Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Resumen: Se presenta un procedimiento para generar mapas de calendario de cultivo y otras variables fenolgicas a
nivel de parcela de cuatro tipos de cultivo de regado (arroz, maz, girasol y tomate). El mtodo combina imgenes de
los sensores ASTER y MODIS en un entorno de anlisis de imgenes basado en objetos, y la aplicacin de tres curvas de
ajuste diferentes analizadas con el programa TIMESAT. Los resultados obtenidos tuvieron una exactitud media del 85%,
con valores entre el 92% en la estimacin de las fechas de emergencia y cosecha del arroz y el 69% en la estimacin de
la fecha de cosecha del tomate.
Palabras clave: cultivos de regado, curvas de ajuste, series temporales de NDVI, TIMESAT, eCognition developer.
Mapping of crop calendar events by object-based analysis of MODIS and ASTER images
Abstract: A method to generate crop calendar and phenology-related maps at a parcel level of four major irrigated crops
(rice, maize, sunflower and tomato) is shown. The method combines images from the ASTER and MODIS sensors in an
object-based image analysis framework, as well as testing of three different fitting curves by using the TIMESAT software.
Averaged estimation of calendar dates were 85%, from 92% in the estimation of emergence and harvest dates in rice to
69% in the case of harvest date in tomato.
Key words: irrigated crops, fitting curve, NDVI time-series, TIMESAT, eCognition developer.
*
Autor para la correspondencia: jmpena@ias.csic.es
parcela y el momento ptimo de aplicacin (Rojas Analysis). Las tcnicas OBIA permiten superar
etal., 2011), as como para ayudar a la toma de los problemas debidos a la heterogeneidad de
decisiones en poltica agraria con respecto a la ges- pxel y la variabilidad de los cultivos en el campo
tin de una regin agrcola (Pea-Barragn etal., (Blaschke, 2010), obteniendo informacin simul-
2008). tneamente de diferentes tipos de datos como va-
lores de pxel, informacin contextual, caracters-
Las variables fenolgicas citadas pueden ser esti-
ticas de objetos y vecindad y relaciones jerrquicas
madas en grandes reas de forma rentable y efi-
(Baatz y Schpe, 2000). En el proceso de clasifi-
ciente mediante el uso de tcnicas de teledeteccin
y el anlisis de series temporales de datos obteni- cacin, todos los pxeles del objeto se asignan a
das a partir de imgenes satlite de alta resolucin la misma clase, eliminando as el problema de la
temporal (Thenkabail, 2012), como las obtenidas variabilidad espectral y los pxeles mixtos. Las
por el sensor MODIS (Zhang etal., 2003). series temporales de imgenes NDVI del sensor
MODIS (alta resolucin temporal) en cada parce-
En cultivos de ciclo anual puede relacionarse el la identificada fueron utilizadas para determinar la
crecimiento y desarrollo vegetativo con la varia- curva de ajuste que mejor se adapta a cada tipo de
cin de la respuesta espectral a lo largo del tiempo, cultivo y parcela. Los objetivos especficos fueron
medida por ndices de vegetacin como el NDVI 1) determinar el mejor modelo y sus parmetros
(Beck etal., 2006). Existen diversos programas, de ajuste para cada cultivo estudiado, 2) generar
entre ellos TIMESAT, desarrollado por Jnsson y mapas de calendario de cultivo a nivel parcela en
Eklundh (2004), que analizan dichas series tempo- una amplia regin agrcola, evaluando la calidad
rales y ajustan los valores del ndice de vegetacin de las estimaciones de las fechas de inicio y fin
recibidos a una curva descrita mediante un modelo del ciclo del cultivo, y 3) generar mapas de cua-
matemtico local, corrigiendo los datos con rui- tro variables fenolgicas relacionadas con el ciclo
do y los debidos a la nubosidad. A partir de esta del cultivo segn la evolucin del ndice NDVI de
curva pueden obtenerse variables fenolgicas que cada parcela (crecimiento NDVI, decrecimiento
definen el calendario y desarrollo del cultivo, ta- NDVI, mximo NDVI e integral temporal NDVI).
