La prestigiosa Sociedad Americana de Horticultura (ASHS) ha concedido un galardón al grupo de investigadores del Instituto de Agricultura Sostenible (IAS-CSIC) dirigido por la Dra. Francisca López-Granados, por la publicación del estudio Caracterización espectral multitemporal de cultivos de regadío aplicando análisis discriminante y redes neuronales (Classifying Irrigated Crops as Affected by Phenological Stage Using Discriminant Analysis and Neural Networks). El trabajo, se ha merecido el reconocimiento de esta entidad, que lo ha reconocido como la investigación interdisciplinar más destacada publicada en 2010 en la revista Journal of the American Society for Horticultural Science.
El equipo científico, que ya ha mostrado su satisfacción por el reciente galardón, está integrado por expertos del Departamento de Protección de Cultivos entre quienes se encuentran los Doctores Montserrat Jurado-Expósito y Luis García-Torres, además de los investigadores postdoc Mª Teresa Gómez-Casero y José Manuel Peña-Barragán. La entrega del premio se llevará a cabo en la 108 Ceremonia Anual de la ASHS, que se celebrará el próximo mes de Septiembre en Hawai (EEUU).
El trabajo responde a un enfoque multidisciplinar que integra modelos complejos de clasificación multivariantes (redes neuronales), gran variedad de cultivos de regadío y datos de detección próxima (proximal sensing: espectrorradiometría de campo). Su aplicación más inmediata es la clasificación de cultivos de regadío mediante imágenes remotas que está actualmente en desarrollo. El objetivo de este trabajo fue la discriminación espectral de los principales cultivos de regadío del Valle del Guadalquivir con espectrorradiometría de campo aplicando análisis discriminante y redes neuronales. Se trataba de conocer el estado fenológico que ofrece mayores posibilidades para la discriminación de los diferentes cultivos de regadío más frecuentes de una zona, y de esta forma, poder ofrecer una herramienta íºtil para el control y gestión del agua.
Concretamente, en las proximidades de Posadas (Córdoba) se seleccionaron una serie de parcelas (unos 70 kilómetros cuadrados) con diferentes cultivos de regadío herbáceos anuales (ajo, cebolla, girasol, habas, maíz, patata, trigo, algodón y cucurbitáceas: melón y sandía) y herbáceos perennes (alfalfa y espárrago), así como leñosos de hoja caduca (ciruelo) y hoja perenne (cítricos y olivo). Se tomaron 30 medidas espectrales de cada uno de los cultivos objeto de estudio y otras tantas de suelo desnudo en tres fechas (primavera, principios de verano y finales de verano).
Estos datos fueron procesados mediante el análisis estadístico multivariante tipo discriminante (AD) método stepwise, con el programa SPSS 17.0 y dos modelos de redes neuronales: el perceptrón multicapa (MLP), y la función de base radial (RBF). Las redes neuronales emulan el sistema nervioso biológico. A partir de un estímulo externo reaccionan procesando toda la información para finalmente emitir una respuesta a dicho estímulo. Son un tipo de análisis multivariante (no lineal) que se caracteriza por un elevado número de variables de entrada (o variables independientes). Son capaces de elaborar un modelo que, tras ser entrenado con los datos observados, puede predecir, por ejemplo, la producción de una plantación de girasol. Asimismo, resultan muy útiles para la clasificación por categorías.
La exactitud de la discriminación de los tres métodos se determinó en función del porcentaje de clasificación correcta por validación cruzada. Además del análisis multiespectral, se calcularon diversos índices de vegetación (NDVI) que sirvieron de referencia en el proceso de discriminación. Segíºn se desprende del análisis de este estudio, los resultados de la clasificación espectral obtenidos son muy satisfactorios[1] e indican que el satélite QuickBird posee las resoluciones espectral y espacial óptimas para una clasificación de cultivos de regadío para estudios posteriores.
Póster del estudio
López-Granados F, Gómez-Casero MT, Peña-Barragán JM, Jurado-Expósito M, and García-Torres L. 2010. Classifying Irrigated Crops as Affected by Phenological Stage Using Discriminant Analysis and Neural Networks (Journal of the American Society for Horticultural Science, 135:465(5)473)
[1] Por ejemplo, de los resultados de clasificación con el MLP, el peor fue el de primavera, con un 89,8 %.
