INVESTIGADORES
GRILLI Mariano Pablo
congresos y reuniones científicas
Título:
DETECCION DE CULTIVOS EN LA REGION CENTRAL DE LA PROVINCIA DE CORDOBA MEDIANTE IMAGENES SATELITALES Y REDES NEURONALES
Autor/es:
MAS, G; BOCCO, M,; GRILLI, M.P.
Lugar:
Santa Fe
Reunión:
Congreso; X Congreso Argentino de Ingeniería Rural y II del MERCOSUR; 2009
Resumen:
<!--
/* Font Definitions */
@font-face
{font-family:TimesNewRomanPSMT;
panose-1:0 0 0 0 0 0 0 0 0 0;
mso-font-charset:0;
mso-generic-font-family:auto;
mso-font-format:other;
mso-font-pitch:auto;
mso-font-signature:3 0 0 0 1 0;}
/* Style Definitions */
p.MsoNormal, li.MsoNormal, div.MsoNormal
{mso-style-parent:"";
margin:0cm;
margin-bottom:.0001pt;
mso-pagination:widow-orphan;
font-size:12.0pt;
font-family:"Times New Roman";
mso-fareast-font-family:"Times New Roman";}
p.MsoBodyText, li.MsoBodyText, div.MsoBodyText
{margin:0cm;
margin-bottom:.0001pt;
mso-pagination:widow-orphan;
font-size:11.0pt;
mso-bidi-font-size:12.0pt;
font-family:Arial;
mso-fareast-font-family:"Times New Roman";}
@page Section1
{size:612.0pt 792.0pt;
margin:70.85pt 3.0cm 70.85pt 3.0cm;
mso-header-margin:36.0pt;
mso-footer-margin:36.0pt;
mso-paper-source:0;}
div.Section1
{page:Section1;}
-->
Las aplicaciones de la tecnología satelital en la
producción agropecuaria y el manejo de recursos naturales se ha incrementado
notablemente en las últimas dos décadas. Aparte del creciente uso de
dispositivos basados en la tecnología GPS, la clasificación de imágenes
satelitales para la detección de diversos tipos de cobertura de suelo está
cobrando gran importancia. Esta última técnica se está aplicando al monitoreo
de cultivos, pronóstico de rendimientos, evaluación de la desertización,
detección de infestaciones de diversas plagas, entre otras aplicaciones. Uno de
los algoritmos de clasificación más empleados, el de máxima verosimilitud (MV),
se basa en el cálculo de un vector medio y una matriz de covarianza para cada
clase espectral, cálculo que es posible si se dispone de un número elevado de
pixeles de cada clase para el entrenamiento. El método de Mínima Distancia a la Media (MDM) puede brindar
mejores resultados cuando la calidad de los sitios de entrenamiento es baja (si
presentan alta variabilidad). En situaciones donde esto no se cumple, los
resultados arrojados por este algoritmo suelen ser pobres, y otros métodos de
clasificación resultan más convenientes (Uma Shankar, 2007). Las redes
neuronales (RN) están cobrando cada vez mayor relevancia en el procesamiento de
imágenes satelitales, debido a su eficiencia, a la posibilidad de reducir los
datos necesarios para el entrenamiento y a que no dependen de supuestos
estadísticos sobre la distribución de los datos (Jarvis y Stuart, 1996). Existe una amplia diversidad de modelos de RN que han
sido aplicados en la clasificación de imágenes: perceptrón multicapa feed-forward (Kaul y col., 2005); mapas de Kohonen (Tissari y col., 2007); RN
de función radial de base (Murnion y Kubo, 1998); RN en diamante binario
(Murnion, 1996). La detección de cultivos
en la Región Pampeana
utilizando imágenes satelitales es una herramienta cuya importancia se ha
incrementado en las últimas dos décadas y la aplicación de RN para este fin se
ha iniciado recientemente en la región (Bocco y col., 2007). El objetivo de este trabajo es estudiar la aptitud de
diferentes modelos de RN para detectar lotes cultivados con trigo en la región
central de la provincia de Córdoba y compararlos con las técnicas de
clasificación MV y MDM. Se emplearon tres imágenes Landsat 5 TM
correspondientes a marzo, septiembre y noviembre de 2005. Utilizando el
software Idrisi Andes (Clark Labs, Clark University, Worcester, EEUU, 2006) se
realizaron clasificaciones supervisadas aplicando los métodos de MV y MDM y RN
del tipo MLP de diversa arquitectura, empleando las mismos sitios de
entrenamiento en todos los casos. Los primeros resultados muestran que las
clasificaciones con MLP produjeron mapas con mayor precisión global superior al
90% en todos los modelos, frente a 87% para MDM y 58% para MV. Las precisiones
de usuario (PU) y de productor (PP) en los mapas obtenidos mediante MLP fueron
uniformes, entre 82 y 85%, mientras que los mapas producidos con MV y MDM
presentaron mayor disparidad (MDM: PU = 81%, PP = 62%; MV: PU = 37%, PP = 95%).