Skip to main content
← Volver a Thoughts

Clasificación de Cultivos con Imágenes Satelitales Sintéticas Multitemporales

Guillermo Siesto••8 min de lectura
EN/ES

Publicado en: Remote Sensing 2021, 13(17), 3378
Autores: Guillermo Siesto, Marcos Fernández-Sellers, Adolfo Lozano-Tello
Institución: Grupo de Ingeniería del Software Quercus, Universidad de Extremadura
DOI: 10.3390/rs13173378 • Acceso Abierto (Open Access) • Artículo Completo en MDPI

Resumen: La demanda de nuevas herramientas para la teledetección masiva de cultivos, combinada con la disponibilidad abierta y gratuita de imágenes de satélite, ha impulsado el desarrollo de nuevos métodos para la clasificación de cultivos. Debido a que esta clasificación requiere frecuentemente completarse dentro de un marco de tiempo específico, el rendimiento computacional es esencial. En este trabajo proponemos un nuevo método que crea imágenes sintéticas mediante la extracción de datos satelitales a nivel de píxel, procesando todas las bandas disponibles y su evolución temporal a partir de imágenes de múltiples fechas. Con este enfoque, los datos de Sentinel-2 son utilizados por una red neuronal convolucional profunda para clasificar cultivos a lo largo de un año tras entrenarse con datos de campañas previas. El sistema software que implementa este método fue desplegado en Extremadura (España) como herramienta de monitorización de las ayudas de la Política Agrícola Común (PAC) de la Unión Europea.

1. El Reto Real: Monitorización de la PAC en Extremadura

En la Unión Europea, la Política Agrícola Común (PAC) distribuye ayudas directas para fomentar una agricultura sostenible y el mantenimiento del entorno rural. En 2014, la Comisión Europea introdujo regulaciones que permitieron el uso sistemático de satélites de observación de la Tierra (programa Copernicus) para verificar la admisibilidad de las solicitudes y detectar irregularidades de forma automática.

Para el organismo pagador de la Junta de Extremadura, la inspección manual de cientos de miles de hectáreas resultaba costosa y parcial. Se necesitaba una herramienta de aprendizaje profundo capaz de:

  1. Predecir la campaña del año en curso utilizando únicamente etiquetas de años anteriores (soportando la variabilidad climática interanual).
  2. Generar resultados antes del plazo de pagos a finales de verano, lo que exigía un procesamiento y entrenamiento sumamente ágiles.
  3. Escalar a nivel regional: Más de 510.000 hectáreas (204 zonas de 5 × 5 km) en las Vegas del Guadiana (Mérida y Don Benito), abarcando 34.135 hectáreas de parcelas agrícolas declaradas.

2. La Innovación Central: Matrices Sintéticas a Nivel de Píxel

Los enfoques clásicos de aprendizaje profundo sobre imágenes de satélite solían tomar imágenes ópticas de una sola fecha (perdiendo el ciclo fenológico del cultivo) o bien apilar volúmenes 3D espacio-temporales masivos (extremadamente lentos y voraces en memoria RAM).

Nosotros planteamos una alternativa: transformar la evolución temporal de cada píxel en una matriz sintética 2D compacta.

Figura 4: Flujo de generación de matrices sintéticas Figura 1 — Flujo de extracción: para cada píxel de 10 × 10 m de la parcela, se extraen las 12 bandas espectrales de Sentinel-2 a lo largo de 21 intervalos de 5 días (1 de abril a 15 de julio), conformando una matriz sintética de 21 × 12.

Dimensiones de la Entrada Sintética:

  • Dimensión 1 (Tiempo): 21 periodos de cinco días (péntadas), abarcando del 1 de abril al 15 de julio. Este intervalo captura el desarrollo vegetativo y reproductivo clave de los cultivos de verano, evitando el ruido de las lluvias tempranas de primavera.
  • Dimensión 2 (Espectro): Las 12 bandas espectrales operativas de Sentinel-2 (B1, B2, B3, B4, B5, B6, B7, B8, B8A, B9, B11, B12), remuestreadas a una resolución espacial homogénea de 10 m (B10 se descarta tras la corrección atmosférica).
  • El Resultado: Cada píxel se convierte en una matriz de 21 × 12 con valores de reflectancia normalizada, encapsulando la evolución espectro-temporal del cultivo sin almacenar terreno no agrícola irrelevante.

3. Procesamiento Geográfico y Limpieza Atmosférica

Para transformar las capturas del satélite en datos de entrenamiento fiables, se resolvieron dos retos fundamentales: el aislamiento de las geometrías de las parcelas y la eliminación del ruido atmosférico.

Geometría y Extracción de Parcelas

Los polígonos agrícolas declarados por los agricultores para la PAC se proyectaron sobre las cuadrículas UTM de Sentinel-2 (zonas 29N y 30N). Mediante algoritmos de rasterización vectorial, se aislaron todos los píxeles interiores de 10 × 10 m.

Figura 2: Malla de píxeles en parcela Figura 2 — Extracción de geometrías agrícolas: (a) Captura original Sentinel-2; (b) Malla de píxeles de 10 × 10 m inscritos en el perímetro declarado de la parcela.

