12 Bandas vs. NDVI: Identificación de Cultivos con Sentinel-2
12 Bandas vs. NDVI para Identificación de Cultivos
Publicado en: Sensors (Volumen 23)
Editorial: MDPI
DOI: 10.3390/s23167132
Resumen: Hoy en día, el aprendizaje automático aplicado a datos de teledetección se utiliza para la detección de cultivos. Esto permite no solo monitorizar los cultivos, sino también detectar plagas, una falta de riego, u otros problemas. Para aquellos sistemas que requieren una alta precisión en la identificación de cultivos, es necesaria una gran cantidad de datos para generar modelos fiables. Cuantas más parcelas y datos sobre la evolución de los cultivos se utilicen a lo largo del tiempo, más fiables serán los modelos. En el presente trabajo, se ha llevado a cabo un estudio para analizar modelos de redes neuronales entrenados con las 12 bandas del satélite Sentinel, frente a modelos que solo utilizan el NDVI, con el objetivo de elegir el modelo más adecuado en términos de cantidad de almacenamiento, tiempo de cálculo, exactitud, y precisión. Este estudio logró una mejora en el tiempo de entrenamiento del 59.35% para los modelos NDVI en comparación con los modelos de 12 bandas; sin embargo, los modelos basados en valores de 12 bandas son un 1.96% más precisos que los entrenados únicamente con el NDVI a la hora de realizar predicciones. Los hallazgos de este estudio podrían ser de gran interés para administraciones, empresas, gestores de tierras e investigadores que utilizan técnicas de minería de datos en imágenes de satélite y desean diseñar un sistema eficiente, particularmente aquellos con capacidad de almacenamiento y tiempos de respuesta limitados.
Este artículo de investigación analiza el compromiso entre utilizar las 12 bandas espectrales de las imágenes satelitales Sentinel 2 frente al ampliamente usado Índice de Vegetación de Diferencia Normalizada (NDVI) para la clasificación de cultivos basada en redes neuronales.
La Pregunta de Investigación
La teledetección para la agricultura se ha basado tradicionalmente en índices de vegetación como el NDVI, que comprimen la información multiespectral en un único valor. Sin embargo, Sentinel-2 proporciona 12 bandas espectrales distintas: desde la luz visible hasta el infrarrojo de onda corta. ¿Utilizar todos esos datos espectrales brutos realmente mejora la precisión en la identificación de cultivos?
Metodología
Entrenamos Redes Neuronales Convolucionales (CNNs) para clasificar diez tipos diferentes de cultivos en la región de Extremadura, España. Se compararon dos enfoques:
- Entrada de 12 bandas: Alimentar la pila multiespectral completa directamente a la red
- Entrada NDVI: Utilizar únicamente el índice de vegetación derivado como entrada
Ambos modelos fueron entrenados en las mismas regiones geográficas y ventanas temporales utilizando imágenes Sentinel-2 del programa Copernicus de la UE.
Hallazgos Principales
El enfoque de 12 bandas alcanzó una precisión de clasificación marginalmente superior (con una media de 0,9334 frente a 0,9141 del NDVI), pero a un coste computacional significativamente mayor. El enfoque basado en NDVI demostró ser notablemente efectivo para su sencillez, logrando una ganancia del 59,35% en tiempo de entrenamiento respecto a los modelos de 12 bandas. Esto sugiere que para muchas aplicaciones prácticas de monitorización agrícola, especialmente aquellas con almacenamiento limitado o que requieren tiempos de respuesta rápidos, el enfoque más simple puede ser la opción más eficiente.
El estudio contribuye al debate en curso sobre el equilibrio entre precisión, eficiencia y recursos computacionales en los flujos de trabajo de teledetección.
Cita
Publicado en MDPI Sensors, agosto de 2023.