Evaluación de metodologías para identificar cultivos y procesar imágenes satelitales en el Altiplano Oeste Potosino

Abstract

Toda investigación pasa por la etapa de consulta bibliográfica referente al tema de estudio, sin embargo, depende del autor darle el sustento a la investigación apoyándose de documentos científicos actualizados, razón por la que se decidió hacer un análisis bibliométrico previo al desarrollo de las clasificaciones supervisadas para consultar los artículos científicos de mayor impacto referente a los temas: percepción remota, sistemas de información geográfica, google earth engine y cultivos. Las bases de datos consultadas fueron Science Citation Index Expanded y Social Sciences Citation Index disponibles en la Colección Principal del Web de la Ciencia. La expresión de búsqueda utilizada en la recuperación de registros bibliográficos fue: (TS = "google earth engine" OR TS= gee) AND (TS="remote sensing" OR TS= "geographic information system") AND (TS= "crop*"). La revisión arrojó 95 artículos científicos, de los cuales 94 fueron del periodo 2015 al 2020. Se realizó un análisis de los datos en VOSViewer 1.6.16. Se depuró la información para aquellos autores que se encontraban repetidos, generando el thesaurus de autores que permitió homogenizar esta información, detectando así, el documento más citado: A scalable satellite-based crop yield mapper con 190 citas, de Lobell y colaboradores en el 2015 de la fuente Remote Sensing Of Environment. Del mismo modo se realizó para las palabras clave detectando los términos más usados: “Clasification” y “series time”. Como resultados del análisis también se observaron un promedio de citas por documento de 14.94, un índice-h de 17, la revista con más publicaciones, “Remote Sensing” con el 40 %. En lo que respecta a la aplicación de la teledetección para estimar superficies agrícolas, la investigación se realizó en el Altiplano Noroeste Potosino, en tres municipios del estado de San Luís Potosí. El estudio se dividió en dos segmentos: la imagen satelital y el muestreo de campo durante el ciclo agrícola 2020 y 2021. En relación al procesamiento en la nube de imágenes satelitales mediante la aplicación de tres algoritmos: Classification and Regression Trees (CART), Random Forest (RF) y Support Vector Machine (SVM) con Google Earth Engine y su comparación con la tecnología de INEGI-tradicional que utiliza los algoritmos de: Mínima Distancia (MD), Máxima Verosimilitud (MV) y Spectral Angle Mapper (SAM) en QGIS 3.18, se encontró que la nueva tecnología arrojó mejores resultados, respecto al ahorro de recurso humano, económico e informático. Las precisiones más altas de acuerdo con la matriz de confusión fueron para CART y RF con 89 % cada uno, estimaron una superficie sembrada de maíz de 80,131 y 98,138 has y para frijol 60,174 y 60,358 has respectivamente. Los resultados favorecieron a los procesamientos en GEE, tanto en tiempo como en porcentaje de exactitud, en GEE fueron de 6 h en promedio mientras que en QGIS independientemente del algoritmo oscilaron en 26 horas. Se presentó una disminución de tiempo de 20 h y un mayor porcentaje de exactitud con el cambio de uso de la nueva tecnología de percepción remota. En cuanto al muestreo de campo realizado de forma simultánea al análisis de imágenes satelitales durante el ciclo agrícola, se obtuvieron 294 parcelas muestreadas y 43 más recabadas por el INEGI-SLP las primeras sirvieron para definir las Regions Of Interest (ROI) y entrenar las clasificaciones supervisadas y las segundas fueron utilizadas para validar los resultados. De acuerdo con estos resultados la superficie más alta estimada con todos los clasificadores fue la de maíz, luego con frijol y por último los cultivos de riego (alfalfa, chile y avena) incluyendo otros y sin cultivo. En relación con el cálculo del Índice de Vegetación de Diferencia Normalizado (NDVI) en intervalos de 5 días durante el ciclo PV para los ROIS muestreados, los resultados arrojaron que los cultivos de secano en esta región corren el riesgo de sufrir déficit hídrico en cualquier etapa fenológica. La sequía, es un factor causante de que el NDVI pueda alcanzar un máximo alrededor de 0.317 a 0.386 en los cultivos de secano debido a la senescencia de las hojas, por lo que los valores bajos de NDVI equivalen a un cultivo seco, de baja productividad y altamente estresado. Esto se relaciona con la escasa y errática precipitación pluvial, limitando la productividad de los cultivos de secano. En la zona de riego del área de estudio, los valores de NDVI en alfalfa y chile cultivados bajo riego fueron superiores (en alfalfa oscilaron entre 0.389 a 0.832 y 0.249 a 0.673 en chile, resp.) que los obtenidos en los cultivos de secano.

