- El investigador del Instituto de Agricultura Sostenible del Consejo Superior de Investigaciones Científicas (IAS-CSIC) Alberto Hornero es uno de los miembros del equipo que ha diseñado un nuevo modelo de clasificación de cultivos que reduce la necesidad de grandes volúmenes de datos etiquetados.
Alberto Hornero, investigador del Instituto de Agricultura Sostenible del Consejo Superior de Investigaciones Científicas (IAS-CSIC) ha participado en el proyecto “Optimización temporal del mapeo de cultivos basado en imágenes satelitales: una comparación de series temporales completas y estrategias de deformación temporal semisupervisadas”, sobre el que recientemente ha sido publicado un artículo por The Institution of Engineering and Technology (Institución de Ingeniería y Tecnología, IET).
Hornero explica que en este trabajo científico “proponemos un nuevo enfoque para la clasificación de cultivos a partir de imágenes satélite cuya principal aportación se basa en reducir la necesidad de grandes volúmenes de datos etiquetados y de simplificar la selección de periodos de observación (ventanas temporales necesarias para el análisis), incluso sin conocimiento previo de los calendarios de siembra y cosecha”.
Las imágenes satelitales ofrecen datos valiosos que pueden ayudar a los agricultores a tomar decisiones informadas sobre la gestión de los cultivos, la asignación de recursos y el monitoreo de la salud de los mismos. Además, la información obtenida puede utilizarse para contribuir a la identificación y mitigación de los efectos ambientales del cambio climático en la agricultura. En este contexto, la detección de cultivos desempeña un papel fundamental a nivel regional y nacional, y las imágenes satelitales brindan una gran ventaja sobre los métodos más locales como los drones, debido a la capacidad inigualable de los satélites para cubrir grandes áreas regularmente, lo que les da la capacidad de trabajar con series temporales de imágenes detectadas de forma remota.
Así, remarca el investigador del IAS, “hemos conseguido un sistema que combina precisión con menor coste computacional, lo que puede ser de gran ayuda para la comunidad agrícola en general y para instituciones y empresas que necesitan monitorizar grandes extensiones de terreno”.
Alberto Hornero comenzó a colaborar en este trabajo gracias al vínculo con la autora principal del mismo, Rosie Finnegan, cuya tesis codirige, siendo su labor principal la del desarrollo conceptual de la metodología, donde se aprovechan los datos satélite de manera más eficiente y en la búsqueda de la aplicación de técnicas de optimización que ayuden a la identificación del momento más adecuado dentro del ciclo de crecimiento de los diferentes cultivos.
El investigador del Departamento de Agronomía del IAS-CSIC indica que “hemos usado tanto un modelo de redes neuronales profundas (CNN-LSTM) y también una aproximación más ligera basada en deformación temporal (Dynamic Time Warping, DTW), donde demostramos que incluso con diferencias en complejidad y consumo de datos, ambas estrategias pueden llegar a niveles de precisión suficientes para su implementación en tareas de clasificación de cultivos a gran escala. Al mismo tiempo, hemos incorporado procedimientos de mejora en el procesamiento de imágenes como la integración de datos simulados (data augmentation), lo que favorece el entrenamiento del sistema cuando se dispone de pocos ejemplos reales, lo que es bastante común cuando la disponibilidad de fuentes de datos abiertas escasea”.
Temporal optimisation of satellite image-based crop mapping: a comparison of deep time series and semi-supervised time warping strategies. Rosie Finnegan, José Metcalfe, Sara Sharifzadeh, Fabio Caraffini, Xianghua Xie, Alberto Hornero, Nicolás W. Synes. https://doi.org/10.1049/cvi2.70014
Córdoba, 23 abril de 2025
IAS-CSIC Comunicación
