Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.), banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).

Autores/as

Zambrano-Garcia, Oliver Michael
Universidad Técnica Estatal de Quevedo
Vlassova, Lidia
Universidad Técnica Estatal de Quevedo
https://orcid.org/0000-0001-5025-5691

Palabras clave:

Maximum Likelihood, Random Forest, Cultivos, NDVI, RESI

Sinopsis

Se analiza la expansión e intensificación de la agricultura no regulada e insostenible, principalmente en América Latina, enfocándose en Ecuador, donde la degradación del suelo está estrechamente relacionada con prácticas agrícolas insostenibles. Destaca la importancia de una planificación territorial exhaustiva y el uso de teledetección para evaluar cambios en el uso del suelo y la cobertura vegetal​​. La investigación se centra en la zona norte de las provincias del Guayas y de Los Ríos en Ecuador, enfocándose en el procesamiento de imágenes satelitales para detectar cultivos de banano, cacao y palma. Utiliza una metodología experimental y cuantitativa para comparar la efectividad de distintas metodologías de clasificación, evaluando la precisión del método de inteligencia artificial Bosques Aleatorios usando imágenes del satélite Sentinel-2. Los resultados del estudio incluyen el preprocesamiento de imágenes satelitales, el cálculo de índices espectrales NDVI y RESI, y la clasificación supervisada de las imágenes de Sentinel-2 utilizando los métodos de Máxima Verosimilitud y Bosques Aleatorios. Se realizaron análisis estadísticos detallados, incluyendo la validación de resultados mediante matrices de confusión y el cálculo del coeficiente Kappa​​. En conclusión, el manuscrito ofrece una comprensión profunda de cómo la teledetección y la inteligencia artificial pueden ayudar en la detección y clasificación de cultivos en áreas específicas, contribuyendo a la gestión agrícola y la planificación territorial sostenible​​.

Biografía del autor/a

Zambrano-Garcia, Oliver Michael, Universidad Técnica Estatal de Quevedo

El Ingeniero ambiental Oliver Zambrano se graduó de la Universidad Técnica Estatal de Quevedo en julio de 2023. La presente publicación se basa en los resultados del proyecto de investigación "Aplicación de algoritmo de inteligencia artificial para la detección de cultivos de cacao (Theobroma cacao L.), banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.)” donde activamente colaboró. Dentro del proyecto se llevó a cabo una comparación para evaluar la eficacia de dos métodos en la identificación de cultivos de banano, cacao, palma africana y otras coberturas: Máxima Verosimilitud (ML) y Bosques Aleatorios (RF).

Vlassova, Lidia, Universidad Técnica Estatal de Quevedo

Geógrafa Lidia Vlassova es una docente e investigadora de la Universidad Técnica de Quevedo (Ecuador) con amplia experiencia en aplicación de métodos de teledetección, herramientas de Sistemas de Información Geográfica y algoritmos de Inteligencia Artificial en ordenamiento territorial y gestión ambiental. Los resultados de sus investigaciones fueron presentados en los eventos científicos y publicados en las revistas de renombre internacional.

Citas

Ai, B., Huang, K., Zhao, J., Sun, S., Jian, Z., & Liu, X. (2022). Comparison of classification algorithms for detecting typical coastal reclamation in Guangdong Province with Landsat 8 and Sentinel 2 images. Remote Sensing, 14(2), 385. https://doi.org/10.3390/rs14020385

Aksoy, S., Yildirim, A., Gorji, T., Hamzehpour, N., Tanik, A., & Sertel, E. (2022). Assessing the performance of machine learning algorithms for soil salinity mapping in Google Earth Engine platform using Sentinel-2A and Landsat-8 OLI data. Advances in Space Research: The Official Journal of the Committee on Space Research (COSPAR), 69(2), 1072–1086. https://doi.org/10.1016/j.asr.2021.10.024