les como las fechas del inicio y final del periodo
de crecimiento, fecha de mximo desarrollo vege-
tativo, fecha de cosecha del cultivo, velocidades 2.Material y Mtodos
de crecimiento y senescencia del cultivo, entre
otras. TIMESAT ha sido eficientemente utilizado 2.1.Zona de estudio
en imgenes AVHRR a escala continental y en
regiones forestales con imgenes MODIS (Gao El estudio se llev a cabo en una regin agrcola de
etal., 2008). Sin embargo, estos mtodos han sido 177.000hectreas situada en el Condado de Yolo
escasamente aplicados en regiones agrarias con di- (California, EE.UU.), con coordenadas centrales
versidad de cultivos, debido a la complejidad de X=584266, Y=4308980(UTM, zona 10N, Datum
combinar informacin espectral y espacial de cada NAD83) (Figura1). Esta regin cuenta con un cli-
cultivo, dada la ausencia de sensores que cuenten ma Mediterrneo, caracterizado por veranos secos
con la alta resolucin temporal necesaria para es- y clidos (mximas diarias de 38C) e inviernos
tos modelos y la suficiente resolucin espacial para fros (mximas diarias de 16C). Las lluvias se
delimitar parcelas individuales. concentran entre los meses de Noviembre y Marzo,
Por tanto, la novedad de este trabajo consisti en por lo que los cultivos de crecimiento estival son
desarrollar un procedimiento que permita obtener, en regado, generando en esa poca una fuerte de-
de manera automtica y sistemtica, informacin manda de agua en la regin. El estudio se centr
detallada y en formato vectorial del calendario de en los cuatro cultivos de regado de ciclo anual
cultivos a escala parcela en una elevada exten- ms abundantes en la zona: tomate, arroz, girasol
sin agrcola. Para ello, se han utilizado imgenes y maz. Estos cultivos ocupan el 35% de la super-
del satlite ASTER (con alta resolucin espacial) ficie cultivada en la zona, siendo el resto cultivos
para delimitar las parcelas existentes en la zona leosos de hoja caduca, praderas, alfalfa, cereales
de estudio mediante anlisis de imgenes basado de invierno y otros cultivos de menor importancia
en objetos (OBIA, del ingls Object-based Image (Yolo County Agriculture Department, 2006).
funcin gaussiana asimtrica y funcin doble logs- y se aplic para la generacin de mapas de calen-
tica) para ajustarse a la serie temporal de valores dario de cultivo (concretamente, fechas de inicio y
NDVI de cada tipo de cultivo y, por tanto, esti- fin del ciclo de cultivo) en cada una de las parce-
mar las fechas de inicio y fin de cada calendario las de los cultivos estudiados en la regin agrcola
de cultivo (Eklundh y Jnsson, 2012). El modelo considerada.
de filtro adaptado Savitzky-Golay utiliza funciones A partir de la curva de ajuste seleccionada para
polinmicas locales para suavizar los datos de la cada cultivo, pueden estimarse otras variables re-
serie temporal y suprimir las perturbaciones, susti- lacionadas con la fenolgica del cultivo y, por tan-
tuyendo cada uno de los datos por una combinacin to, generar mapas de dichas variables (Eklundh y
lineal de valores vecinos dentro de una ventana de- Jnsson, 2012). En este trabajo se seleccionaron
finida por el usuario. Este mtodo permite ajustar dos variables relacionados con la productividad del
bien pequeas fluctuaciones en los datos, siendo cultivo: 1) el valor mximo de la curva (valor mxi-
tambin el ms sensible al ruido (Tan etal., 2011). mo del NDVI) y 2) la integral total de la misma
Por otro lado, las funciones gaussiana asimtrica y (integral entre NDVI y la duracin del cultivo); y
doble logstica utilizan funciones semi-locales no dos variables relacionadas con la velocidad de cre-
lineales que consiguen un buen ajuste de las series cimiento y de senescencia del cultivo: 3) la pen-
temporales alrededor de los mximos y mnimos, diente de crecimiento, obtenida de la derivada de
siendo muy adecuados para describir la forma de la la curva desde 20% del inicio de crecimiento hasta
curva alrededor de los datos extremos. De acuerdo alcanzar el 80% del mximo, y 4) la pendiente de
con Gao etal. (2008), estas dos funciones son muy decrecimiento, obtenida de la derivada de la curva
similares en rendimiento, aunque la funcin gaus- desde el 80% del valor mximo hasta el 20% del
siana asimtrica funciona mejor con datos de series total de decrecimiento (Jnsson y Eklundh, 2004).
incompletas.
