![\"Image\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/06\/Paul-Devienne--300x300.jpeg\")
Una gu\u00eda paso a paso sobre c\u00f3mo detectar, delinear y clasificar parcelas agr\u00edcolas en im\u00e1genes de sat\u00e9lite<\/h1><\/div>Este art\u00edculo forma parte de una serie de 2 art\u00edculos sobre el procesamiento de im\u00e1genes por sat\u00e9lite aplicado a la agricultura. Si est\u00e1 interesado en la recogida y el procesamiento de las im\u00e1genes por sat\u00e9lite, consulte este primer art\u00edculo<\/a> por Antoine Aubay.<\/p>\n<\/div>La segunda parte se centra en c\u00f3mo aprovechamos estas im\u00e1genes de sat\u00e9lite procesadas en un contexto agr\u00edcola con el fin de:<\/p>\n<\/div>
- <\/i><\/span>\n
Localizar zonas agr\u00edcolas en im\u00e1genes de sat\u00e9lite de gran tama\u00f1o<\/p>\n<\/div><\/li>
- <\/i><\/span>\n
Detectar y delinear el l\u00edmite de cada parcela dentro de esas zonas<\/p>\n<\/div><\/li>
- <\/i><\/span>\n
Clasifique los cultivos de estas parcelas (trigo, tomates, ma\u00edz...)<\/p>\n<\/div><\/li><\/ul>
![\"Illustration](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/06\/Illustration-of-the-target-process.png\")
<\/p>\n
Ilustraci\u00f3n del proceso objetivo<\/p>\n<\/div>
La segunda parte se centra en c\u00f3mo aprovechamos estas im\u00e1genes de sat\u00e9lite procesadas en un contexto agr\u00edcola con el fin de:<\/p>\n<\/div><\/div><\/div><\/div><\/article>
TL;DR:<\/strong>
\nEste art\u00edculo lo har\u00e1:<\/p>\n- Le mostrar\u00e1 diversas aplicaciones del aprendizaje autom\u00e1tico y la visi\u00f3n por ordenador a las im\u00e1genes de sat\u00e9lite para la agricultura\n
- Presentar una serie de algoritmos para detectar y etiquetar con \u00e9xito las parcelas agr\u00edcolas\n
- Sugiera m\u00e9todos alternativos en funci\u00f3n de la disponibilidad de data\n
Este art\u00edculo asume fundamentos b\u00e1sicos en ciencia data y visi\u00f3n por ordenador.<\/p>\n<\/div><\/div><\/div><\/div><\/div>Motivaci\u00f3n empresarial<\/h2><\/div>Una soluci\u00f3n capaz de detectar y etiquetar autom\u00e1ticamente los cultivos puede tener una amplia gama de aplicaciones empresariales. El c\u00e1lculo del n\u00famero de parcelas, su tama\u00f1o medio, la densidad de la vegetaci\u00f3n, la superficie total de determinados cultivos y muchos m\u00e1s indicadores podr\u00edan servir para diversos fines. Por ejemplo, los organismos p\u00fablicos podr\u00edan utilizar estas m\u00e9tricas para las estad\u00edsticas nacionales, mientras que las empresas agr\u00edcolas privadas podr\u00edan utilizarlas para estimar su mercado potencial con un gran nivel de detalle.<\/p>\n<\/div>
Naturalmente, las im\u00e1genes por sat\u00e9lite fueron consideradas e identificadas como una fuente data muy viable por 3 razones espec\u00edficas:<\/p>\n<\/div>
- <\/i><\/span>\n
Escalabilidad<\/strong>: Un banco de im\u00e1genes que cubre todo el mundo est\u00e1 disponible de inmediato y se actualiza regularmente<\/p>\n<\/div><\/li>- <\/i><\/span>\n
Data riqueza<\/strong>: Las im\u00e1genes de sat\u00e9lite pueden proporcionar mucha m\u00e1s informaci\u00f3n que las simples fotograf\u00edas. En lugar de una imagen de 3 bandas de p\u00edxeles rojos, verdes y azules, algunos sat\u00e9lites pueden proporcionar m\u00e1s de 15 caracter\u00edsticas por p\u00edxel<\/p>\n<\/div><\/li>- <\/i><\/span>\n
Coste<\/strong>: Aunque las im\u00e1genes por sat\u00e9lite pueden ser bastante costosas, algunas opciones son totalmente gratuitas, como Sentinel 2, que acabamos seleccionando como nuestra principal fuente de data (una comparaci\u00f3n m\u00e1s detallada de las fuentes de data est\u00e1 disponible en Parte 1<\/a>)<\/p>\n<\/div><\/li><\/ul>Paso 1 - Detecci\u00f3n de zonas agr\u00edcolas en im\u00e1genes de sat\u00e9lite<\/h2><\/div>![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/06\/Sentinel-2-raw-image-10-000-x-10-000-pixels-each-pixel-10-x-10-meters-on-the-ground-Copernicus-Sentinel-data-2019.png\")
<\/p>\n
Imagen en bruto de Sentinel-2: 10 000 x 10 000 p\u00edxeles, cada p\u00edxel de 10 x 10 metros sobre el terreno (Copernicus Sentinel data 2019)<\/p>\n<\/div>
Tras recuperar y preprocesar las im\u00e1genes de Sentinel 2, nuestro primer reto consisti\u00f3 en localizar las parcelas y limitarnos a zonas espec\u00edficas de inter\u00e9s. Al tener cada imagen una resoluci\u00f3n muy alta, no ser\u00eda realista aplicar todo el procesamiento a im\u00e1genes de tama\u00f1o completo. En su lugar, el primer paso para resolver nuestro problema fue recortar las im\u00e1genes grandes en fragmentos m\u00e1s peque\u00f1os e identificar las zonas donde se encontraban las parcelas en estas im\u00e1genes m\u00e1s peque\u00f1as:<\/p>\n<\/div>