Arai, K. (2020). Maximum likelihood classification based on classified result of boundary mixed pixels for high spatial resolution of satellite images. International Journal of Advanced Computer Science and Applications : IJACSA, 11(9). https://doi.org/10.14569/ijacsa.2020.0110904

Arcgis Desktop. (s/f). ¿Qué es la clasificación de imagen? Arcgis Desktop. https://desktop.arcgis.com/es/arcmap/10.4/extensions/spatial-analyst/image-classification/what-is-image-classification-.htm

Athey, S., Tibshirani, J., & Wager, S. (2019). Generalized random forests. Annals of statistics, 47(2). https://doi.org/10.1214/18-aos1709

Borràs, J., Delegido, J., Pezzola, A., Pereira, M., Morassi, G., & Camps-Valls, G. (2017). Clasificación de usos del suelo a partir de imágenes Sentinel-2. Revista de teledetección, 48, 55. https://doi.org/10.4995/raet.2017.7133

Campos-Taberner, M., García-Haro, F. J., Martínez, B., & Gilabert, M. A. (2020). Deep learning para la clasificación de usos de suelo agrícola con Sentinel-2. Revista de teledetección, 56, 35. https://doi.org/10.4995/raet.2020.13337

Cánovas García, F., Alonso Sarría, F., & Gomariz Castillo, F. (2016). Modificación del algoritmo Random Forest para su empleo en clasificación de imágenes de teledetección. En Aplicaciones geotecnológicas para el desarrollo económico sostenible. XVII Congreso Nacional de Tecnologías de la Información Geográfica (pp. 359–368). Grupo de Tecnologías de la Información Geográfica.

Castellanos-Navarrete, A. (2021). Oil palm dispersal into protected wetlands: Human–environment dichotomies and the limits to governance in southern Mexico. Land Use Policy, 103, 1–13. https://doi.org/10.1016/j.landusepol.2021.105304

Cerda L, J., & Villarroel del P, L. (2008). Evaluación de la concordancia inter-observador en investigación pediátrica: Coeficiente de Kappa. Revista Chilena de Pediatria, 79(1). https://doi.org/10.4067/s0370-41062008000100008

Coltro, L., & Karaski, T. U. (2019). Environmental indicators of banana production in Brazil: Cavendish and Prata varieties. Journal of Cleaner Production, 207, 363–378. https://doi.org/10.1016/j.jclepro.2018.09.258

Congedo, L. (2021). Semi-Automatic Classification Plugin: A Python tool for the download and processing of remote sensing images in QGIS. Journal of open source software, 6(64), 3172. https://doi.org/10.21105/joss.03172

Copernicus Open Access Hub. (s/f). Europe’s Eyes on Earth. Copernicus Open Access Hub. https://scihub.copernicus.eu/dhus/#/home

Cutler, D. R., Edwards, T. C., Jr, Beard, K. H., Cutler, A., Hess, K. T., Gibson, J., & Lawler, J. J. (2007). Random forests for classification in ecology. Ecology, 88(11), 2783–2792. https://doi.org/10.1890/07-0539.1

Denis Ávila, D., Curbelo, E. A., Madrigal-Roca, L. J., & Pérez-Lanyau, R. D. (2020). Variación espacio-temporal de la respuesta espectral en manglares de La Habana, Cuba, a través de sensores remotos. Revista de biologia tropical, 68(1). https://doi.org/10.15517/rbt.v68i1.39134

Elbeih, S. F. (2021). Evaluation of agricultural expansion areas in the Egyptian deserts: A review using remote sensing and GIS. Egyptian Journal of Remote Sensing and Space Sciences, 24(3), 889–906. https://doi.org/10.1016/j.ejrs.2021.10.004

EOS Data Analytics. (2020). ¿Qué es la Diferencia Normalizada de Borde Rojo (NDRE)? EOS Data Analytics. https://eos.com/es/industries/agriculture/ndre/

European Space Agency, & Fletcher, K. (2012). SENTINEL 2: ESA’s optical high-resolution mission for GMES operational services.

