Incorporación de tecnología para la caracterización del estado del cultivo de caña de azúcar

SOLANO, AGUSTIN; HADAD, ALEJANDRO; KEMERER, ALEJANDRA

Buenos Aires

Congreso; Congreso de Ciencias Ambientales COPIME; 2015

En el presente trabajo, a partir del análisis de imágenes aéreasmultiespectrales de campos cultivados con caña de azúcar, se estudió larespuesta espectral del cultivo en distintas bandas del espectroelectromagnético y se segmentaron regiones homogéneas de uso práctico paraque el productor tome decisiones sobre la utilización de insumos y recursossegún la variabilidad de su sistema.Entre las pérdidas de materia prima que se producen durante la producción,son importantes las provocadas por el vuelco de la caña. La caña se cae por supropio peso o por efectos externos. Cuando al cosecharse la caña existeincidencia de vuelco, junto con los tallos se recolecta material no molible queHoja 2 de 9Cantidad de palabras: 2000provoca una importante pérdida de eficiencia en la manufactura del azúcar yafecta su calidad.Teniendo en cuenta las características de las imágenes disponibles yanalizando la bibliografía de referencia, se propuso abordar el problemautilizando características de textura y la implementación de modelos deaprendizaje automático. Se estudiaron Árboles de Decisión (AD) y RandomForests (RF) entrenados con distintos conjuntos de descriptores para clasificarentre las clases Caña Caída y Caña en Pie. Los descriptores se extrajeron delos canales Infrarrojo, Rojo, Verde y NDVI (Índice de Diferencia Normalizada)de las imágenes estandarizadas.En los ensayos con AD, los descriptores que permitieron un menor error deValidación Cruzada (14%) fueron Media, Desvío Estándar y Entropía. Por otrolado, los RF mostraron menores errores de validación cruzada respecto a losAD entrenados con los mismos descriptores. Con el RF entrenado con losdescriptores Media, Desvío Estándar y Entropía se obtuvo el menor error deValidación Cruzada (7,3%), y los mayores valores de Sensibilidad yEspecificidad (92% y 94%, respectivamente).Con el modelo de mejor desempeño se realizó la segmentación de lasimágenes aéreas de los cuadros productivos de caña de azúcar. Luego seaplicó sobre la segmentación un algoritmo de crecimiento de regiones parahomogeneizar las regiones identificadas. Los resultados indicaron, paradistintas imágenes, una degradación de la segmentación entre 5% y 16%, alhomogeneizar las regiones.Teniendo en cuenta las pérdidas de materia prima e incluyendo los costos de laadquisición de las imágenes aéreas y el costo del desarrollo del softwarepropuesto, se consideró viable la implementación del sistema de identificaciónde regiones para superficies mayores a 1000ha.