![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/06\/Our-desired-output-fragments-containing-only-agricultural-areas-Copernicus-Sentinel-data-2019.png\")
<\/p>\n
Nuestro resultado deseado: fragmentos que s\u00f3lo contienen zonas agr\u00edcolas (Copernicus Sentinel data 2019)<\/p>\n<\/div>
Soluci\u00f3n 1A: Entrenamiento de un clasificador de p\u00edxeles<\/h2><\/div>La primera soluci\u00f3n para detectar zonas agr\u00edcolas en im\u00e1genes de gran tama\u00f1o consiste en construir un clasificador de p\u00edxeles. Para cada p\u00edxel, este modelo de aprendizaje autom\u00e1tico predecir\u00eda si este p\u00edxel pertenece a un bosque, a una ciudad, al agua, a una granja... y, por tanto, a una zona agr\u00edcola o no.<\/p>\n<\/div>
![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/06\/Illustration-of-pixel-classification-with-3-visible-classes-of-pixels-Copernicus-Sentinel-data-2019-.png\")
Ilustraci\u00f3n de la clasificaci\u00f3n de p\u00edxeles con 3 clases visibles de p\u00edxeles (Copernicus Sentinel data 2019)<\/p>\n<\/div>
Porque muchos recursos<\/a> se pueden encontrar para Sentinel-2, pudimos encontrar im\u00e1genes etiquetadas con m\u00e1s de 10 clases diferentes de verdad sobre el terreno (bosque, agua, tundra, ...). Sin embargo, si el clima de su zona de estudio es diferente al de la zona en la que entren\u00f3 su modelo, es posible que tenga que reevaluar las clases atribuidas a cada p\u00edxel.<\/p>\n<\/div>Por ejemplo, tras entrenar un modelo en pa\u00edses de clima templado y aplicarlo a regiones m\u00e1s \u00e1ridas del mundo, observamos que lo que el modelo ve\u00eda como bosques y tundras eran en realidad cultivos agr\u00edcolas.<\/p>\n<\/div>
Una vez clasificados los p\u00edxeles, puede descartar todas las im\u00e1genes que no contengan zonas agr\u00edcolas.<\/p>\n<\/div>
Soluci\u00f3n 1A pros:<\/h3><\/div>- <\/i><\/span>\n
Resultados m\u00e1s fiables y granulares (p\u00edxeles)<\/p>\n<\/div><\/li><\/ul>
Soluci\u00f3n 1A contras:<\/h3><\/div>- <\/i><\/span>\n
Se requiere un conjunto data de p\u00edxeles etiquetados<\/p>\n<\/div><\/li>
- <\/i><\/span>\n
Clasificar cada p\u00edxel genera un elevado coste computacional<\/p>\n<\/div><\/li><\/ul>
De todos los m\u00e9todos disponibles para detectar zonas agr\u00edcolas, \u00e9ste fue el m\u00e1s preciso. Sin embargo, si no tiene acceso a im\u00e1genes etiquetadas, hemos identificado dos soluciones alternativas.<\/p>\n<\/div>
Soluci\u00f3n 1B: Mapeo de coordenadas geogr\u00e1ficas a coordenadas de p\u00edxeles<\/h2><\/div>Si se han etiquetado coordenadas sobre su zona de inter\u00e9s, o si las est\u00e1 etiquetando usted mismo, es posible asignar estas coordenadas geogr\u00e1ficas (latitud y longitud) a sus im\u00e1genes.<\/p>\n<\/div>
![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/06\/You-can-design-your-own-polygons-on-GoogleMaps-thus-focusing-on-a-specific-area-of-choice-while-drawing-around-obstacles-water-cities-\u2026.png\")
<\/p>\n
Puede dise\u00f1ar sus propios pol\u00edgonos en GoogleMaps, centr\u00e1ndose as\u00ed en un \u00e1rea espec\u00edfica de su elecci\u00f3n mientras dibuja alrededor de obst\u00e1culos (agua, ciudades...)<\/p>\n<\/div>
Por ejemplo, si dispone de las coordenadas asociadas a grandes zonas agr\u00edcolas, o si dibuja usted mismo grandes pol\u00edgonos en Google Maps, podr\u00e1 obtener f\u00e1cilmente las coordenadas geogr\u00e1ficas de las zonas agr\u00edcolas. Entonces, todo lo que hay que hacer es mapear esas coordenadas a sus im\u00e1genes de sat\u00e9lite y filtrar sus im\u00e1genes para que s\u00f3lo cubran las zonas dentro de sus pol\u00edgonos.<\/p>\n<\/div>
Soluci\u00f3n 1B pros:<\/h3><\/div>- <\/i><\/span>\n
Tambi\u00e9n un m\u00e9todo fiable<\/p>\n<\/div><\/li><\/ul>
Soluci\u00f3n 1B contras:<\/h3><\/div>- <\/i><\/span>\n
Necesita una lista de coordenadas asociadas a las regiones agr\u00edcolas<\/p>\n<\/div><\/li>
- <\/i><\/span>\n
Crear manualmente esas coordenadas puede llevar mucho tiempo<\/p>\n<\/div><\/li><\/ul>
