Clasificación de cultivos agrícolas

temporales en imágenes de alta

resolución usando técnicas de

cómputo inteligente

Dr. Roberto Antonio Vázquez Espinoza de los Monteros

GI+D+i en sistemas inteligentes

Universidad La Salle

Responsable técnico

Mayo 2015

Agenda

1. Objetivo del proyecto

2. Etapas del proyecto

3. Grupo de trabajo

4. Introducción

5. Conceptos básicos

6. Metodología

7. Resultados obtenidos

8. Conclusiones

Objetivo del proyectoClasif icación de cult ivos agrícolas

Estimar la superficie sembrada de una región mediante de

la clasificación de cultivos agrícolas temporales usando

imágenes de alta resolución y técnicas de cómputo

inteligente. Al menos se tiene que clasificar cuatro

diferentes cultivos como por ejemplo: frijol, trigo, maíz

amarillo y maíz blanco.

Etapas del proyectoClasif icación de cult ivos agrícolas

1. Evaluar diferentes algoritmos para la extracción de

rasgos.

2. Entrenar o ajustar los parámetros de diferentes

algoritmos inteligentes y aplicarlos a la clasificación de

los rasgos obtenidos en la etapa anterior

3. Combinar las diferentes técnicas de extracción de

rasgos con los diferentes algoritmos inteligentes y se

definirá la mejor combinación de rasgos y algoritmo

que resuelva el problema de clasificación de cultivos

agrícolas temporales en imágenes de alta resolución

con el fin de estimar la superficie sembrada.

Grupo de trabajoClasif icación de cult ivos agrícolas

I. Responsable técnico:

1. Dr. Roberto Antonio Vázquez Espinoza de los Monteros

II. Equipo de investigadores

1. Dr. Eduardo Gómez Ramírez

2. Dr. José Ambrosio Bastián

3. Dr. Mauricio Alberto Martínez García

III. Estudiantes de Maestría

1. Alberto Dzul, Guillermo Sandoval, Axel Waltier, vacante 1

IV. Estudiantes de licenciatura

1. Paulina Garcia, vacante 2

IntroducciónClasif icación de cult ivos agrícolas

• De la importancia de la agricultura en México, nace la necesidad

de llevar a cabo censo de cultivo.

• Se realiza cada 10 años.

• Permite conocer la estructura productiva de las unidades de

producción y contribuye en la toma de decisiones, al presentar

datos con diferentes niveles de desagregación geográfica.

• Es importante para la adopción de decisiones que posibiliten llevar

a cabo la planeación del desarrollo sectorial y la determinación de

políticas, planes y programas vinculados al medio rural, en el

ámbito de las acciones propias de los tres órdenes de gobierno.

• Herramienta clave para evaluar los resultados de la

implementación de políticas públicas y programas en apoyo al

desarrollo del sector.

IntroducciónClasif icación de cult ivos agrícolas

• En ningún país es posible llevar a cabo un censo exhaustivo,

debido principalmente a los costos que esto implicaría y al tiempo

que requeriría.

• La alternativa más recurrida al problema de estimaciones de

cultivos es la percepción remota utilizando imágenes satelitales o

aéreas.

• La estimación de superficies cultivadas mediante el uso de

técnicas de teledetección, como por ejemplo imágenes de alta

resolución adquiridas vía satélites, para predicciones de

rendimiento o evaluaciones de cambios en el uso de la tierra ha

incrementado en los últimos años.

Conceptos básicos

• Cuando hablamos de clasificación de

cultivos en imágenes se está abordando

en realidad un tema compuesto por varias

etapas• Selección del método o medio a través del cual se

obtendrá la imagen

• Procesamiento de la imagen y extracción de rasgos

• Selección y aplicación de algoritmos de

clasificación

Conceptos básicos

Adquisición de la

imagen

Pre-procesamiento

de la región

Extracción de rasgos

Clasificación de la región

Conceptos básicosAdquisición

Adquisición de la

imagen

Pre-procesamiento

de la región

Extracción de rasgos

Clasificación de la región

SAR (Synthetic aperture radar)• Inmune a nubosidad o cambios de clima• Reflejan características dieléctricas de los objetos• Susceptible a diversas fuentes de ruido

• Dirección y espaciado de los cultivos• Pendiente del terrerno• Textura y propiedades dieléctricas del suelo

• Enfoque multifrecuencial y multitemporal

SAR amplitude image of

Kilauea (NASA/JPL-Caltech)