Las curvas de ajuste y los parmetros que mejor 2.4.Evaluacin de la metodologa
se adaptan a cada cultivo se determinaron con el
programa TIMESAT. Dichos parmetros de ajuste Se seleccion un 10% de las parcelas presentes en
fueron: 1) deteccin y ajuste de mximos (spike la imagen para evaluar el procedimiento descrito.
method), nmero de estaciones (seasonal parame- La mitad de parcelas seleccionadas como verdad-
ter), nmero de iteraciones en el clculo de la curva terreno se utilizaron para definir la mejor curva de
(iterations) y adaptacin a los datos superiores en ajuste en cada cultivo y la otra mitad para evaluar la
el ajuste (adaptation strengh). El modelo de filtro exactitud de las fechas del calendario de cultivo es-
adaptado Savitzky-Golay tambin incluye un par- timadas. Los calendarios de cada cultivo se definie-
metro relativo al suavizado de los datos (windows ron a partir de consultas a agricultores y expertos de
size). La Figura2muestra un ejemplo de las curvas la zona, as como de la bibliografa especializada en
de ajuste de cada modelo analizado para una parce- la agricultura de la zona de estudio. Una parcela se
la de maz. Finalmente, se seleccion el mejor mo- consider bien clasificada si la diferencia entre las
delo y sus parmetros de ajuste para cada cultivo fechas estimadas y reales del calendario coincide
dentro de una ventana temporal de 7das.
3.Resultados y Discusin
Las curvas que mejor se ajustaron a las series
temporales de NDVI en cada cultivo fueron el fil-
tro adaptado Savitzky-Golay en tomate, girasol y
maz, y la funcin Doble Logstico en arroz. Los
parmetros de ajuste en cada caso se indican en la
Tabla 1. El filtro Savitzky-Golay se ajust mejor
a suaves variaciones de la serie de datos, lo cual
le confiere mayor capacidad de adaptacin en dis-
Figura 2. Curva de ajuste de cultivo de maz con los tres tintos tipos de cultivos. Por su parte, los modelos
modelos: Savitzky-Golay, Gaussiano y Doble Logstico. Doble Logstico y Gaussiano se basan en funciones
Parmetros de ajuste
Ajuste Nmero Nmero Adaptacin Suavizado de
Cultivo Modelo mximos estaciones Iteraciones superior datos
Tomate-Girasol-Maz Savitzky-Golay 0 0,5 2 1 10
Arroz Doble Logstico 1 0,5 2 3 n/a
a) b)
Figura 3. Mapas de calendario de cultivo para cada parcela individual de una regin agrcola en California: a) Fecha de emer-
gencia del cultivo, y b) Fecha de cosecha del cultivo.
asimtricas, dando buenos resultados en el caso del vlidas las estimaciones dentro de una ventana
arroz, donde el ajuste de la curva estuvo menos in- temporal de 7das. Los mejores resultados se ob-
fluenciado por cambios locales de la serie temporal tuvieron en arroz, con precisiones del 92% en la
de valores NDVI (Tan etal., 2011). estimacin de ambas fechas, seguido del girasol, el
maz y finalmente el tomate. El peor resultado se
Los parmetros de ajuste definidos en la tabla 1se obtuvo en la estimacin de la fecha de cosecha del
utilizaron en el programa TIMESAT para generar tomate, con una exactitud del 69%. En el caso del
los mapas de inicio y fin del calendario de cultivo maz, los resultados se pueden considerar menos
en las imgenes temporales MODIS-NDVI. Estos robustos debido al reducido nmero de parcelas de
mapas se exportaron al software de anlisis de ima- validacin utilizadas (13parcelas) en comparacin
gen eCognition Developer (Trimble GeoSpatial, con el resto de cultivos (entre 47y 65parcelas),
Munich, Alemania), junto a las imgenes ASTER como consecuencia de la menor presencia de este
clasificadas por tipos de cultivo. Finalmente, se cultivo en la zona de estudio. En los cuatro cultivos
generaron los mapas de calendario a nivel parcela estudiados, la fecha de emergencia del cultivo se
combinando ambos tipos de imgenes y aplicando
la curva de ajuste que corresponda a cada tipo de
cultivo. En la Figura3se representa una parte de la Tabla 2. Evaluacin de la exactitud de la estimacin de las
zona de estudio con las fechas medias de emergen- fechas de emergencia y cosecha del calendario de cultivo.
cia y cosecha de cada parcela de cultivo estudiada. Parcelas de Exactitud
El ajuste de los modelos seleccionados al calenda- Cultivo validacin Fecha inicio Fecha final
rio real de los cultivos de la zona fue bastante pre- Maz 13 85% 77%
Arroz 65 92% 92%
ciso (Tabla2), con exactitudes superiores al 85%
Girasol 47 91% 85%
en la mayora de los casos, considerando como Tomate 65 88% 69%
estim con mayor precisin que la fecha de cose- en la Tabla1. A partir de los mapas obtenidos, se
cha, con exactitudes medias del 89% y del 81%, determinaron los valores medios del calendario de
respectivamente. cultivo, con las fechas de inicio y fin, as como los
parmetros fenolgicos de cada cultivo (Tabla3).
