Clasificación de Cereales de Invierno utilizando Imágenes Satelitales y Técnicas de Aprendizaje de Máquina

GISELA NOELIA REVOLLO SARMIENTO; BRUNO PAZOS; NELLY SALOMÓN; CLAUDIO DELRIEUX

Workshop; XVIII Workshop on Information Processing and Control; 2019

UNS

El sector agropecuario representa en la actualidad uno de los pilares productivos de la economía nacional. En este aspecto, es clave la detección y clasificación de cereales de invierno para estimar el rinde y la producción obtenida en cada campaña agrícola y, así poder enfrentar los desafíos de alta demanda de productos para el mercado interno y la exportación. En Argentina, esta tarea desarrollada por el ministerio de Agroindustria es laboriosa, consume tiempo y altos costos. Sin embargo, es desarrollada en regiones altamente productivas (p.e., SO de la región pampeana, SE de Cba, etc) y no en zonas periféricas del país. La creciente competitividad del sector exige la permanente adopción de tecnologías que mejoren la eficiencia en la gestión agropecuaria. El monitoreo con imágenes de sensores remotos es una tecnología que permite obtener información de los cultivos para la obtención de estimaciones y predicciones que mejoran las prospectivas productivas del país. En esta primera etapa de investigación, se clasificó trigo vs. cebada en imágenes multiespectrales Landsat8. Se implementaron dos algoritmos de aprendizaje de maquina (SVC) y (ETC), en ambos modelos la precisión global obtenida supera el 94 %. El objetivo general es extender estos resultados a una mayor región agroproductiva (Bs. As. y La Pampa) y a la estimación de rindes y producción.