Soluci\u00f3n 1C: Utilizar un \u00edndice de vegetaci\u00f3n<\/h2><\/div>Es posible calcular un \u00edndice de vegetaci\u00f3n a partir de las bandas de color proporcionadas por las im\u00e1genes de sat\u00e9lite. Un \u00edndice de vegetaci\u00f3n es una f\u00f3rmula que combina m\u00faltiples bandas de color, a menudo muy correlacionadas con la presencia o densidad de vegetaci\u00f3n (u otros indicadores como la presencia de agua).<\/p>\n<\/div>
\u00cdndices m\u00faltiples<\/a> existen, pero uno de los m\u00e1s utilizados en un contexto agr\u00edcola es el NDVI (\u00cdndice de vegetaci\u00f3n de diferencia normalizada). Este \u00edndice se utiliza para estimar la densidad de la vegetaci\u00f3n sobre el terreno, lo que podr\u00eda servir para detectar zonas agr\u00edcolas en una imagen de gran tama\u00f1o.<\/p>\n<\/div>![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/06\/Visual-representation-of-the-NDVI-on-an-agricultural-zone-and-a-desert-Copernicus-Sentinel-data-2019-.png\")
<\/p>\n
Representaci\u00f3n visual del NDVI en una zona agr\u00edcola y un desierto (Copernicus Sentinel data 2019)<\/p>\n<\/div>
Tras calcular los valores NDVI de cada p\u00edxel, puede fijar un umbral para eliminar r\u00e1pidamente los p\u00edxeles sin vegetaci\u00f3n. Hemos utilizado el NDVI como ejemplo, pero experimentar con diversos \u00edndices podr\u00eda ayudar a obtener mejores resultados.<\/p>\n<\/div>
Tenga en cuenta que el c\u00e1lculo de un \u00edndice de vegetaci\u00f3n puede proporcionarle informaci\u00f3n \u00fatil para enriquecer su an\u00e1lisis, incluso si ya ha aplicado otra forma de detectar las zonas agr\u00edcolas.<\/p>\n<\/div>
Soluci\u00f3n 1C pros:<\/h3><\/div>- <\/i><\/span>\n
No es necesario etiquetar el data<\/p>\n<\/div><\/li><\/ul>
Soluci\u00f3n 1C cons:<\/h3><\/div>- <\/i><\/span>\n
No es muy preciso: por ejemplo, podr\u00eda ser dif\u00edcil diferenciar los cultivos agr\u00edcolas de los bosques<\/p>\n<\/div><\/li>
- <\/i><\/span>\n
Los umbrales deben ajustarse con precisi\u00f3n en funci\u00f3n del clima y otras especificidades<\/p>\n<\/div><\/li><\/ul>
Paso 2 - Detecci\u00f3n y delimitaci\u00f3n de las parcelas agr\u00edcolas<\/h2><\/div>Construcci\u00f3n de un detector de bordes no supervisado<\/h3><\/div>Una vez que haya determinado la ubicaci\u00f3n de sus zonas agr\u00edcolas, puede empezar a centrarse en delimitar parcelas individuales en estas \u00e1reas espec\u00edficas.<\/p>\n<\/div>
En ausencia de data etiquetados, decidimos optar por un enfoque no supervisado basado en Detecci\u00f3n de bordes Canny de OpenCV<\/a>. La detecci\u00f3n de bordes consiste en observar un p\u00edxel concreto y compararlo con los que lo rodean. Si el contraste con los p\u00edxeles vecinos es alto, entonces el p\u00edxel puede considerarse un borde.<\/p>\n<\/div>![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/06\/An-example-of-edge-detection-on-agricultural-plots-using-OpenCV-Copernicus-Sentinel-data-2019.png\")
Un ejemplo de detecci\u00f3n de bordes en parcelas agr\u00edcolas utilizando OpenCV (Copernicus Sentinel data 2019)<\/p>\n<\/div>
Una vez identificados todos los p\u00edxeles que potencialmente podr\u00edan ser bordes verdaderos, podemos empezar a suavizar los bordes e intentar formar pol\u00edgonos. Como era de esperar, el rendimiento del algoritmo de detecci\u00f3n de bordes resulta ser mucho mejor cuando se aplica a parcelas grandes:<\/p>\n<\/div>
![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/06\/Illustration-of-the-full-process-of-outlining-plots-Copernicus-Sentinel-data-2019-1.jpeg\")
<\/p>\n
Ilustraci\u00f3n del proceso completo de trazado de parcelas\u00a0<\/em>(Centinela Cop\u00e9rnico data 2019)<\/p>\n<\/div>Este m\u00e9todo nos permiti\u00f3 identificar autom\u00e1ticamente cerca de 7.000 parcelas en nuestra zona de inter\u00e9s. Como utilizamos el m\u00e9todo de clasificaci\u00f3n de p\u00edxeles (v\u00e9ase el paso 1A), pudimos separar las parcelas agr\u00edcolas reales de otros pol\u00edgonos, conservando as\u00ed s\u00f3lo los data pertinentes.<\/p>\n<\/div>
![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/06\/Polygons-consisting-of-a-minority-of-\u201cfarm-pixels\u201d-were-eliminated-Copernicus-Sentinel-data-2019.png\")
Se eliminaron los pol\u00edgonos formados por una minor\u00eda de \u201cp\u00edxeles de granja\u201d (Copernicus Sentinel data 2019)<\/p>\n<\/div>
Optimizaci\u00f3n del rendimiento del algoritmo de detecci\u00f3n de bordes<\/h3><\/div>Para obtener los mejores resultados posibles, puede resultar \u00fatil aplicar modificaciones a su imagen, sobre todo jugando con el contraste, la saturaci\u00f3n o la nitidez:<\/p>\n<\/div>