Conceptos básicos

Adquisición de la

imagen

Pre-procesamiento

de la región

Extracción de rasgos

Clasificación de la región

Multiespectrales (características de reflectividad espectral)• Tienen un número moderado de bandas• SPOT4 y SPOT5, GeoEye-1, Landsat y MODIS

Hyperespectrales (reflectividad en una longitud de onda específica)• Alta cantidad de información a analizar• Métodos de clasificación sensibles a la alta dimensionalidad

Pre-procesamiento

de la región

Conceptos básicosExtracción de rasgos

Adquisición de la

imagen

Extracción de rasgos

Clasificación de la región

Conceptos básicosExtracción de rasgos

Adquisición de la

imagen

Pre-procesamiento

de la región

Extracción de rasgos

Clasificación de la región

El objetivo de esta etapa es encontrar un método de extracción de rasgos que ayude a representar de mejor manera a los patrones pertenecientes a una clase, de tal forma que los patrones que pertenecen a una clase A posean más características similares con otros miembros de la misma clase que con patrones pertenecientes a una clase B.

• Pixel (Índice Normalizado de Diferencia en la Vegetación )• Texturas (Gray Level Co-ocurrence Matrix)• Transformada de Fourier• Transformada Wavelete

Conceptos básicosClasif icación

Adquisición de la

imagen

Pre-procesamiento

de la región

Extracción de rasgos

Clasificación de la región

Etapa que incluye la identificación de la clase a la cual pertenece cada muestra de cultivo. Dos etapas: entrenamiento (ajuste, aprendizaje) y prueba.

• Máxima verosimilitud• Árbol de decisión• Cómputo suave

• Redes neuronales artificiales• Maquinas de soporte vectorial

MetodologíaAdquisición y pre-procesamiento de la región.

Adquisición de la

imagen

Pre-procesamiento

de la región

Extracción de rasgos

Clasificación de la región

1. Definir una región de prueba y obtener las imágenes satelitales (tres bandas de información en el espectro visible)

2. Diferentes espacios de color3. Definir una estrategia que genere el conjunto de datos de entrenamiento y validación a

partir de las imágenes satelitales de determinada región.

MetodologíaEvaluar di ferentes algori tmos para la extracción de rasgos.

Adquisición de la

imagen

Pre-procesamiento

de la región

Extracción de rasgos

Clasificación de la región

1. Evaluar diferentes estrategias de extracción de rasgos. Particularmente se explorará el uso de las siguientes técnicas: Matriz de coocurrencias, transformada wavelet, transformada de fourier

MetodologíaEntrenar o ajustar los parámetros de diferentes algori tmos intel igentes.

Adquisición de la

imagen

Pre-procesamiento

de la región

Extracción de rasgos

Clasificación de la región

1. Evaluar diferentes algoritmos inteligentes (clasificadores lineales y redes de perceptrones)

2. Comparar el porcentaje de clasificación utilizando diferentes combinaciones (algoritmo de extracción de rasgos y algoritmo inteligente) y estimar la superficie sembrada.

MetodologíaCombinar las diferentes técnicas de extracción con los algori tmos

intel igentes.

Adquisición de la

imagen

Pre-procesamiento

de la región

Extracción de rasgos

Clasificación de la región

1. Estudiar varias estrategias evolutivas e implementar una en un programa computacional que pueda seleccionar de manera automática el conjunto de rasgos descriptivos que mejores resultados otorguen en la estimación de la superficie a partir de las imágenes con diferente resolución.

2. Determinar cual es la combinación adecuada para garantizar de manera confiable una estimación de la superficie sembrada.

Resultados obtenidos

• Región de prueba en el Estado de Sinaloa.

• Imagen satelital con tres bandas de información en el

espectro visible.

• Conformación de 24 bases de datos en función del espacio

de color y la técnica de extracción de rasgo

• 2752 patrones con 24 características

Resultados obtenidos

• Se evaluó el desempeño de tres clasificadores por distancia y dos

redes neuronales.

• 50% de la información de cada base de datos fue para entrenar el

clasificador y el restante para validar al clasificador

• Se establecieron 120 configuraciones posibles en función del

espacio de color, técnica de extracción y clasificador.

• Por cada configuración se realizaron 30 experimentos.

