Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Identification of Phenological Stages of Sugarcane Cultivation Using Sentinel-2 Images
Identification of Phenological Stages of Sugarcane Cultivation Using Sentinel-2 Images
net/publication/350535319
CITATIONS READS
0 158
4 authors:
Some of the authors of this publication are also working on these related projects:
All content following this page was uploaded by Himer Avila-George on 12 August 2021.
Sentinel-2 images
Humberto Cruz-Sanabria, María Guadalupe Sánchez
Departamento de Sistemas y Computación, TecNM - Instituto Tecnológico de Ciudad Guzmán,
Ciudad Guzmán, Jalisco, México.
{humbertoM19291006,msanchez}@itcg.edu.mx
Himer Avila-George
Departamento de Ciencias Computacionales e Ingenierías, Universidad de Guadalajara,
Ameca, Jalisco, México.
himer.avila@academicos.udg.mx
Resumen—La caña de azúcar es un cultivo de gran importancia technique with k = 10 iterations. The results show that the method
comercial y económica en más de 130 países incluido México. Uno Random Forest achieves an accuracy = 92.45 %, which is the best
de los principales problemas al cual se enfrentan los productores suited to identify the growth stages of sugarcane crops.
de caña de azúcar es como mejorar el rendimiento del cultivo.
Para poder desarrollar nuevas técnicas que puedan mejorar Keywords - Sugarcane, Sentinel-2, Spectral vegetation index,
el rendimiento del cultivo de caña de azúcar, es clave poder Supervised classification, Phenological phases.
identificar las etapas críticas de crecimiento y que se puedan
tomar decisiones oportunas. En este artículo, se presenta un I. I NTRODUCCIÓN
método para identificar las etapas fenológicas de cultivos de En México, el cultivo de caña de azúcar es de gran impor-
caña de azúcar usando datos del sensor MultiSpectral Instrument
a bordo del satélite Sentinel-2. Para el desarrollo del método tancia comercial y económica; su principal uso es la produc-
propuesto, se evaluaron los métodos de clasificación: k-Nearest ción de azúcar, aunque también se utiliza en la fabricación
Neighbors, Random Forest, Support Vector Machine y Naïve de papel, abono, alimento para animales y alcohol [1]. Un
Bayes usando como datos de entrada series temporales de cinco problema que ha prevalecido en los últimos 35 años, es como
índices de vegetación; los resultados se validaron utilizando la mejorar la tasa de crecimiento del cultivo la cual sólo ha au-
técnica de validación cruzada con k = 10 iteraciones. Los
resultados muestran que la técnica Random Forest logra un mentado en un 2.4 % [2]. De acuerdo con el Comité Nacional
accuracy = 92.45 siendo la que mejor se adecua al proceso para el Desarrollo Sustentable de la Caña de Azúcar (CONA-
de identificación de las etapas de crecimiento de cultivos de caña DESUCA), es necesario implementar mejoras tecnológicas,
de azúcar. desde la preparación del terreno, siembra, labores y prácticas
culturales [3]. Por lo tanto, es fundamental comprender como
Palabras clave - Caña de azúcar, Sentinel-2,Índices espectrales,
clasificación supervisada, etapas fenológicas. las plantas perciben y responden a su entorno, así como los
cambios morfológicos y anatómicos que se presentan durante
Abstract—Sugarcane is a crop of great commercial and economic su desarrollo. Para poder analizar los cambios morfológicos
importance in over 130 countries, including Mexico. One of the y anatómicos en las plantas de caña de azúcar, es necesario
main problems faced by sugarcane producers is how to improve the identificar las diferentes etapas fenológicas del ciclo de vida
yield of the crop. In order to develop new techniques that can impro-
ve the yield of the sugarcane crop, it is key to be able to identify the de la planta, esto permite el reconocimiento de etapas críticas
critical stages of growth and to be able to make timely decisions. In que pueden ayudar en el desarrollo de medidas para mejorar el
this paper, a method is presented to identify the phenological stages rendimiento del cultivo [4]; lo anterior se puede llevar a cabo
of sugarcane crops using data from the MultiSpectral Instrument a través del análisis de los datos obtenidos desde los satélites.
sensor onboard the Sentinel-2 satellite. For the development of Desde la década de los 70, con el lanzamiento del primer
the proposed method, classification some methods were evaluated:
k-Nearest Neighbors, Random Forest, Support Vector Machine, and satélite de la serie LandSat, las técnicas de teledetección han
Naïve Bayes. Also, time series of five vegetation indices were used sido usadas para el monitorio del desarrollo vegetativo y
as input data; the results were validated using the cross-validation salud de los cultivos agrícolas. A partir de ese año, se han
Figura 3. Series temporales de los índices de vegetación NDVI, GNDVI, SAVI, PVI y LAI.