![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/06\/Experimenting-on-contrast-saturation-or-sharpness-can-help-improve-the-efficiency-of-the-edge-detection-Copernicus-Sentinel-data-2019.png\")
<\/p>\n
Experimentar con el contraste, la saturaci\u00f3n o la nitidez puede ayudar a mejorar la eficacia de la detecci\u00f3n de bordes (Copernicus Sentinel data 2019)<\/p>\n<\/div>
Otro factor cr\u00edtico para el \u00e9xito es forzar que los pol\u00edgonos sean convexos. La mayor\u00eda de las parcelas siguen formas regulares, por lo que forzar pol\u00edgonos convexos suele dar resultados mucho mejores.<\/p>\n<\/div>
![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/06\/Forcing-convex-shapes-fits-most-plots-much-better-Copernicus-Sentinel-data-2019.png\")
<\/p>\n
Forzar las formas convexas se ajusta mucho mejor a la mayor\u00eda de las parcelas (Copernicus Sentinel data 2019)<\/p>\n<\/div>
Paso 3 - Clasificaci\u00f3n de cada parcela para detectar cultivos espec\u00edficos<\/h2><\/div>Una vez identificadas todas las parcelas, ya puede recortar cada una de ellas y guardarlas como archivos de imagen individuales. El siguiente paso consiste en entrenar un modelo de clasificaci\u00f3n para distinguir cada parcela en funci\u00f3n de su cultivo. En otras palabras, tratar de identificar los cultivos de tomates de los cereales, o las patatas.<\/p>\n<\/div>
Construir un conjunto de entrenamiento etiquetado<\/h3><\/div>Dado que no dispon\u00edamos de un conjunto data ya etiquetado y que etiquetar manualmente cientos de im\u00e1genes nos llevar\u00eda demasiado tiempo, buscamos conjuntos data complementarios que contuvieran la informaci\u00f3n sobre los cultivos de parcelas espec\u00edficas en un momento y lugar determinados.<\/p>\n<\/div>
Lo ideal ser\u00eda disponer de im\u00e1genes preetiquetadas, pero en nuestro caso s\u00f3lo cont\u00e1bamos con las coordenadas geogr\u00e1ficas y los cultivos de unos cientos de parcelas agr\u00edcolas de nuestra zona de inter\u00e9s. Este dataset conten\u00eda una lista de parcelas, la latitud y longitud de su centro y el cultivo plantado en ella en una \u00e9poca concreta del a\u00f1o.<\/p>\n<\/div>
![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/06\/Illustration-of-the-external-crop-data-source.png\")
<\/p>\n
Ilustraci\u00f3n de la fuente externa de cultivo data<\/p>\n<\/div>
Para construir nuestro conjunto de entrenamiento, utilizamos nuestro conversor de coordenadas geogr\u00e1ficas a coordenadas de p\u00edxeles (compartido en Parte 1<\/a>) para identificar las parcelas espec\u00edficas para las que ten\u00edamos una etiqueta (el cultivo) en nuestro banco de im\u00e1genes.<\/p>\nDe las 7.000 parcelas identificadas en el paso 2, conseguimos etiquetar unas 500 parcelas gracias a nuestra fuente externa data. Estas 500 parcelas etiquetadas sirvieron para entrenar y evaluar el modelo de clasificaci\u00f3n.<\/p>\n<\/div>
Modelizaci\u00f3n<\/h3><\/div>Optamos por utilizar una red neuronal convolucional utilizando el biblioteca fastai<\/a>, ya que era una forma eficaz de clasificar nuestras im\u00e1genes.<\/p>\n<\/div>Para encontrar el mejor clasificador posible, experimentamos con la entrada data:<\/p>\n<\/div>
- <\/i><\/span>\n
Selecci\u00f3n de varias combinaciones de bandas de color (rojo, verde, azul, infrarrojo cercano...)<\/p>\n<\/div><\/li>
- <\/i><\/span>\n
Manejar los p\u00edxeles vecinos de diferentes maneras: haci\u00e9ndolos transparentes, blancos, negros... o dej\u00e1ndolos intactos<\/p>\n<\/div><\/li><\/ul>
![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/06\/Dozens-of-models-were-trained-on-datasets-generated-with-various-of-data-preparation-techniques.jpeg\")
<\/p>\n
Se entrenaron docenas de modelos en conjuntos de data generados con varias de las t\u00e9cnicas de preparaci\u00f3n de data<\/p>\n<\/div>
Tras experimentar con varios modelos de clasificaci\u00f3n, alcanzamos una precisi\u00f3n de 78% y una recuperaci\u00f3n de 74% al realizar la clasificaci\u00f3n binaria en las parcelas m\u00e1s peque\u00f1as (y, por tanto, las m\u00e1s dif\u00edciles de clasificar debido al escaso n\u00famero de p\u00edxeles).<\/p>\n<\/div>
Desaf\u00edos a tener en cuenta<\/h2><\/div>Cuando se trabaja con parcelas agr\u00edcolas, incluso unas pocas semanas pueden suponer una diferencia sustancial. En pocas semanas, los cultivos de trigo pueden pasar de verdes a dorados y a cosechados:<\/p>\n<\/div>
