Investigación sobre la clasificación de cultivos mediante U-Net integrado con funciones temporales de teledetección...

Área de la Ciencia:

• La teledetección agrícola
• Análisis geoespacial
• Aprendizaje automático para la agricultura

Sus antecedentes:

• La clasificación precisa de los cultivos es crucial para la seguridad alimentaria y la gestión agrícola eficiente.
• Los métodos convencionales a menudo utilizan una sola fuente de datos, lo que limita la precisión temporal y espacial.
• La integración de datos ópticos y de radar ofrece información complementaria para mejorar la clasificación.

Objetivo del estudio:

• Desarrollar y evaluar un método de fusión a nivel de características para la clasificación de cultivos utilizando datos de teledetección multimodal.
• Para superar las limitaciones de los enfoques de un solo sensor mediante la combinación de imágenes ópticas y SAR.
• Mejorar la precisión y la coherencia de la clasificación de los cultivos de maíz y soja.

Principales métodos:

• Extracción de características de las imágenes ópticas y de radar de Sentinel-2.
• Identificación de las combinaciones óptimas de características (NDVI+NDRE, VV+VH) utilizando el bosque aleatorio.
• Fusión de 16 escenas ópticas y 30 de radar en una imagen de 46 canales.
• Clasificación de cultivos utilizando una red neuronal profunda U-Net, en comparación con los resultados de un solo modo.

Principales resultados:

• El modelo de fusión multimodal logró altas precisiones de clasificación: 95,83% (entrenamiento), 91,99% (validación) y 90,81% (prueba).
• El modelo de fusión demostró un rendimiento superior a los enfoques monomodales en precisión, delimitación de límites y consistencia.
• Se observaron mejoras significativas en las métricas de puntuación F1, precisión y recuerdo.

Conclusiones:

• La fusión a nivel de características de los datos de teledetección óptica y de radar proporciona un método sólido para una clasificación precisa de los cultivos.
• El modelo de fusión basado en U-Net propuesto integra efectivamente los datos multimodales, superando los métodos tradicionales.
• Este enfoque mejora las capacidades de seguimiento agrícola, contribuyendo a una mejor gestión de los recursos y a la seguridad alimentaria.