Clasificación de cultivos de quinua orgánica mediante el uso de imágenes aéreas multiespectrales y técnicas de aprendizaje automático

Abstract

Según datos de la FAO, la planta de la quinua se originó en los alrededores del lago Titicaca que comparten Perú y Bolivia, destaca por la calidad nutricional que posee, así también los requerimientos del cultivo en cuanto a la poca exigencia en la cantidad de agua, lo cual lo hace un cultivo ideal para contrarrestar el cambio climático. La producción mundial de quinua se encuentra liderada primordialmente por los países de Perú y Bolivia, quienes concentran entre el 83% (año 2015) al 67% (año 2016). En ambos países dicha actividad involucra a no menos de 150,000 familias de pequeños productores. La producción de dicho cultivo es mayoritariamente orgánica con promedios bajos de producción. Como consecuencia del escaso uso de tecnologías productivas, el incremento de plagas, así como de la variabilidad cada vez más impredecible de las condiciones climáticas, los agricultores familiares de ambas regiones continúan presentando niveles de pobreza de 42.9% y extrema pobreza de 21.3% en promedio. (INEI-Perú, INE Bolivia). El presente trabajo de investigación contribuye al mapeo de cultivos el cual constituye una herramienta esencial para la gestión agrícola y la seguridad alimentaria. El objetivo del trabajo de investigación es la evaluación de diversos métodos de clasificación del cultivo de la quinua que permitirá realizar el mapeo automático. El estudio se centra en el uso de técnicas de aprendizaje automático para clasificar cultivos de quinua a partir de imágenes aéreas multiespectrales tomadas desde un sistema aéreo no tripulado. La reflectancia espectral de cinco bandas ópticas se utiliza para determinar modelos de clasificación que se evalúan en las diferentes etapas fenológicas de la quinua. Se exploraron estrategias de aprendizaje automático a las imágenes obtenidas, tales como árboles de decisión, análisis discriminatorio, máquinas de vectores de soporte, K vecino más cercano, conjunto de clasificadores, métodos de aprendizaje profundo de Segnet y Unet. Los conjuntos de datos de entrenamiento se obtuvieron de las ubicaciones de los campos de quinua en Cabana en la región Puno de Perú. Los resultados muestran que las técnicas de aprendizaje profundo superan a otras técnicas en la tarea de clasificación. Se muestran las pruebas realizadas sobre las diversas etapas fenológicas en donde las técnicas de aprendizaje profundo obtienen una precisión de entre 81% y 95%, mientras que las demás técnicas su precisión fueron entre 58% y 87%.

Crop mapping is an essential tool for agricultural management and food security for which remote sensing data can be used. This study focuses on the use of machine learning techniques to classify quinoa crops from multispectral aerial images. Spectral reflectance of five optical bands are used for determining classification models which are evaluated for different phenological stages of quinoa. Decision Trees, Discriminant Analysis, Support Vector Machines, K nearest Neighbor, Ensemble Classifiers, deep learning methods Segnet and Unet were explored. Training datasets were obtained from quinoa crop fields locations at Cabana in the Puno region of Peru. An unmanned aircraft system (UAS) was used to acquire the multispectral images from an altitude of 50 meters. Results show that deep learning techniques outperform the other techniques in the classification task.