![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/06\/When-working-with-farm-plots-just-a-few-weeks-can-make-a-large-difference-Copernicus-Sentinel-data-2019.jpeg\")
Cuando se trabaja con parcelas agr\u00edcolas, s\u00f3lo unas pocas semanas pueden suponer una gran diferencia (Copernicus Sentinel data 2019)<\/p>\n<\/div>
As\u00ed pues, hay dos cosas que hay que tener en cuenta para reproducir este proyecto a lo largo del a\u00f1o:<\/p>\n<\/div>
- <\/i><\/span>\n
Tiene que construir un modelo para cada periodo del a\u00f1o<\/p>\n<\/div><\/li>
- <\/i><\/span>\n
Su data etiquetado con informaci\u00f3n sobre los cultivos debe actualizarse peri\u00f3dicamente<\/p>\n<\/div><\/li><\/ul>
Conclusi\u00f3n<\/h2><\/div>Trabajar con im\u00e1genes de sat\u00e9lite abre un abanico infinito de posibilidades. Teniendo en cuenta que cada sat\u00e9lite ofrece caracter\u00edsticas diferentes y que la disponibilidad y el formato de las data complementarias pueden variar en todo el mundo en funci\u00f3n de su \u00e1rea de estudio, cada proyecto acabar\u00e1 siendo un caso de uso \u00fanico.<\/p>\n<\/div>
\u00a1Esperamos que compartir nuestra perspectiva y metodolog\u00edas le sirva de inspiraci\u00f3n en sus propios proyectos! Si tiene ganas de empezar a trabajar en su propio proyecto de im\u00e1genes por sat\u00e9lite, no deje de leer \u201cAprovechamiento de las im\u00e1genes de sat\u00e9lite para aplicaciones de aprendizaje autom\u00e1tico de visi\u00f3n por ordenador<\/em><\/a>\u201d de Antoine Aubay.<\/p>\n<\/div>
Este art\u00edculo forma parte de una serie de 2 art\u00edculos sobre el procesamiento de im\u00e1genes por sat\u00e9lite aplicado a la agricultura. Si est\u00e1 interesado en la recogida y el procesamiento de las im\u00e1genes por sat\u00e9lite, consulte este primer art\u00edculo<\/a> por Antoine Aubay.<\/p>\n<\/div> La segunda parte se centra en c\u00f3mo aprovechamos estas im\u00e1genes de sat\u00e9lite procesadas en un contexto agr\u00edcola con el fin de:<\/p>\n<\/div> Localizar zonas agr\u00edcolas en im\u00e1genes de sat\u00e9lite de gran tama\u00f1o<\/p>\n<\/div><\/li> Detectar y delinear el l\u00edmite de cada parcela dentro de esas zonas<\/p>\n<\/div><\/li> Clasifique los cultivos de estas parcelas (trigo, tomates, ma\u00edz...)<\/p>\n<\/div><\/li><\/ul> Ilustraci\u00f3n del proceso objetivo<\/p>\n<\/div> La segunda parte se centra en c\u00f3mo aprovechamos estas im\u00e1genes de sat\u00e9lite procesadas en un contexto agr\u00edcola con el fin de:<\/p>\n<\/div><\/div><\/div><\/div><\/article> TL;DR:<\/strong> Este art\u00edculo asume fundamentos b\u00e1sicos en ciencia data y visi\u00f3n por ordenador.<\/p>\n<\/div><\/div><\/div><\/div><\/div> Una soluci\u00f3n capaz de detectar y etiquetar autom\u00e1ticamente los cultivos puede tener una amplia gama de aplicaciones empresariales. El c\u00e1lculo del n\u00famero de parcelas, su tama\u00f1o medio, la densidad de la vegetaci\u00f3n, la superficie total de determinados cultivos y muchos m\u00e1s indicadores podr\u00edan servir para diversos fines. Por ejemplo, los organismos p\u00fablicos podr\u00edan utilizar estas m\u00e9tricas para las estad\u00edsticas nacionales, mientras que las empresas agr\u00edcolas privadas podr\u00edan utilizarlas para estimar su mercado potencial con un gran nivel de detalle.<\/p>\n<\/div> Naturalmente, las im\u00e1genes por sat\u00e9lite fueron consideradas e identificadas como una fuente data muy viable por 3 razones espec\u00edficas:<\/p>\n<\/div> Escalabilidad<\/strong>: Un banco de im\u00e1genes que cubre todo el mundo est\u00e1 disponible de inmediato y se actualiza regularmente<\/p>\n<\/div><\/li> Data riqueza<\/strong>: Las im\u00e1genes de sat\u00e9lite pueden proporcionar mucha m\u00e1s informaci\u00f3n que las simples fotograf\u00edas. En lugar de una imagen de 3 bandas de p\u00edxeles rojos, verdes y azules, algunos sat\u00e9lites pueden proporcionar m\u00e1s de 15 caracter\u00edsticas por p\u00edxel<\/p>\n<\/div><\/li> Coste<\/strong>: Aunque las im\u00e1genes por sat\u00e9lite pueden ser bastante costosas, algunas opciones son totalmente gratuitas, como Sentinel 2, que acabamos seleccionando como nuestra principal fuente de data (una comparaci\u00f3n m\u00e1s detallada de las fuentes de data est\u00e1 disponible en Parte 1<\/a>)<\/p>\n<\/div><\/li><\/ul> Imagen en bruto de Sentinel-2: 