Un nuevo enfoque tecnológico desarrollado por investigadores de la Universidad de Minnesota permitirá a las partes interesadas clave identificar tipos de cultivos importantes más temprano que nunca en la temporada.
por la Universidad de Minnesota
Las agencias agrícolas han utilizado durante mucho tiempo las imágenes satelitales para saber qué cultivos se cultivan en el campo. Esto permite a las partes interesadas pronosticar el suministro de granos, evaluar el daño a los cultivos debido a factores ambientales y coordinar la logística de la cadena de suministro .
Si bien esta información es vital, los productos de mapeo de cultivos actualmente disponibles no pueden proporcionar estas estadísticas al principio de la temporada agrícola. Por ejemplo, la capa de datos de cultivos (CDL), un producto nacional de mapeo de cultivos del Servicio Nacional de Estadísticas Agrícolas del USDA, a menudo no se publica hasta cuatro o seis meses después de la cosecha de otoño. Esto se debe al largo proceso de recopilación de información sobre el terreno que se requiere para entrenar el algoritmo de back-end para separar los cultivos de las imágenes de satélite.
En un estudio publicado recientemente en Remote Sensing of Environment , investigadores de la Universidad de Minnesota explican el desarrollo de un nuevo método que permitiría a las partes interesadas saber dónde se cultivan maíz y soya desde julio, con una precisión similar a la CDL del USDA, y sin la necesidad de levantamientos terrestres.
Con la disponibilidad de datos satelitales creciendo rápidamente y los avances en inteligencia artificial y computación en la nube, el cuello de botella del mapeo de tipos de cultivos basado en satélites se ha desplazado hacia la falta de etiquetas de verdad sobre el terreno, que son registros de tipos de cultivos en ubicaciones específicas. En tales casos, los científicos han intentado usar etiquetas obsoletas para identificar cultivos en el año objetivo.
Por ejemplo, para mapear tipos de cultivos en 2022, los científicos desarrollarían un modelo utilizando etiquetas recopiladas en 2021, 2020 o incluso antes para desarrollar un modelo cuando no se disponga de un nuevo estudio del terreno o no sea factible. Sin embargo, este tipo de modelo a menudo falla porque los cambios en el suelo, el clima y las prácticas de manejo en un año determinado pueden cambiar la apariencia de los cultivos en las imágenes satelitales.
Para eludir la necesidad de recopilar etiquetas del suelo, el método desarrollado por este equipo de investigación genera pseudoetiquetas (se denominan «pseudo» porque estas etiquetas no se recopilan de los campos) en cualquier año objetivo en función de mapas históricos de tipo de cultivo.
Este método imita cómo los humanos identifican objetos en función de sus posiciones relativas (también denominadas relaciones de topología) en una imagen y utiliza un modelo de visión por computadora para identificar el maíz y la soja en función de sus relaciones de topología en un espacio bidimensional derivado de imágenes satelitales . Estas pseudoetiquetas generadas tienen una calidad similar a las etiquetas recolectadas en el campo y se pueden usar para la importante tarea de mapear el tipo de cultivo al principio de la temporada.
«Este es un enfoque de cambio de paradigma que utiliza tecnología de visión por computadora para imitar cómo los humanos identifican diferentes cosas en las fotos. Esto no solo es divertido sino también poderoso porque ayuda a ahorrar el tiempo y el trabajo de realizar estudios de campo y nos permite predecir con precisión tipos de cultivos ya en julio», dijo Zhenong Jin, Ph.D., profesor asistente en el Departamento de Ingeniería de Bioproductos y Biosistemas de la Universidad de Minnesota.
«Descubrimos que existían relaciones de topología estables para diferentes cultivos en diferentes años y diferentes países, lo que indica que nuestro enfoque tiene el potencial de extenderse a un marco general que funciona para muchos escenarios diferentes», dijo Chenxi Lin, Ph.D. candidato y primer autor del trabajo asesorado por Jin.
El estudio también encontró:
- El enfoque podría generar pseudoetiquetas de calidad similar a las etiquetas recolectadas en el campo para diferentes cultivos cultivados en diferentes años y diferentes regiones.
- En los EE. UU., la precisión del mapeo del tipo de cultivo basado en pseudoetiquetas generadas podría aproximarse al producto de la capa de datos de tierras de cultivo (CDL) del USDA al menos seis meses antes.
- En el norte de Francia, este método puede ayudar a reducir significativamente la cantidad de etiquetas de suelo necesarias para producir mapas de cultivos precisos, lo que puede ser un desafío debido a la cantidad de cultivos que se cultivan en la región.
Además, los mapas de tipo de cultivo de alta calidad generados a partir del enfoque propuesto también son útiles para una variedad de otras actividades.
Un seguimiento completo y oportuno de las tierras de cultivo aseguradas es beneficioso para que las compañías de seguros diseñen mejor sus productos. Además, la estimación de la superficie cultivada y la producción puede ayudar a los comerciantes de productos básicos a mejorar los precios del proyecto y cubrirse en consecuencia.
A medida que los investigadores miran hacia el futuro, reconocen que la implementación de este enfoque se basa en suficientes etiquetas históricas de verdad, lo que no es un problema para las regiones con abundantes recursos como Estados Unidos, pero es un recurso limitado para regiones como África.
Sin embargo, implementar el enfoque en países subdesarrollados como muchos en África podría tener implicaciones más profundas para el objetivo final de lograr un mundo con seguridad alimentaria. El equipo planea expandir el marco presentado en este estudio a esas regiones mediante la incorporación de otros algoritmos avanzados de aprendizaje profundo para reducir la necesidad de etiquetas históricas.
Más información: Chenxi Lin et al, Mapeo de tipos de cultivos tempranos y de temporada sin datos reales del año en curso: generación de etiquetas a partir de información histórica a través de un enfoque basado en topología, detección remota del medio ambiente (2022). DOI: 10.1016/j.rse.2022.112994
