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
Estado
versión publicada
Descripción
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
Materia
Ciencias Informáticas
sistemas de monitoreo
imágenes satelitales
agricultura
aprendizaje de máquina
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/4.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/165445

id SEDICI_e5d7e00073297a063cd630c7f9ad93e2
oai_identifier_str oai:sedici.unlp.edu.ar:10915/165445
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Clasificación inteligente de cultivos de verano en la plataforma Google Earth EngineSmart Classification of Summer Crops on the Google Earth Engine PlatformBeron de la Puente, Federico JavierRevollo, NataliaGil, VerónicaCiencias Informáticassistemas de monitoreoimágenes satelitalesagriculturaaprendizaje de máquinaEl 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 Operativa2023-09info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf46-57http://sedici.unlp.edu.ar/handle/10915/165445spainfo:eu-repo/semantics/altIdentifier/url/https://publicaciones.sadio.org.ar/index.php/JAIIO/article/view/681info:eu-repo/semantics/altIdentifier/issn/2451-7496info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-29T11:43:55Zoai:sedici.unlp.edu.ar:10915/165445Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-29 11:43:55.877SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Clasificación inteligente de cultivos de verano en la plataforma Google Earth Engine
Smart Classification of Summer Crops on the Google Earth Engine Platform
title Clasificación inteligente de cultivos de verano en la plataforma Google Earth Engine
spellingShingle Clasificación inteligente de cultivos de verano en la plataforma Google Earth Engine
Beron de la Puente, Federico Javier
Ciencias Informáticas
sistemas de monitoreo
imágenes satelitales
agricultura
aprendizaje de máquina
title_short Clasificación inteligente de cultivos de verano en la plataforma Google Earth Engine
title_full Clasificación inteligente de cultivos de verano en la plataforma Google Earth Engine
title_fullStr Clasificación inteligente de cultivos de verano en la plataforma Google Earth Engine
title_full_unstemmed Clasificación inteligente de cultivos de verano en la plataforma Google Earth Engine
title_sort Clasificación inteligente de cultivos de verano en la plataforma Google Earth Engine
dc.creator.none.fl_str_mv Beron de la Puente, Federico Javier
Revollo, Natalia
Gil, Verónica
author Beron de la Puente, Federico Javier
author_facet Beron de la Puente, Federico Javier
Revollo, Natalia
Gil, Verónica
author_role author
author2 Revollo, Natalia
Gil, Verónica
author2_role author
author
dc.subject.none.fl_str_mv Ciencias Informáticas
sistemas de monitoreo
imágenes satelitales
agricultura
aprendizaje de máquina
topic Ciencias Informáticas
sistemas de monitoreo
imágenes satelitales
agricultura
aprendizaje de máquina
dc.description.none.fl_txt_mv 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
description 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.
publishDate 2023
dc.date.none.fl_str_mv 2023-09
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
Objeto de conferencia
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/165445
url http://sedici.unlp.edu.ar/handle/10915/165445
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/url/https://publicaciones.sadio.org.ar/index.php/JAIIO/article/view/681
info:eu-repo/semantics/altIdentifier/issn/2451-7496
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
dc.format.none.fl_str_mv application/pdf
46-57
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1844616306863636480
score 13.070432