10 000 x 10 000 p\u00edxeles, cada p\u00edxel de 10 x 10 metros sobre el terreno (Copernicus Sentinel data 2019)<\/p>\n<\/div> Tras recuperar y preprocesar las im\u00e1genes de Sentinel 2, nuestro primer reto consisti\u00f3 en localizar las parcelas y limitarnos a zonas espec\u00edficas de inter\u00e9s. Al tener cada imagen una resoluci\u00f3n muy alta, no ser\u00eda realista aplicar todo el procesamiento a im\u00e1genes de tama\u00f1o completo. En su lugar, el primer paso para resolver nuestro problema fue recortar las im\u00e1genes grandes en fragmentos m\u00e1s peque\u00f1os e identificar las zonas donde se encontraban las parcelas en estas im\u00e1genes m\u00e1s peque\u00f1as:<\/p>\n<\/div> Nuestro resultado deseado: fragmentos que s\u00f3lo contienen zonas agr\u00edcolas (Copernicus Sentinel data 2019)<\/p>\n<\/div> La primera soluci\u00f3n para detectar zonas agr\u00edcolas en im\u00e1genes de gran tama\u00f1o consiste en construir un clasificador de p\u00edxeles. Para cada p\u00edxel, este modelo de aprendizaje autom\u00e1tico predecir\u00eda si este p\u00edxel pertenece a un bosque, a una ciudad, al agua, a una granja... y, por tanto, a una zona agr\u00edcola o no.<\/p>\n<\/div> Porque muchos recursos<\/a> se pueden encontrar para Sentinel-2, pudimos encontrar im\u00e1genes etiquetadas con m\u00e1s de 10 clases diferentes de verdad sobre el terreno (bosque, agua, tundra, ...). Sin embargo, si el clima de su zona de estudio es diferente al de la zona en la que entren\u00f3 su modelo, es posible que tenga que reevaluar las clases atribuidas a cada p\u00edxel.<\/p>\n<\/div> Por ejemplo, tras entrenar un modelo en pa\u00edses de clima templado y aplicarlo a regiones m\u00e1s \u00e1ridas del mundo, observamos que lo que el modelo ve\u00eda como bosques y tundras eran en realidad cultivos agr\u00edcolas.<\/p>\n<\/div> Una vez clasificados los p\u00edxeles, puede descartar todas las im\u00e1genes que no contengan zonas agr\u00edcolas.<\/p>\n<\/div> Resultados m\u00e1s fiables y granulares (p\u00edxeles)<\/p>\n<\/div><\/li><\/ul> Se requiere un conjunto data de p\u00edxeles etiquetados<\/p>\n<\/div><\/li> Clasificar cada p\u00edxel genera un elevado coste computacional<\/p>\n<\/div><\/li><\/ul> De todos los m\u00e9todos disponibles para detectar zonas agr\u00edcolas, \u00e9ste fue el m\u00e1s preciso. Sin embargo, si no tiene acceso a im\u00e1genes etiquetadas, hemos identificado dos soluciones alternativas.<\/p>\n<\/div> Si se han etiquetado coordenadas sobre su zona de inter\u00e9s, o si las est\u00e1 etiquetando usted mismo, es posible asignar estas coordenadas geogr\u00e1ficas (latitud y longitud) a sus im\u00e1genes.<\/p>\n<\/div> Puede dise\u00f1ar sus propios pol\u00edgonos en GoogleMaps, centr\u00e1ndose as\u00ed en un \u00e1rea espec\u00edfica de su elecci\u00f3n mientras dibuja alrededor de obst\u00e1culos (agua, ciudades...)<\/p>\n<\/div> Por ejemplo, si dispone de las coordenadas asociadas a grandes zonas agr\u00edcolas, o si dibuja usted mismo grandes pol\u00edgonos en Google Maps, podr\u00e1 obtener f\u00e1cilmente las coordenadas geogr\u00e1ficas de las zonas agr\u00edcolas. Entonces, todo lo que hay que hacer es mapear esas coordenadas a sus im\u00e1genes de sat\u00e9lite y filtrar sus im\u00e1genes para que s\u00f3lo cubran las zonas dentro de sus pol\u00edgonos.<\/p>\n<\/div> Tambi\u00e9n un m\u00e9todo fiable<\/p>\n<\/div><\/li><\/ul> Necesita una lista de coordenadas asociadas a las regiones agr\u00edcolas<\/p>\n<\/div><\/li> Crear manualmente esas coordenadas puede llevar mucho tiempo<\/p>\n<\/div><\/li><\/ul> Es posible calcular un \u00edndice de vegetaci\u00f3n a partir de las bandas de color proporcionadas por las im\u00e1genes de sat\u00e9lite. Un \u00edndice de vegetaci\u00f3n es una f\u00f3rmula que combina m\u00faltiples bandas de color, a menudo muy correlacionadas con la presencia o densidad de vegetaci\u00f3n (u otros indicadores como la presencia de agua).<\/p>\n<\/div> \u00cdndices m\u00faltiples<\/a> existen, pero uno de los m\u00e1s utilizados en un contexto agr\u00edcola es el NDVI (\u00cdndice de vegetaci\u00f3n de diferencia normalizada). Este \u00edndice se utiliza para estimar la densidad de la vegetaci\u00f3n sobre el terreno, lo que podr\u00eda servir para detectar zonas agr\u00edcolas en una imagen de gran tama\u00f1o.