TABLA IV. R ESULTADOS DE LA CLASIFICACIÓN CONSIDERANDO LAS desarrollo nos permitirá mapas de salud vegetal para caña de
MEJORES CARACTERÍSTICAS azúcar y se contará con la metodología para escalar el análisis
de otros cultivos en el Estado de Jalisco.
Métrica KNN-5 RF SVM NB
Accuracy 84.906 92.453 83.019 83.019
Precision 0.845 0.926 0.826 0.847 R EFERENCIAS
Recall 0.849 0.925 0.830 0.830
F-Measure 0.843 0.923 0.820 0.828 [1] F. C. Gómez-Merino, L. I. Trejo-Téllez, J. Salazar-Ortiz, J. A. Pérez-
Sato, H. E. Sentíes-Herrera, J. J. Bello-Bello, and N. Aguilar-Rivera,
“La diversificación de la agroindustria azucarera como estrategia para
México,” Agroproductividad, vol. 10, no. 11, pp. 7–12, 2017.
proporcionaron mejores resultados con la selección de éstas [2] N. Aguilar Rivera, “Ficha técnica del cultivo de la caña de azúcar
características. (saccharum officinarum l.),” pp. 1–20, 2015, secretaría de Agricultura,
Ganadería, Desarrollo Rural, Pesca y Alimentación.
[3] CONADESUCA, “Agenda nacional de investigación, innovación y trans-
V. C ONCLUSIONES ferencia de tecnología de la caña de azúcar,” CONADESUCA, Tech.
Rep., 2017.
En éste artículo, se presentó un método para identificar [4] L. Endres, C. Moura dos Santos, G. Verissimo de Souza, M. Menossi,
las etapas fenológicas de cultivos de caña de azúcar usando J. C. Marcelino dos Santos et al., “Morphological changes recorded in
datos del sensor MultiSpectral Instrument a bordo del saté- different phenophases of sugarcane plants subjected to water stress in
tropical field conditions,” Australian Journal of Crop Science, vol. 12,
lite Sentinel-2. Para el desarrollo del método propuesto, se no. 7, p. 1041, 2018.
evaluaron los métodos de clasificación: k-Nearest Neighbors, [5] J. Delegido, A. Pezzola, A. Casella, C. Winschel, E. Urrego, J. Jimenez,
Random Forest, Support Vector Machine y Naïve Bayes usando G. Soria, J. Sobrino, and J. Moreno, “Estimación del grado de severidad
de incendios en el sur de la provincia de Buenos Aires, Argentina,
como datos de entrada series temporales de cinco índices de usando Sentinel-2 y su comparación con Landsat-8,” Revista de Telede-
vegetación. Se llevó a cabo un proceso de selección de las tección, no. 51, pp. 47–60, 2018.
mejores características y se logró mantener el comportamiento [6] G. McCollam, “Correlating nitrogen application rates in sugarcane with
low-cost normalized difference vegetation index (NDVI),” Ellendale
de exactitud con solo seis de las 15 características, lo cual Farms LLC, Tech. Rep. FS14-282, 2018.
influye positivamente en la cantidad de datos a procesar. [7] P. Sanseechan, K. Saengprachathanarug, J. Posom, S. Wongpichet,
Los resultados indican que el clasificador Random Forest C. Chea, and M. Wongphati, “Use of vegetation indices in monitoring
sugarcane white leaf disease symptoms in sugarcane field using mul-
logra un F − measure = 0.923, siendo éste el que mejor se tispectral uav aerial imagery,” in IOP Conference Series: Earth and
ajusta al proceso de identificación de las etapas de crecimiento Environmental Science, vol. 301, no. 1. IOP Publishing, 2019, p.
de cultivos de caña de azúcar. La caracterización del estado 012025.
fenológico es una etapa clave para realizar el monitoreo de [8] M. Wang, Z. Liu, M. H. A. Baig, Y. Wang, Y. Li, and Y. Chen, “Mapping
sugarcane in complex landscapes by integrating multi-temporal Sentinel-
cultivos para identificar presencia de plagas, deficiencias de 2 images and machine learning algorithms,” Land Use Policy, vol. 88,
nutrientes a nivel de suelo y cultivo, debido a los cambios p. 104190, 2019.
en la respuesta espectral que se realzan con los índices de [9] F. Henry, D. E. Herwindiati, S. Mulyono, and J. Hendryli, “Sugarcane
land classification with satellite imagery using logistic regression mo-
vegetación. del,” in IOP conference series: materials science and engineering, vol.
Como trabajo futuro se implementará la sinergia de desa- 185, 2017, p. 012024.
rrollos tecnológicas previos realizados como la adaptación de [10] E. M. Abdel-Rahman and F. B. Ahmed, “The application of remote
sensing techniques to sugarcane (Saccharum spp. hybrid) production:
los requerimientos básicos para caña para la aplicación PulAm a review of the literature,” International Journal of Remote Sensing,
[38] y la cadena de procesado de imágenes Sentinel-2 [39]. El vol. 29, no. 13, pp. 3753–3767, 2008.