Clasificación inteligente de cultivos de verano en la plataforma Google Earth Engine

• Autores: Beron de la Puente, Federico Javier; Revollo, Natalia; Gil, Verónica
• Año de publicación: 2023
• Idioma: español castellano
• Tipo de recurso: documento de conferencia
• Materia: Ciencias Informáticas; sistemas de monitoreo; imágenes satelitales; agricultura; aprendizaje de máquina
• Institución: Universidad Nacional de La Plata

El monitoreo espacial de zonas agrícolas es de fundamental importancia para la toma de decisiones económicas, sociales y políticas. El objetivo de este trabajo es obtener un modelo de clasificación supervisada de cultivos de verano mediante técnicas de aprendizaje de máquina a partir del uso de imágenes multiespectrales. La región elegida es el centro-sur del sistema de Ventania, en el sudoeste de la provincia de Buenos Aires, Argentina. Para la implementación del modelo basado en Random Forest (RF) se utilizó información de bandas e índices espectrales obtenidos a partir de imágenes Sentinel 2 en la plataforma Google Earth Engine (GEE). En el modelo obtenido la precisión global supera el 94%, donde se pudo discernir con una gran fiabilidad los cultivos de maíz, sorgo, girasol y pastizales. Estos resultados iniciales demuestran ser una valiosa herramienta para la gestión agrícola y la implementación de GEE facilitó la automatización de todo el proceso, reduciendo los tiempos de trabajo.
The effective monitoring of agricultural areas holds significant importance for economic, social, and political decision-making. This study aims to develop a supervised classification model for identifying summer crops using machine learning techniques applied to multispectral images. The selected study area is the centre-south region of the Ventania system, located in the southwest of Buenos Aires province, Argentina. The Random Forest (RF) algorithm was employed to implement the classification model, utilizing spectral bands and indices derived from Sentinel-2 images available on the Google Earth Engine (GEE) platform. The model achieved an overall accuracy exceeding 94%, demonstrating high reliability in distinguishing maize, sorghum, sunflower, and grassland crops. These preliminary results indicate the model's potential as a valuable tool for agricultural management. Furthermore, the use of GEE enabled the automation of the entire process, reducing work time and enhancing efficiency.
Sociedad Argentina de Informática e Investigación Operativa