<\/p>\n<\/div> Representaci\u00f3n visual del NDVI en una zona agr\u00edcola y un desierto (Copernicus Sentinel data 2019)<\/p>\n<\/div> Tras calcular los valores NDVI de cada p\u00edxel, puede fijar un umbral para eliminar r\u00e1pidamente los p\u00edxeles sin vegetaci\u00f3n. Hemos utilizado el NDVI como ejemplo, pero experimentar con diversos \u00edndices podr\u00eda ayudar a obtener mejores resultados.<\/p>\n<\/div> Tenga en cuenta que el c\u00e1lculo de un \u00edndice de vegetaci\u00f3n puede proporcionarle informaci\u00f3n \u00fatil para enriquecer su an\u00e1lisis, incluso si ya ha aplicado otra forma de detectar las zonas agr\u00edcolas.<\/p>\n<\/div> No es necesario etiquetar el data<\/p>\n<\/div><\/li><\/ul> No es muy preciso: por ejemplo, podr\u00eda ser dif\u00edcil diferenciar los cultivos agr\u00edcolas de los bosques<\/p>\n<\/div><\/li> Los umbrales deben ajustarse con precisi\u00f3n en funci\u00f3n del clima y otras especificidades<\/p>\n<\/div><\/li><\/ul> Una vez que haya determinado la ubicaci\u00f3n de sus zonas agr\u00edcolas, puede empezar a centrarse en delimitar parcelas individuales en estas \u00e1reas espec\u00edficas.<\/p>\n<\/div> En ausencia de data etiquetados, decidimos optar por un enfoque no supervisado basado en Detecci\u00f3n de bordes Canny de OpenCV<\/a>. La detecci\u00f3n de bordes consiste en observar un p\u00edxel concreto y compararlo con los que lo rodean. Si el contraste con los p\u00edxeles vecinos es alto, entonces el p\u00edxel puede considerarse un borde.<\/p>\n<\/div> Una vez identificados todos los p\u00edxeles que potencialmente podr\u00edan ser bordes verdaderos, podemos empezar a suavizar los bordes e intentar formar pol\u00edgonos. Como era de esperar, el rendimiento del algoritmo de detecci\u00f3n de bordes resulta ser mucho mejor cuando se aplica a parcelas grandes:<\/p>\n<\/div> Ilustraci\u00f3n del proceso completo de trazado de parcelas\u00a0<\/em>(Centinela Cop\u00e9rnico data 2019)<\/p>\n<\/div> Este m\u00e9todo nos permiti\u00f3 identificar autom\u00e1ticamente cerca de 7.000 parcelas en nuestra zona de inter\u00e9s. Como utilizamos el m\u00e9todo de clasificaci\u00f3n de p\u00edxeles (v\u00e9ase el paso 1A), pudimos separar las parcelas agr\u00edcolas reales de otros pol\u00edgonos, conservando as\u00ed s\u00f3lo los data pertinentes.<\/p>\n<\/div> Para obtener los mejores resultados posibles, puede resultar \u00fatil aplicar modificaciones a su imagen, sobre todo jugando con el contraste, la saturaci\u00f3n o la nitidez:<\/p>\n<\/div> Experimentar con el contraste, la saturaci\u00f3n o la nitidez puede ayudar a mejorar la eficacia de la detecci\u00f3n de bordes (Copernicus Sentinel data 2019)<\/p>\n<\/div> Otro factor cr\u00edtico para el \u00e9xito es forzar que los pol\u00edgonos sean convexos. La mayor\u00eda de las parcelas siguen formas regulares, por lo que forzar pol\u00edgonos convexos suele dar resultados mucho mejores.<\/p>\n<\/div> Forzar las formas convexas se ajusta mucho mejor a la mayor\u00eda de las parcelas (Copernicus Sentinel data 2019)<\/p>\n<\/div> Una vez identificadas todas las parcelas, ya puede recortar cada una de ellas y guardarlas como archivos de imagen individuales. El siguiente paso consiste en entrenar un modelo de clasificaci\u00f3n para distinguir cada parcela en funci\u00f3n de su cultivo. En otras palabras, tratar de identificar los cultivos de tomates de los cereales, o las patatas.<\/p>\n<\/div> Dado que no dispon\u00edamos de un conjunto data ya etiquetado y que etiquetar manualmente cientos de im\u00e1genes nos llevar\u00eda demasiado tiempo, buscamos conjuntos data complementarios que contuvieran la informaci\u00f3n sobre los cultivos de parcelas espec\u00edficas en un momento y lugar determinados.<\/p>\n<\/div> Lo ideal ser\u00eda disponer de im\u00e1genes preetiquetadas, pero en nuestro caso s\u00f3lo cont\u00e1bamos con las coordenadas geogr\u00e1ficas y los cultivos de unos cientos de parcelas agr\u00edcolas de nuestra zona de inter\u00e9s. Este dataset conten\u00eda una lista de parcelas, la latitud y longitud de su centro y el cultivo plantado en ella en una \u00e9poca concreta del a\u00f1o.<\/p>\n<\/div> Ilustraci\u00f3n de la fuente externa de cultivo data<\/p>\n<\/div> Para construir nuestro conjunto de entrenamiento, utilizamos nuestro conversor de coordenadas geogr\u00e1ficas a coordenadas de p\u00edxeles (compartido en Parte 1<\/a>) para identificar las parcelas espec\u00edficas para las que ten\u00edamos una etiqueta (el cultivo) en nuestro banco de im\u00e1genes.