GADM de Valencia. (2016). Plan de Desarrollo y Ordenamiento Territorial 2016-2020 del Cantón Valencia. https://multimedia.planificacion.gob.ec/PDOT/descargas.html

GADM El Empalme. (2015). Plan de Desarrollo y Ordenamiento Territorial - El Empalme 2015-2024. https://multimedia.planificacion.gob.ec/PDOT/descargas.html

GADM San Jacinto de Buena Fe. (2017). Plan de Desarrollo y Ordenamiento Territorial 2015-2019; Alineado al Plan Nacional de Desarrollo 2017-2021 del Cantón San Jacinto de Buena Fe, Provincia de los Ríos. https://multimedia.planificacion.gob.ec/PDOT/descargas.html

Genuer, R., Poggi, J.-M., Tuleau-Malot, C., & Villa-Vialaneix, N. (2017). Random forests for big data. Big Data Research, 9, 28–46. https://doi.org/10.1016/j.bdr.2017.07.003

Gonzaga Aguilar, C. (2014). Aplicación de índices de vegetación derivados de imágenes satelitales Landsat 7 ETM+ y ASTER para la caracterización de la cobertura vegetal en la zona centro de la provincia de Loja, Ecuador [Universidad Nacional de La Plata]. https://doi.org/10.35537/10915/34487

Graziano Ceddia, M. (2019). The impact of income, land, and wealth inequality on agricultural expansion in Latin America. Proceedings of the National Academy of Sciences of the United States of America, 116(7), 2527–2532. https://doi.org/10.1073/pnas.1814894116

Ha, N. T., Manley-Harris, M., Pham, T. D., & Hawes, I. (2020). A comparative assessment of ensemble-based machine learning and maximum likelihood methods for mapping seagrass using Sentinel-2 imagery in Tauranga Harbor, New Zealand. Remote Sensing, 12(3), 355. https://doi.org/10.3390/rs12030355

Hernandez-Clemente, R., & Hornero, A. (2021). Monitoring and assessment of desertification using remote sensing. Ecosistemas: revista cientifica y tecnica de ecologia y medio ambiente, 30(3), 2240. https://doi.org/10.7818/ecos.2240

Jay, S. C., Lawrence, R., Repasky, K., & Keith, C. (2009). Invasive species mapping using low cost hyper spectral imagery. ASPRS 2009 Annual Conference, 1–9.

Labrador García, M., Évora Brondo, J. A., & Arbelo, M. (2012). Satélites de teledetección para la gestión del territorio. https://www.researchgate.net/publication/259230060_Satelites_de_teledeteccion_para_la_gestion_del_territorio

Lastovicka, J., Svec, P., Paluba, D., Kobliuk, N., Svoboda, J., Hladky, R., & Stych, P. (2020). Sentinel-2 data in an evaluation of the impact of the disturbances on forest vegetation. Remote Sensing, 12(12), 1–26. https://doi.org/10.3390/rs12121914

Leng, X., Feng, X., & Fu, B. (2020). Driving forces of agricultural expansion and land degradation indicated by Vegetation Continuous Fields (VCF) data in drylands from 2000 to 2015. Global Ecology and Conservation, 23, 1–16. https://doi.org/10.1016/j.gecco.2020.e01087

MAG. (2020). Resumen Ejecutivo de los Diagnósticos Territoriales del Sector Agrario. Ministerio de Agricultura y Ganadería – Coordinación General de Planificación y Gestión Estratégica. https://www.agricultura.gob.ec/wp-content/uploads/2020/08/Resumen-Ejecutivo-Diagn%C3%B3sticos-Territoriales-del-Sector-Agrario_14-08-2020-1_compressed.pdf

