No es nada nuevo. El uso de técnicas como la teledetección es algo que los investigadores llevan haciendo durante más de 30 años; quizás la novedad sea la utilización de análisis de imágenes basado en objetos. Puntualiza José Manuel Peña Barragán, investigador JAE doc en el Instituto de Agricultura Sostenible (IAS-CSIC), que recientemente ha presentado en este mismo centro la conferencia titulada Identificación de cultivos mediante imágenes de satélite y análisis basado en objetos. En ella, daba a conocer dichos métodos, capaces de incorporar nuevos parámetros morfométricos, texturales y de relaciones entre objetos en los algoritmos de análisis, complementando la información espectral que ofrecen las técnicas tradicionales, lo que a su vez resulta muy útil para la identificación de cultivos y la caracterización de sus variables agro-ecológicas.
El concepto principal de la clasificación de imágenes basada en objetos radica en que la información necesaria para interpretar una imagen no está contenida sólo en los píxeles, sino también en los objetos presentes en la imagen y en las relaciones entre los mismos. Existen varios factores por los cuales este método resulta preferible frente a otros. Debemos tener en cuenta que el análisis de la imagen basado en píxeles se limita sólo a la información espectral, lo cual complica la clasificación entre clases muy similares. Por otra parte, existe la necesidad de combinar una adecuada resolución (espacial, espectral o temporal) de imágenes para el análisis de los cultivos. Además, la señal del satélite no siempre es la óptima en todos los píxeles de la imagen, aclara Peña.
Este experto considera que, frente a las limitaciones que conlleva este tipo de técnica (aislamiento o mezcla de píxeles, acceso a información reducida, etc), los métodos basados en objetos aportan grandes ventajas, como la opción de combinar datos obtenidos por diferentes sensores, la integración de un mayor número de parámetros o las posibilidades de exportar los resultados a tablas, capas vectoriales o Sistemas de Información Geográfica (SIG). Así, el primer paso es determinar los valores de color, forma y escala que segmenten la imagen en objetos similares a las parcelas de cultivo y, seguidamente, identificar cada cultivo según los criterios establecidos para cada uno. En estos métodos se generan distintas capas de segmentación formadas por objetos de distinto tamaño (por ejemplo, a escala de parcela o a escala de árbol) y se pueden establecer relaciones de jerarquía entre capas y de vecindad entre objetos con las que se consiguen unas clasificaciones más precisas.
âAdemás, se definen índices de vegetación que combinan regiones espectrales y que están relacionados con variables del cultivo como la estructura del dosel o el contenido de agua. Otros índices derivan información de los componentes no fotosintéticos del cultivo que pueden ser de utilidad para ver el estado de la vegetación senescente o analizar los residuos post-cosecha. En cualquier caso, la clave radica en combinar distintos índices de vegetación en diferentes estados de desarrollo del cultivoâ, asegura este experto que considera que el potencial de la teledetección âes cada vez más grande porque ofrece acceso a una enorme información espacial, espectral y temporal de la zona de estudioâ. No en vano, esta técnica puede resultar muy íºtil para cuestiones tan prácticas como la estimación de niveles de producción o la planificación de regadíos: âse trata de generar modelos de predicción usando variables del cultivo que se puedan estimar por teledetecciónâ.
Trabajos en campo
Durante su estancia postdoctoral en la Universidad de California (Davis), Peí±a participó en el proyecto âIntegrating remote sensing and modeling to assess temporal and spatial variability of greenhouse gas emissions in agricultureâ, a través del grupo de los profesores Richard E. Plant y Johan Six. A este investigador le correspondió la aplicación de estas técnicas de teledetección para la clasificación y seguimiento de cultivos en el Condado de Yolo, en el Estado californiano. El trabajo se realizó en tres fases: segmentación, clasificación y exportación de resultados.
En un primer momento, se llevó a cabo la selección de parámetros y evaluación de segmentación a 350 parcelas. Posteriormente, con la ayuda de un árbol de decisión, se determinaron las características de cada cultivo, usando otras 650 parcelas para su entrenamiento y validación. Las imágenes fueron obtenidas a través de los sensores ASTER y MODIS. Asimismo, se evaluaron 20 índices de vegetación (p. ej., NDVI) relacionados con diferentes parámetros de los cultivos. En una segunda fase se clasificaron las imágenes atendiendo a parámetros espectrales, texturales y reglas de jerarquía y vecindad. La evaluación de los resultados se efectuó aplicando una matriz de confusión que incluía otras 650 parcelas independientes. En este proceso se utilizaron diferentes programas, principalmente eCognition, que emplea hasta 80 algoritmos.
Como resultado, se generó una base de datos en la que se hacía una clasificación y seguimiento de los 13 tipos de cultivos más abundantes en la zona de estudio. En total, se evaluaron 336 variables basadas en el color (información espectral), la escala, la forma, la textura y la posición de los objetos en las imágenes, algunas de las cuales están relacionadas con el estado fenológico, el grado de humedad o la variabilidad dentro de un mismo cultivo (âsub-clasesâ). Estas combinaciones resultan de interés para el correcto conocimiento de los calendarios de cultivo de cada parcela, que exigen a su vez la adaptación de las distintas técnicas de manejo o tratamientos segíºn los tipos de plantación y sus fechas correspondientes. De hecho, el proyecto poseía un carácter temporal. La toma de imágenes se realizó en tres fechas diferentes, teniendo en cuenta las diferentes etapas del desarrollo de los cultivos.