La Figura4recoge la misma zona de estudio que la
Los parmetros estudiados se relacionan con la
figura anterior y muestra mapas de parmetros fe-
dinmica del cultivo y permiten obtener una esti-
nolgicos relacionados con la dinmica de los culti- macin de su productividad potencial en cada par-
vos en cada parcela individual. Estos mapas fueron cela (Jnsson y Eklundh, 2004; Wang etal., 2004).
obtenidos con el mismo procedimiento que los de Por ejemplo, la pendiente izquierda de la curva de
emergencia y cosecha del cultivo, seleccionando los valores de NDVI indican un crecimiento rpi-
en el programa TIMESAT los parmetros definidos do o lento al inicio del ciclo del cultivo y, por su
a) b)
c) d)
Figura 4. Parmetros de fenologa para cada parcela individual de una regin agrcola en California: a) Pendiente de creci-
miento NDVI, b) Pendiente de decrecimiento NDVI, c) Mximo valor de NDVI, y d) Integral entre NDVI y duracin del
cultivo.
Tabla 3. Valores medios del calendario de cultivo (fecha de inicio y fin) y de los parmetros de fenologa de cada cultivo
estudiado.
parte, la pendiente derecha representa la velocidad cultivo y su productividad potencial en cada par-
de senescencia del cultivo antes de la fecha de la cela, mediante el estudio de la curva temporal del
cosecha (Jnsson y Eklundh, 2004). Asimismo, al- NDVI.
gunos autores han utilizado los valores de NDVI La informacin obtenida se puede exportar en for-
acumulados estacionales (integral temporal del mato vectorial o tabulado, lo que permite su uti-
NDVI) como medida de la produccin primaria lizacin posterior en combinacin con otros datos
neta (White, Thornton, y Correr, 1997). Entre los agronmicos de cada parcela en mltiples aplica-
cultivos estudiados, se observ una mayor tasa de ciones, tales como los modelos de estimacin del
crecimiento vegetativo y velocidad de senescencia balance de gases de efecto invernadero a escala
del cultivo del arroz (0,11y 0,08, respectivamente), regional o la estimacin de necesidades de riego
casi el doble que en maz, girasol y tomate. Entre en cada parcela, lo cual es posible gracias al em-
las variables relacionadas con la productividad po- pleo de tcnicas de anlisis de imgenes basadas
tencial del cultivo, el arroz tambin obtuvo los va- en objetos.
lores ms elevados tanto del mximo NDVI (0,86)
como de la integral NDVI-tiempo (6,7), segui-
do de maz (0,68y 6,5, respectivamente), girasol Agradecimientos
(0,67y 6,0, respectivamente) y tomate (0,64y 5,8, Este trabajo fue financiado por un proyecto de la
respectivamente). Fundacin Kearny de Ciencias del Suelo de la
Las ventajas de este mtodo de anlisis de ima- Universidad de California - Davis. El trabajo del
gen basado en objetos frente a los convencionales Dr. Jos M. Pea fue financiado por un contrato
basados en pxeles redundan en la posibilidad de postdoctoral del programa MEC-Fulbright, finan-
analizar cada parcela individualmente y exportar ciado por la Secretara de Estado e Investigacin
automticamente toda la informacin de cada ob- del Ministerio Espaol de Ciencia e Innovacin.
jeto en forma vectorial y/o tabulada, incluyendo no Las imgenes ASTER y MODIS se obtuvieron de
slo la informacin espectral que caracteriza cada la plataforma NASA-EOS a travs de una afiliacin
parcela sino tambin sus coordenadas geogrficas, de investigacin.
lindes, reas y parmetros contextuales, texturales
y morfomtricos, entre otros.
Referencias
Baatz, M., Schpe, A., 2000. Angewandte Geographische
4.Conclusiones Informationsverarbeitung XII (Vol. XII, pp. 12-
Se generaron mapas de calendario de cultivos a es- 23). Presentado en Beitrge zum AGIT Symposium,
cala parcela con alta precisin a partir de la com- Salzburg (Austria): J. Strbl (Ed.). Karlsruhe, Herbert
binacin de imgenes ASTER, con adecuada reso- Wichmann Verlag.
