuya informacin es obtenida en das de crecimiento como la diferencia entre la fecha de captura de la imagen y fecha de siembra reportado en los censos o campaas 2006-B y 2007-A. La clasificacin digital de imgenes, es en cierta medida, similar a la fotointerpretacin, ya que requiere inicialmente de la identificacin de las categoras de cobertura terrestre presentes en la zona de estudio, de acuerdo con las variables visuales de tono, textura, forma, contexto, tamao, patrn, etc., luego se prosigue a la asignacin de las clases

Figura 3. Zona de estudio vista desde la imagen QuickBird RGB-321

ESPECIAL

Tecnologa satelital: el futuro en clasificacin de cultivos de arroz

seleccionadas en toda la imagen, y por ltimo se realiza una validacin de los resultados obtenidos. De esta manera los pasos generales seguidos en la clasificacin digital comprende: la definicin digital de categoras (fase de entrenamiento), agrupacin de los pxeles de toda la imagen en una de las categoras previamente definidas (fase de asignacin) y la comprobacin o verificacin de resultados (Gmez y Sotos, 2008). En la fase de entrenamiento se definieron muestras de las coberturas identificadas en la zona de estudio. Bsicamente se definieron ocho (8) clases de cobertura: cuerpos de agua, vas y construcciones, bosques y arbustos, terreno en preparacin 1, terreno en preparacin 2, cultivo de arroz de 1 a 30 das de edad, cultivo de arroz entre 31 a 60 das edad y cultivo de arroz con ms de 60 das de edad. El esquema utilizado en la clasificacin digital fue principalmente por mtodos supervisados, aunque se apoy el anlisis del comportamiento de las formas espectrales y seleccin de reas de entrenamiento a partir de esquemas no supervisados. La implementacin de la clasificacin digital incluye tambin la seleccin de un algoritmo computacional que permita asignar las coberturas terrestres definidas. Como el objetivo del proyecto consista en evaluar mtodos de clasificacin digital, se implementaron varias herramientas y algoritmos tales como la asignacin basada en pxel de redes neuronales artificiales en IDRISI Andes y la asignacin basada en regiones y objetos de mquinas de vectores de soporte en la herramienta de ENVI v4.5. Los algoritmos de clasificacin de redes neuronales artificiales, son

modelos matemticos simplificados que simulan la forma como el cerebro procesa la informacin, basado en la interrelacin (sinapsis) de cientos de unidades de cmputo denominadas neuronas. El clasificador implementado diferencia los conceptos de arquitectura de la red neuronal con respecto al algoritmo de entrenamiento utilizado. La clasificacin digital basada en objetos, recientemente tiene una gran aceptacin y desarrollo de algoritmos, aplicaciones y herramientas de procesamiento digital de imgenes satelitales como eCognition y ENVI FX (Feature Extraction). A diferencia de la clasificacin digital basad en el comportamiento espectral por pixel, el proceso incluye adicionalmente la generacin de objetos por medio de la segmentacin de imgenes, que bsicamente busca agrupar pxeles en regiones, que contiene una serie de atributos asociados, principalmente espectrales, espaciales y textura. Por ltimo se prosigue con las fases enunciadas de entrenamiento y asignacin, con la diferencia que se trabajan con algunos objetos y no con cientos de pxeles para realizar la clasificacin de coberturas (Navulur, 2007).

por defecto estas variables, adicional al comportamiento espectral de las coberturas terrestres seleccionadas. Los resultados del proceso de clasificacin digital para la identificacin de cultivos de arroz, a travs de las diferentes herramientas y algoritmos se observa en la figura 4. Como se puede observar en la figura 4, se entregan los resultados del proceso de clasificacin digital. Las figuras 4a y 4c, corresponden a la clasificacin digital basado en pxel y en objetos, respectivamente, y las figuras 4b y 4d, son el resultado de la post-clasificacin, que bsicamente consisti en la aplicacin de filtros de mayora y por ltimo, la asignacin a nivel predial, de la clase de cobertura con mayor extensin. La ltima etapa de la metodologa, consiste realizar la evaluacin y anlisis de la exactitud temtica, a travs de mtodos y reportes estadsticos. La evaluacin de exactitud temtica de la clasificacin se realiz con el software de Map Comparison Kit v3.0.6 - MCK, que permite comparar mltiples mapas temticos y obtener el resultado de exactitud temtica en toda la imagen. El mapa temtico de referencia se obtuvo a partir de la informacin de censos de Fedearroz e interpretacin visual. Para realizar el anlisis de evaluacin de exactitud temtica se deben exportar los datos a formatos raster. El estadstico y algoritmo empleado fue el ndice Kappa que realiza la comparacin celda por celda de la imagen de referencia en la imagen clasificada y verifica las coincidencias de las clases de cobertura. La salida estadstica de este algoritmo incluye la matriz de confusin, para analizar los errores de omisin, errores de comisin y estadstico Kappa (figura 5).