All research goes through the stage of bibliographic consultation regarding the topic of study, however, it is up to the author to support the research by relying on updated scientific documents, which is why it was decided to perform a bibliometric analysis prior to the development of the supervised classifications to consult the scientific articles with the greatest impact regarding the topics: remote sensing, geographic information systems, google earth engine and crops. The databases consulted were Science Citation Index Expanded and Social Sciences Citation Index available in the Web of Science Core Collection. The databases consulted were those available in Web Of Science and the query was: (TS = "google earth engine" OR TS= gee) AND (TS="remote sensing" OR TS= "geographic information system") AND (TS= "crop*"). The review yielded 95 scientific articles, of which 94 were from the period 2015 to 2021 and only one from 1998. Data analysis was performed in VOSViewer 1.6.16. The information was purified for those authors who were repeated, the thesaurus of authors was generated, which allowed homogenizing this information, thus detecting the most cited document: A scalable satellite-based crop yield mapper with 190 citations, by Lobell and collaborators in 2015 from the Remote Sensing Of Environment source. The same was done for the keywords detecting the most used terms: "Classification" and "series time". The results of the analysis also showed an average number of citations per document of 14.94, an h-index of 17, the journal with the most publications, "REMOTE SENSING" with 40 %. The application of remote sensing to estimate agricultural areas the research was carried out in the northwestern Altiplano Potosino, in three municipalities of the state of San Luis Potosi. The study was divided into two segments: the satellite image and the field sampling during the 2020 and 2021 agricultural cycle. In relation to the cloud processing of satellite images through the application of three algorithms: Classification and Regression Trees (CART), Random Forest (RF) and Support Vector Machine (SVM) with Google Earth Engine and its comparison with the INEGI-traditional technology that uses the algorithms of: Minimum Distance (MD), Maximum Likelihood (MV) and Spectral Angle Mapper (SAM) in QGIS 3.18, it was found that the new technology yielded better results, with respect to savings in human, economic and computer resources. The highest accuracies according to the confusion matrix were for CART and RF with 89 % each, estimated corn area of 80,131 and 98,138 ha and for beans 60,174 and 60,358 ha respectively. The results favored the processing in GEE, both in time and accuracy percentage, in GEE it was 6 h in average while in QGIS, independently of the algorithm, it oscillated in 26 hours. There was a decrease in time of 20 h and a higher percentage of accuracy with the change in the use of the new remote sensing technology. As for the field sampling carried out simultaneously with the analysis of satellite images during the agricultural cycle, 294 sampled plots were obtained and 43 more collected by INEGI-SLP, the first ones were used to define the Regions Of Interest (ROI) for training the supervised classifications and the second ones were used to validate the results. According to these results, the highest area estimated with all classifiers was corn, then beans and finally irrigated crops (alfalfa, chili and oats) including others and no crop. In relation to the calculation of the Normalized Difference Vegetation Index (NDVI) at 5-day intervals during the PV cycle for the sampled ROIS, the results showed that rainfed crops in this region are at risk of water deficit at any phenological stage. Drought is one of the factors causing NDVI to reach a maximum around 0.317 to 0.386 in rainfed crops due to leaf senescence, so low NDVI values are equivalent to a dry, low productivity and highly stressed crop. This is related to the scarce and erratic rainfall, limiting the productivity of rainfed crops. In the irrigated zone of the study area, the NDVI values of alfalfa and chili grown under irrigation were higher (in alfalfa they ranged from 0.389 to 0.832 and 0.249 to 0.673 in chili, respectively) than those obtained in rainfed crops.