Márquez Poblete, M. A., & Veloso Pérez, E. (2021). El ordenamiento territorial en Chile: estado del arte. Estado, gobierno, gestión pública, 18(35). https://doi.org/10.5354/0717-8980.2020.61424

Marrón Ramos, D. N., Reyes Valenzuela, R., González Torres, A., Juárez Rodríguez, R., & Mendoza Montero, F. Y. (2022). Evaluación de la deserción a nivel superior: dimensiones que inciden en carreras universitarias. RIDE revista iberoamericana para la investigación y el desarrollo educativo, 13(25). https://doi.org/10.23913/ride.v13i25.1269

Miguel Ayala, L., van Eupen, M., Zhang, G., Pérez-Soba, M., Martorano, L. G., Lisboa, L. S., & Beltrao, N. E. (2016). Impact of agricultural expansion on water footprint in the Amazon under climate change scenarios. The Science of the Total Environment, 569–570, 1159–1173. https://doi.org/10.1016/j.scitotenv.2016.06.191

Morell-Monzó, S., Estornell, J., & Sebastiá-Frasquet, M. T. (2022). Clasificación del estado de parcelas de cítricos utilizando datos multitemporales Sentinel-2. Teledetección para una Agricultura Sostenible en la era del Big Data, Actas del XIX Congreso de la Asociación Española de Teledetección. https://www.researchgate.net/publication/363349545_Clasificacion_del_estado_de_parcelas_de_citricos_utilizando_datos_multitemporales_Sentinel-2

Muñoz Murcillo, J. L., Gentili, J., & Bustos Cara, R. (2020). Uso agrícola del suelo y demanda de agua para riego en la cuenca del río Vinces (Ecuador) durante el período 1990 – 2014. Investigaciones geográficas, 1(59), 91. https://doi.org/10.5354/0719-5370.2020.56958

Ngoma, H., Pelletier, J., Mulenga, B. P., & Subakanya, M. (2021). Climate-smart agriculture, cropland expansion and deforestation in Zambia: Linkages, processes and drivers. Land Use Policy, 107, 1–15. https://doi.org/10.1016/j.landusepol.2021.105482

Nogueira de Brito, B., & Silva Brito, J. L. (2020). Mapeamento de qualidade em pastagens do Cerrado por meio de imagens Sentinel 2. Geografia Ensino & Pesquisa, 24(44). https://doi.org/10.5902/2236499443352

Nolasco, M., Bocco, M., & Scavuzzo, C. (2017). Mapeo de cultivos agrícolas en Córdoba: una comparación del desempeño de tres algoritmos de clasificación. IX Congreso Argentino de AgroInformática (CAI 2017) - JAIIO 46-CLEI 43 (Córdoba, 2017). http://sedici.unlp.edu.ar/handle/10915/62830

NU. CEPAL. (2017). El cambio climático, la agricultura y la pobreza en América Latina. Naciones Unidas, 1, 1–17. https://hdl.handle.net/11362/45696

OECD, & Food and Agriculture Organization of the United Nations. (2016). OCDE-FAO Perspectivas Agricolas 2016-2025. OECD. https://doi.org/10.1787/agr_outlook-2016-es

Ok, A. O., Akar, O., & Gungor, O. (2012). Evaluation of random forest method for agricultural crop classification. European Journal of Remote Sensing, 45(1), 421–432. https://doi.org/10.5721/eujrs20124535

Pech May, F., Sánchez Hernández, J. V., & Sánchez Jacinto, H. (2021). Análisis de zonas de cultivo y cuerpos de agua mediante el cálculo de índices radiométricos con imágenes Sentinel-2. Lámpsakos, 24, 48. https://doi.org/10.21501/21454086.3601

Ponce Cevallos, J. (2016). La Política Agropecuaria Ecuatoriana hacia el desarrollo territorial rural sostenible: 2015-2025 Versión 1. Quito, Ecuador: Sector Público Gubernamental. http://www2.competencias.gob.ec/wp-content/uploads/2021/03/02-06PPP2015-POLITICA02-1.pdf