Beck, P.S.A., Atzberger, C., Hgda, K.A., Johansen,
lucin espacial para la identificacin de parcelas, e
B., Skidmore, A.K. 2006. Improved monitoring
imgenes MODIS-NDVI, con resolucin temporal
of vegetation dynamics at very high latitudes: A
diaria para la obtencin de series de datos del ndi- new method using MODIS NDVI. Remote Sensing
ce NDVI, as como el uso de curvas de ajuste con of Environment, 100(3): 321-334. doi:10.1016/j.
el programa TIMESAT. Asimismo, se obtuvieron rse.2005.10.021
datos relacionados con el ciclo de desarrollo del
Blaschke, T. 2010. Object based image analysis for Tan, B., Morisette, J.T., Wolfe, R.E., Gao, F., Ederer, G.
remote sensing. ISPRS Journal of Photogrammetry A., Nightingale, J., Pedelty, J.A. 2011. An Enhanced
and Remote Sensing, 65(1): 2-16. doi:10.1016/j. TIMESAT Algorithm for Estimating Vegetation
isprsjprs.2009.06.004 Phenology Metrics From MODIS Data. IEEE Journal
Eklundh, L., Jnsson, P. 2012. TIMESAT 3.1- Software of Selected Topics in Applied Earth Observations
Manual. In Lund University web page. ltimo acceso: and Remote Sensing, 4(2): 361-371. doi:10.1109/
8de Marzo, 2014, de http://www.nateko.lu.se/timesat/ JSTARS.2010.2075916
docs/timesat3_1_1_SoftwareManual.pdf Thenkabail, P.S., Knox, J.W., Ozdogan, M., Gumma, M.
Gao, F., Morisette, J.T., Wolfe, R.E., Ederer, G., Pedelty, K., Congalton, R.G., Wu, Z., Miseli, C., Finkral, A.,
J., Masuoka, E., Myneni, R., Tan, B., Nightingale, Marshall, M., Mariotto, I., You, S., Giri, C.P., Nagler,
J. 2008. An Algorithm to Produce Temporally and P.L. 2012. Assessing future risks to agricultural
Spatially Continuous MODIS-LAI Time Series. IEEE productivity, water resources and food security-
Geoscience and Remote Sensing Letters, 5(1): 60-64. how can remote sensing help? Photogrammetric
doi:10.1109/LGRS.2007.907971 Engineering and Remote Sensing, 78(8): 773-782.
IFA/FAO. 2001. Global Estimates of Gaseous Emissions Wang, J., Rich, P.M., Price, K.P., Kettle, W.D. 2004.
of NH3, NO, and N2O from Agricultural Land. In Relations between NDVI and tree productivity
International Fertilizer Industry Association and the in the central Great Plains. International
Food and Agriculture Organization of the United Journal of Remote Sensing, 25(16): 3127-3138.
Nations. ltimo acceso: 8de Marzo, 2013, de http:// doi:10.1080/0143116032000160499
www.fao.org/docrep/004/y2780e/y2780e00.htm Yolo County Agriculture Department. 2006. In Yolo
Jnsson, P., Eklundh, L. 2004. TIMESAT-a program County: Agricultural Crop Report- 2006. ltimo
for analyzing time-series of satellite sensor data. acceso: 23de Mayo, 2014, de http://www.yolocounty.
Computers and Geosciences, 30(8): 833-845. org/home/showdocument?id=4806
doi:10.1016/j.cageo.2004.05.006 Zhang, X., Friedl, M.A., Schaaf, C.B., Strahler, A.H.,
Pea-Barragn, J.M., Lpez-Granados, F., Garca-Torres, Hodges, J.C.F., Gao, F., Reed, B.C., Huete, A. 2003.
L., Jurado-Expsito, M., Snchez-de la Orden, M., Monitoring vegetation phenology using MODIS.
Garca-Ferrer, A. 2008. Discriminating cropping Remote Sensing of Environment, 84(3): 471-475.
systems and agro-environmental measuresbyremote doi:10.1016/S0034-4257(02)00135-9
sensing. Agronomy for Sustainable Development, Zhong, L., Gong, P., Biging, G.S. 2014. Efficient corn
28(2): 355-362. doi:10.1051/agro:2007049 and soybean mapping with temporal extendability: A
Pea-Barragn, J.M., Ngugi, M.K., Plant, R.E., Six, multi-year experiment using Landsat imagery. Remote
J. 2011. Object-based crop identification using Sensing of Environment, 140: 1-13. doi:10.1016/j.
multiple vegetation indices, textural features and crop rse.2013.08.023
phenology. Remote Sensing of Environment, 115(6):
1301-1316. doi:10.1016/j.rse.2011.01.009
Rojas, O., Vrieling, A., Rembold, F. 2011. Assessing
drought probability for agricultural areas in Africa
with coarse resolution remote sensing imagery.
Remote Sensing of Environment, 115(2): 343-352.
doi:10.1016/j.rse.2010.09.006