ANÁLISIS DE IMÁGENES MULTIESPECTRALES PARA LA IDENTIFICACIÓN DE REGIONES EN CUADROS PRODUCTIVOS DE CAÑA DE AZÚCAR

SOLANO, AGUSTIN; HADAD, ALEJANDRO

Corrientes

Congreso; XXI Jornadas de Jóvenes Investigadores de AUGM; 2013

Asociación de Universidades Grupo Montevideo

En el presente trabajo se realiza la caracterización de la problemática del estado de la caña de azúcar previo a la cosechaa través de imágenes multiespectrales y el análisis de las variables descriptivas más significativas a fin de complementarel uso del NDVI (Índice de vegetación de diferencia normalizada) para la identificación de los diferentes estados de lacaña de azúcar.Se contó con un set de imágenes obtenido por el Instituto Nacional de Tecnología Agropecuaria (INTA) de Argentina.Las imágenes fueron adquiridas en tres bandas del espectro electromagnético: verde (530-580 nm.), roja (650-685 nm.)e infrarroja cercana (770-830 nm.) con una resolución de imagen de 1920 x 1075 pixeles. Con la asistencia de unIngeniero Agrónomo se realizó el etiquetado de las imágenes en las clases de interés delimitando en las imágenesporciones representativas de las clases Caña en Pie (CP), Caña Caída en Forma de Parches (CCP), Caña Caída en ÁreasGrandes (CCA), Caña Caída con Fototropismo (CCF) y Corridas o áreas de suelo descubierto (C). Además, con loscanales correspondientes a las bandas del infrarrojo y del rojo se obtuvo el NDVI.Cada imagen completa fue analizada mediante ventanas de 11x11 píxeles de donde se obtuvieron 12 parámetros detextura: entropía, desvío estándar y media por cada canal de la imagen (Infrarrojo, Rojo y Verde) y los mismos tresparámetros de la imagen NDVI.Se decidió realizar el análisis de los datos mediante la aplicación de Árboles de Decisión, un modelo de predicciónbasado en inferencia inductiva que permite identificar ejemplos en una de varias de categorías posibles. Para aplicar elalgoritmo del árbol los datos fueron normalizados y se armaron subconjuntos de entrenamiento y de testeo, eligiendoejemplos al azar de los conjuntos de CP, CC y C.Se entrenaron 10 árboles de decisión con distintos ejemplos de entrenamiento y testeo para luego graficar 10 curvas deporcentajes de aciertos en función de la cantidad de cortes efectuados al árbol y además una curva de aciertos promedio.Se observó que con el árbol completo, sin prácticamente ningún corte, el porcentaje de error fue levemente inferior quecuando se le efectuaron entre 5 y 10 cortes. Con 10 cortes se obtuvo el máximo de aciertos. Con excesiva cantidad decortes en relación al tamaño del árbol éste perdió la capacidad de identificación y el porcentaje de aciertos cayóabruptamente.Se analizó la mecánica de identificación en un árbol particular con un corte de 24 niveles, con un porcentaje de aciertosdel 81%, y finalmente, se evaluaron cuáles fueron los atributos más influyentes a la hora de analizar los distintosejemplos e identificar el tipo de clase a la que pertenecían.Se concluye que los descriptores de textura con mayor capacidad de discriminación entre patrones de caña de azúcarfueron los asociados a los presentes en el canal Rojo de la imagen multiespectral, siendo de particular importancia laentropía y el desvío estándar. En segundo lugar comienzan a aparecer los descriptores de textura del canal Infrarrojo. Seobserva que la mayor cantidad de información está contenida en los mismos canales considerados por el indicadorNDVI pero desde el punto de vista geométrico. Finalmente se incorpora la información del canal Verde y lasvariaciones del NDVI.Mediante el análisis realizado se ha podido mensurar y jerarquizar la importancia de la incorporación de nuevosdescriptores para evaluar el estado del cultivo.