Resultados obtenidos Clasificadores por distancia mínima Redes neuronales artificiales

CityBlock Euclideana Minkowski FNN1 FNN2

CMYK CM 0.716±0.008 0.723±0.004 0.721±0.006 0.980±0.001 0.981±0.004

DFT 0.632±0.006 0.655±0.007 0.654±0.007 0.917±0.007 0.899±0.020

DWT 0.563±0.006 0.579±0.006 0.579±0.008 0.877±0.009 0.865±0.015

HSI CM 0.867±0.003 0.872±0.004 0.873±0.004 0.975±0.004 0.977±0.005

DFT 0.783±0.003 0.782±0.004 0.780±0.004 0.909±0.008 0.892±0.017

DWT 0.722±0.005 0.713±0.005 0.712±0.006 0.867±0.005 0.855±0.023

HSL CM 0.838±0.008 0.846±0.006 0.846±0.004 0.978±0.005 0.977±0.003

DFT 0.741±0.003 0.750±0.005 0.751±0.004 0.904±0.005 0.888±0.021

DWT 0.696±0.005 0.679±0.005 0.679±0.003 0.873±0.010 0.864±0.020

HSV CM 0.863±0.005 0.873±0.006 0.872±0.007 0.978±0.003 0.976±0.005

DFT 0.787±0.004 0.781±0.003 0.782±0.004 0.911±0.005 0.882±0.009

DWT 0.717±0.004 0.713±0.004 0.715±0.003 0.871±0.007 0.847±0.022

LAB CM 0.822±0.007 0.827±0.005 0.829±0.008 0.975±0.004 0.974±0.003

DFT 0.765±0.004 0.766±0.003 0.768±0.004 0.911±0.005 0.896±0.015

DWT 0.666±0.006 0.652±0.004 0.648±0.005 0.870±0.010 0.852±0.023

LUV CM 0.766±0.006 0.800±0.007 0.800±0.008 0.976±0.004 0.974±0.004

DFT 0.725±0.005 0.737±0.002 0.737±0.003 0.906±0.007 0.885±0.017

DWT 0.618±0.004 0.607±0.005 0.613±0.006 0.867±0.009 0.857±0.017

RGB CM 0.736±0.005 0.750±0.004 0.750±0.006 0.982±0.004 0.979±0.006

DFT 0.619±0.004 0.642±0.009 0.641±0.009 0.923±0.005 0.907±0.021

DWT 0.535±0.008 0.572±0.016 0.564±0.015 0.870±0.007 0.863±0.016

XYZ CM 0.730±0.008 0.738±0.005 0.740±0.004 0.982±0.003 0.981±0.003

DFT 0.579±0.008 0.585±0.006 0.590±0.006 0.918±0.006 0.903±0.018

DWT 0.481±0.008 0.495±0.012 0.503±0.008 0.875±0.006 0.862±0.017

Resultados obtenidos

Resultados obtenidos

Resultados obtenidos

Resultados obtenidos

1. Programa computacional

2. Tres estudiantes de maestría publicaron artículo

3. Un estudiante de licenciatura publicó artículo

4. Tres artículos publicados relacionados con el proyecto1. Crop classification using different color spaces and RBF neural networks. Lecture Notes in Computer

Sciences, In press

2. Creation of spiking neuron models applied in pattern recognition problems. IJCNN 2013

3. How to Generate the Input Current for Exciting a Spiking Neural Model Using the Cuckoo Search

Algorithm. Studies in Computational Intelligence, Volume 516, 2014, pp 155-178

Conclusiones

• Los resultados de esta investigación son una primera aproximación para

tener una herramienta que permita apoyar al Censo Agropecuario

• Los alcances y delimitaciones del proyecto, permitieron realizar una

primera prueba de concepto, demostrando que se puede realizar la

clasificación de cultivos agrícolas usando las técnicas propuestas.

• Es necesario trabajar de forma estrecha con el INEGI para que en una

segunda etapa se pueda realizar una validación con datos de campo.

• El proyecto se encuentra en una fase de I+D

Fase I&D Startup Fase inical Crecimiento Consalidación

Tiempo de operación

(-1.5 a 0 años) (0 – 1.5 años) (1.5 – 3 años) (3 – 5 años) Más de 5 años

Capital requerido (Miles USD)

3.5 - 115Subsidios

115 - 380Capital semilla

380 – 3,500Capital emprendedor

3,500 – 15,000Cap. de expansión

15,000 – 38,500Cap. consolidación

Referencias

[1] M. A. McMahon, A. Valdés, Análisis del extensionismo agrícola en México. OCDE, Paris, 2010.