Condiciones Atmosféricas y Detección de Nubes

Las imágenes satelitales sufren perturbaciones frecuentes por nubosidad, brumas cirro y sombras proyectadas. Para depurarlas, integramos el modelo de clasificación atmosférica de la Agencia Espacial Europea (ESA), que categoriza cada píxel en vegetación, agua, nubes y sombras:

Figura 3: Detección de nubes y máscara atmosférica Figura 3 — Detección de variables atmosféricas: (a) Muestra RGB de Sentinel-2 con presencia de nubosidad (8 de agosto de 2019); (b) Máscara del modelo de la ESA clasificando tipos de nubes, cirros, sombras y vegetación.

Dado que los clasificadores ópticos no son 100% infalibles (especialmente ante sombras tenues de nubes), aplicamos de forma complementaria un Filtro Hampel adaptado sobre las series temporales de cada banda. Este filtro elimina picos atípicos residuales y suaviza las interpolaciones entre péntadas consecutivas.

4. Firmas Fenológicas Distintivas por Cultivo

Al promediar las matrices sintéticas de la campaña 2019 para cada cultivo, cada tipología mostró un "mapa de calor" espectro-temporal claramente diferenciable:

Figura 4: Entradas sintéticas promedio por cultivo Figura 4 — Promedio de las matrices sintéticas de entrenamiento para la campaña 2019 según el tipo de cultivo. El amarillo representa valores próximos a 1.0; el azul oscuro, valores cercanos a 0.0.

El sistema clasificó siete grupos comerciales mayoritarios de cultivo de verano:

  • Maíz (maíz dulce y maíz grano)
  • Tomate (tomate fresco y tomate para transformación industrial)
  • Arroz
  • Girasol
  • Patata
  • Cebolla / Ajo / Puerro
  • Espárrago

Nótese cómo el arroz (inundado en las primeras péntadas) y el maíz (con un despegue rotundo en reflectancia infrarroja cercana en pleno desarrollo) generan patrones visuales inconfundibles en la matriz 21 × 12.

5. Arquitectura CNN Ligera y Eficiente

Al reducir la complejidad espacio-temporal a una matriz bidimensional de 21 × 12, la Red Neuronal Convolucional no requirió núcleos tridimensionales masivos ni millones de parámetros.

Figura 5: Arquitectura de la Red Convolucional Figura 5 — Esquema de capas del modelo convolucional diseñado para la matriz de entrada 21 × 12.

Características del Modelo:

  • Entrada: Matriz sintética monocanal de 21 × 12 × 1.
  • Extracción de Características: Dos fases convolucionales sucesivas (primero expandiendo a 128 filtros y luego reduciendo a 32 filtros) con activaciones ReLU.
  • Regularización: Capas de Batch Normalization y Dropout para evitar sobreajuste (overfitting).
  • Clasificación: Capa Flatten conectada a una densa final con activación Softmax para las 7 categorías.
  • Eficiencia de Entrenamiento: Los modelos se entrenaron en una fracción del tiempo habitual, incorporando Early Stopping basado en la pérdida del conjunto de validación.

6. Validación Experimental y Resultados en Campo

El sistema se entrenó exclusivamente con datos históricos de 2017, 2018 y 2019 (85% entrenamiento, 15% validación) y se evaluó a ciegas sobre la campaña de 2020 al completo (100% test).

Figura 6: Validación de predicción en Zona 30-581 Figura 6 — Validación sobre la Zona 30-581 (Precisión: 97,37%): (a) Máscara de verdad terreno; (b) Predicción sobre parcelas declaradas; (c) Inferencia sobre el raster completo; (d) Imagen RGB Sentinel-2 de verano.

Conclusiones Principales:

  • Elevada Precisión Predictiva: El modelo alcanzó una media de F-score del 96% en los cultivos dominantes (maíz, tomate, arroz, girasol).
  • Identificación de Parcelas Adyacentes: Al inferir sobre todo el raster (Figura 5c), la red identificó correctamente cultivos en parcelas colindantes no declaradas, otorgando una visión territorial integral al organismo regulador.
  • Bajo Coste Computacional: Al realizar la extracción de píxeles una sola vez en preprocesamiento, el entrenamiento y ajuste de hiperparámetros se ejecutó con gran rapidez.
  • Comportamiento en Cultivos Minoritarios: Cultivos de porte bajo y menor follaje (como el espárrago) presentaron mayor confusión debido a la resolución de 10 metros del satélite, señalando la vía para incorporar datos radar (Sentinel-1) en futuros trabajos.

7. Cita y Enlaces al Artículo

Si utilizas esta metodología en investigaciones de teledetección o aprendizaje automático, por favor cita el artículo original:

@article{siesto2021crop,
  title={Crop Classification of Satellite Imagery Using Synthetic Multitemporal and Multispectral Images in Convolutional Neural Networks},
  author={Siesto, Guillermo and Fern{\'a}ndez-Sellers, Marcos and Lozano-Tello, Adolfo},
  journal={Remote Sensing},
  volume={13},
  number={17},
  pages={3378},
  year={2021},
  publisher={MDPI},
  doi={10.3390/rs13173378}
}