RESULTADOS OBTENIDOS
La aplicacin de la metodologa permite obtener varios resultados para la identificacin de cultivos de arroz a partir del uso de imgenes de satlite a travs de algoritmos de clasificacin digital. Primero resaltar la importancia de incluir la informacin contextual, en este caso se evalu la textura basada en la matriz de co-ocurrencia de niveles de grises (GLCM), para el caso del clasificador basado en pxel. Para la clasificacin basada en objetos se han incluido

10

ESPECIAL

Tecnologa satelital: el futuro en clasificacin de cultivos de arroz

El resultado de la evaluacin de exactitud temtica para el mapa de coberturas obtenido con el clasificador basado en pxel con el algoritmo de redes neuronales artificiales, logr una fraccin correcta del 72.8% y un Kappa del 66.0%. Estos errores de omisin y comisin entre clases, se debe principalmente a que la fase inicial o de crecimiento del arroz por su baja densidad en la vegetacin se presenta suelos desnudos. Igualmente entre las otras dos fases de crecimiento se presenta una similitud cuando las coberturas tienen edades muy cercanas.

algoritmo depende de una adecuada seleccin de las muestras. De manera similar diferentes estudios han corroborado que incluyendo datos texturales conjuntamente con los espectrales se mejora la precisin de la clasificacin, algunos de ellos incluye imgenes de media resolucin, como Landsat y SPOT, imgenes de sensores activos como el radar, tambin la combinacin entre datos de imgenes pticas y de radar, hasta imgenes de alta resolucin espacial (Presutti, 2004). Es importante recomendar en futuros trabajos, tener en cuenta la experiencia de algunos estudios revisados, al utilizar datos multitemporales siguiendo las fases de desarrollo de los cultivos de arroz, para lograr su correcta identificacin frente a otros tipos de vegetacin, principalmente los pastizales. Adems del desarrollo de aplicaciones en agricultura, especficamente con cultivos de arroz y datos de sensores pticos, tambin se reportan avances con otras tecnologas como el RADAR, cuya principal ventaja es que trabaja en diferentes condiciones atmosfricas y la iluminacin solar, adicional de contar con informacin adicional de los cultivos.

CONCLUSIONES
De forma general se puede concluir, que las exactitudes alcanzadas en el estudio, se fundamentan en el uso de datos contextuales en los clasificadores basados en objetos. Y de mayor importancia, es la definicin adecuada y cuidadosa de las reas de entrenamiento, sea por verificacin en campo o con registros de censos de Fedearroz, ya que en gran medida la exactitud de un

REFERENCIAS BIBLIOGRFICAS
BLASCHKE, Thomas; LANG, Stefan y HAY, Geoffrey. Object-Based Image Analysis: Spatial Concepts for Knowledge-Driven Remote Sensing Applications. Cap. 7.4, Support Vector Machine Classification for Object-Based Image Analysis, pag 663 677. Springer, 2008. ISBN: 978-540-77057-2. DARCO, Enzo; SEDA, Brummer; RIZZI, Rodrigo; FRIEDRICH, Bernardo; ALVES, Mauricio y ADAMI, Marcos. Geotecnologias na estimativa da rea plantada com arroz irrigado. Brasil: Instituto Nacional de Persquisas Espaciais, 2006. GMEZ, lavaro y SOTOS, lvaro. Clasificacin digital de imgenes por satlite. Sistemas de telemedida, 2008. NAVULUR, Kumar. Multispectral Image Analysis Using the Object-Oriented Paradigm. Estados Unidos: Taylor & Francis Gruop, CRC Press, 2007. ISBN-13: 978-1-42004306-8. PRESSUTI, Miriam. La matriz de co-ocurrencia en la clasificacin multiespectral: tutorial para la enseanza de medidas texturales en cursos universitarios. Argentiba: Facultad de Ciencias Agrarias y Forestales, Universidad Nacional de la Plata, 2004. SORYANI, M.; GHADERI, R. y HASHEMI KAMANGAR, M. Rice fields identification using multi-temporal satellite images. IRAN: Universidad de Mazandaran, 2005. Disponible en: Geomatics Map India. TSENG, Y.H; HSU, P.H. y CHEN, I.H. Automatic recognition of rice from multitemporal satellite images. Taiwn (China): National Cheng Kung University, 2007. VAN NIEL, Tom y McVICAR, Tim. Remote Sensing of rice-based irrigated agriculture: a review. Rice CRS: Cooperative Research Centre for Sustainable Rice Production, 2001.

12