clasificación de cultivos agrícolas - inegi.org.mx · introducción clasificación de cultivos...
TRANSCRIPT
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. Vá[email protected]
https://sites.google.com/site/robertoavazquez/
http://zeus.lci.ulsa.mx/idt/sistemasinteligentes/