[2] United States Department of Agriculture, History of Remote Sensing for Crop Acreage. Revisado

en Septiembre del 2012, www.nass.usda.gov/Surveys/Remotely_Sensed_Data_Crop_Acreage/

[3] United States Department of Agriculture, Remotely Sensed Data Crop Yield. Revisado en

Septiembre del 2012, www.nass.usda.gov/Surveys/Remotely_Sensed_Data_Crop_Yield/

[4] F. J. Flores-López, C. A. Scott, Superficie agrícola estimada mediante análisis de imágenes de

satélite en Guanajuato, México. IWMI, Serie Latinoamericana, Número 15. Texas, Estados Unidos.

2000.

[5] H. D. Nivens, T. L. Kastens, K. C. Dhuyvetter, Using Satellite Imagery in Kansas Crop Yield and

Net Farm Income Forecasts. Conference on Applied Commodity Price Analysis, Forecasting, and

Market Risk Management. Chicago, Illinois. Abril 17-18, 2000.

[6] L. Zhong, T. Hawkins, K. Holland, P. Gong, G. Biging, Satellite imagery can support water planning

in the Central Valley. California Agriculture, Volumen 63, Número 4. California, Estados Unidos. 2009.

[7] L. Czerepowicza, B.S. Caseb, C. Doschera, Using satellite image data to estimate aboveground

shelterbelt carbon stocks across an agricultural landscape. Agriculture, Ecosystems & Environment,

Volumen 156, Número 1, pp. 142–150. Agosto 2012

[8] G. B. Senay, J. G. Lyon, A. D. Ward, S. E. Nokes, Using High Spatial Resolution Multispectral Data

to Classify Corn and Soybean Crops. Photogrammetric Engineering & Remote Sensing, Volumen 66,

Número 3, pp. 319-327. Marzo 2000.

Referencias[9] G. Warren, G. Metternicht, Agricultural Applications of High-Resolutio Digital Multispectral Imagery:

Evaluating Within-Field Spatial Variability of Canola (Brassica napus) in Western Australia.

Photogrammetric Engineering & Remote Sensing, Volumen 71, Número 5, pp. 595–602. Mayo 2005.

[10] N. E. Ortiz-Lozano, U. Pérez-Gómez, Imágenes aster en la discriminación de áreas de uso

agrícola en Colombia. Revista Facultad Nacional de Agronomía, Medellín. Pp. 4923-4935. 2009.

[11] A. I. de Castro, M. Jurado-Expósito, M. T. Gómez-Casero, F. López-Granados, Applying neural

networks to hyperspectral and multispectral field data for discrimination of cruciferous weeds in winter

crops. Institute for Sustainable Agriculture IAS / CSIC. Córdoba, España. 2012.

[12] A. Kemerer, N. Mari, C. Di Bella, C. Rebella, Comparación de Técnicas de Clasificación de

cultivos a partir de información Multi E Hyperespectral. Asociación Española de Teledeteccion,

Revista AET, Número 29. 2007.

[13] E. Camargo Arce, B. F. Theodor Rudorff, L. M. Sugawara Berka, P. F. Carrasco Pereira, Imágenes

Landsat y CBERS en la identificación del uso del suelo con cultivos agrícolas. Anais XII Simpósio

Brasileiro de Sensoriamento Remoto, pp. 41-48. Goiânia, Brasil. Abril 2005.

[14] C. Zhang, F. Qiu, Hyperspectral image classification using an unsupervised neuro-fuzzy system.

Journal of applied remote sensing, Volumen 6. 2012.

[15] D. Kalbermatter, J. Mourazos, P. Vacca, F. Rodriguez, G. San José, Métodos de Estimación para

el Area Agrícola. Departamento de informacion Economica y Social, Laboratorio de GIS y

Teledeteccion. Marzo, 2010.

[16] C. Manjarrez-Domínguez, C. Pinedo-Álvarez, C. E. Vélez-Sánchez Verín, A. Pinedo-Álvarez,

Separabilidad espectral de cultivos agrícolas con Imágenes Landsat TM. Tecnociencia Chihuahua.

Volumen I, Número 2, Mayo-Agosto 2007.

¡GRACIAS!Roberto A. Vázquezroberto.vazquez@ulsa.mx

https://sites.google.com/site/robertoavazquez/

http://zeus.lci.ulsa.mx/idt/sistemasinteligentes/