<\/p>\n De las 7.000 parcelas identificadas en el paso 2, conseguimos etiquetar unas 500 parcelas gracias a nuestra fuente externa data. Estas 500 parcelas etiquetadas sirvieron para entrenar y evaluar el modelo de clasificaci\u00f3n.<\/p>\n<\/div> Optamos por utilizar una red neuronal convolucional utilizando el biblioteca fastai<\/a>, ya que era una forma eficaz de clasificar nuestras im\u00e1genes.<\/p>\n<\/div> Para encontrar el mejor clasificador posible, experimentamos con la entrada data:<\/p>\n<\/div> Selecci\u00f3n de varias combinaciones de bandas de color (rojo, verde, azul, infrarrojo cercano...)<\/p>\n<\/div><\/li> Manejar los p\u00edxeles vecinos de diferentes maneras: haci\u00e9ndolos transparentes, blancos, negros... o dej\u00e1ndolos intactos<\/p>\n<\/div><\/li><\/ul> Se entrenaron docenas de modelos en conjuntos de data generados con varias de las t\u00e9cnicas de preparaci\u00f3n de data<\/p>\n<\/div> Tras experimentar con varios modelos de clasificaci\u00f3n, alcanzamos una precisi\u00f3n de 78% y una recuperaci\u00f3n de 74% al realizar la clasificaci\u00f3n binaria en las parcelas m\u00e1s peque\u00f1as (y, por tanto, las m\u00e1s dif\u00edciles de clasificar debido al escaso n\u00famero de p\u00edxeles).<\/p>\n<\/div> Cuando se trabaja con parcelas agr\u00edcolas, incluso unas pocas semanas pueden suponer una diferencia sustancial. En pocas semanas, los cultivos de trigo pueden pasar de verdes a dorados y a cosechados:<\/p>\n<\/div> As\u00ed pues, hay dos cosas que hay que tener en cuenta para reproducir este proyecto a lo largo del a\u00f1o:<\/p>\n<\/div> Tiene que construir un modelo para cada periodo del a\u00f1o<\/p>\n<\/div><\/li> Su data etiquetado con informaci\u00f3n sobre los cultivos debe actualizarse peri\u00f3dicamente<\/p>\n<\/div><\/li><\/ul> Trabajar con im\u00e1genes de sat\u00e9lite abre un abanico infinito de posibilidades. Teniendo en cuenta que cada sat\u00e9lite ofrece caracter\u00edsticas diferentes y que la disponibilidad y el formato de las data complementarias pueden variar en todo el mundo en funci\u00f3n de su \u00e1rea de estudio, cada proyecto acabar\u00e1 siendo un caso de uso \u00fanico.<\/p>\n<\/div> \u00a1Esperamos que compartir nuestra perspectiva y metodolog\u00edas le sirva de inspiraci\u00f3n en sus propios proyectos! Si tiene ganas de empezar a trabajar en su propio proyecto de im\u00e1genes por sat\u00e9lite, no deje de leer \u201cAprovechamiento de las im\u00e1genes de sat\u00e9lite para aplicaciones de aprendizaje autom\u00e1tico de visi\u00f3n por ordenador<\/em><\/a>\u201d de Antoine Aubay.<\/p>\n<\/div><\/p>\n
\nEste art\u00edculo lo har\u00e1:<\/p>\nMotivaci\u00f3n empresarial<\/h2><\/div>
Paso 1 - Detecci\u00f3n de zonas agr\u00edcolas en im\u00e1genes de sat\u00e9lite<\/h2><\/div>
<\/p>\n<\/p>\nSoluci\u00f3n 1A: Entrenamiento de un clasificador de p\u00edxeles<\/h2><\/div>
Ilustraci\u00f3n de la clasificaci\u00f3n de p\u00edxeles con 3 clases visibles de p\u00edxeles (Copernicus Sentinel data 2019)<\/p>\n<\/div>Soluci\u00f3n 1A pros:<\/h3><\/div>
Soluci\u00f3n 1A contras:<\/h3><\/div>
Soluci\u00f3n 1B: Mapeo de coordenadas geogr\u00e1ficas a coordenadas de p\u00edxeles<\/h2><\/div>
<\/p>\nSoluci\u00f3n 1B pros:<\/h3><\/div>
Soluci\u00f3n 1B contras:<\/h3><\/div>
Soluci\u00f3n 1C: Utilizar un \u00edndice de vegetaci\u00f3n<\/h2><\/div>
<\/p>\nSoluci\u00f3n 1C pros:<\/h3><\/div>
Soluci\u00f3n 1C cons:<\/h3><\/div>
Paso 2 - Detecci\u00f3n y delimitaci\u00f3n de las parcelas agr\u00edcolas<\/h2><\/div>
Construcci\u00f3n de un detector de bordes no supervisado<\/h3><\/div>
Un ejemplo de detecci\u00f3n de bordes en parcelas agr\u00edcolas utilizando OpenCV (Copernicus Sentinel data 2019)<\/p>\n<\/div><\/p>\nSe eliminaron los pol\u00edgonos formados por una minor\u00eda de \u201cp\u00edxeles de granja\u201d (Copernicus Sentinel data 2019)<\/p>\n<\/div>Optimizaci\u00f3n del rendimiento del algoritmo de detecci\u00f3n de bordes<\/h3><\/div>
<\/p>\n<\/p>\nPaso 3 - Clasificaci\u00f3n de cada parcela para detectar cultivos espec\u00edficos<\/h2><\/div>
Construir un conjunto de entrenamiento etiquetado<\/h3><\/div>
<\/p>\nModelizaci\u00f3n<\/h3><\/div>
<\/p>\nDesaf\u00edos a tener en cuenta<\/h2><\/div>
Cuando se trabaja con parcelas agr\u00edcolas, s\u00f3lo unas pocas semanas pueden suponer una gran diferencia (Copernicus Sentinel data 2019)<\/p>\n<\/div>Conclusi\u00f3n<\/h2><\/div>