Ramírez, M., Martínez, L., Montilla, M., Sarmiento, O., Lasso, J., & Díaz, S. (2020). Obtención de coberturas del suelo agropecuarias en imágenes satelitales Sentinel-2 con la inyección de imágenes de dron usando Random Forest en Google Earth Engine. Revista de teledetección, 56, 49. https://doi.org/10.4995/raet.2020.14102

Rhew, I. C., Vander Stoep, A., Kearney, A., Smith, N. L., & Dunbar, M. D. (2011). Validation of the normalized difference vegetation index as a measure of neighborhood greenness. Annals of Epidemiology, 21(12), 946–952. https://doi.org/10.1016/j.annepidem.2011.09.001

Rodríguez Pérez, D., Sánchez-Carnero, N., Domínguez Gómez, J. A., & Marta Pastrana, C. S. (2015). Cuestiones de teledetección. UNED - Universidad Nacional de Educación a Distancia. https://dialnet.unirioja.es/servlet/libro?codigo=574612

Sánchez Turcios, R. A. (2015). Prueba de Wilcoxon-Mann-Whitney: mitos y realidades. Revista mexicana de endocrinología metabolismo & nutrición, 2(1), 18–21.

Sánchez-Méndez, A. G., & Arguijo-Hernández, S. P. (2018). Análisis de imágenes multiespectrales para la detección de cultivos y detección de plagas y enfermedades en la producción de café. Research in Computing Science, 147(7), 309–317. https://doi.org/10.13053/rcs-147-7-24

Santiago Bazan, F., Mallqui Meza, H., & Rios Recra, R. (2021). Mapeo de la cobertura vegetal en la subcuenca Quillcay (Ancash – Perú) con el clasificador de Árbol de decisiones. Aporte Santiaguino, 14(1), 78–91. https://doi.org/10.32911/as.2021.v14.n1.761

Smida, Z., Cucala, L., Gannoun, A., & Durif, G. (2022). A Wilcoxon-Mann-Whitney spatial scan statistic for functional data. Computational Statistics & Data Analysis, 167(107378), 107378. https://doi.org/10.1016/j.csda.2021.107378

Song, X.-P., Huang, W., Hansen, M. C., & Potapov, P. (2021). An evaluation of Landsat, Sentinel-2, Sentinel-1 and MODIS data for crop type mapping. Science of Remote Sensing, 3. https://doi.org/10.1016/j.srs.2021.100018

Sporchia, F., Taherzadeh, O., & Caro, D. (2021). Stimulating environmental degradation: A global study of resource use in cocoa, coffee, tea and tobacco supply chains. Current Research in Environmental Sustainability, 3(100029). https://doi.org/10.1016/j.crsust.2021.100029

Titti, G., Sarretta, A., Lombardo, L., Crema, S., Pasuto, A., & Borgatti, L. (2022). Mapping susceptibility with open-source tools: A new plugin for QGIS. Frontiers in earth science, 10. https://doi.org/10.3389/feart.2022.842425

USGS-U.S. Geological Survey. (s/f). EarthExplorer. USGS - U.S. Geological Survey. https://earthexplorer.usgs.gov/

Valero Medina, J. A., & Alzate Atehortúa, B. E. (2019). Comparison of maximum likelihood, support vector machines, and random forest techniques in satellite images classification. Tecnura, 23(59), 13–26. https://doi.org/10.14483/22487638.14826

Vega, A., Trujillo, R., Cortéz, L., Paruelo, J., Volante, J., Mosciaro, J., Morales Poclava, M., Vale, L., Castrillo, S., Sawchik, J., Tiscornia, G., Fuente, M., & Maldonado, I. (2015). Expansión agrícola en Argentina, Bolivia, Paraguay, Uruguay y Chile entre 2000-2010. Caracterización espacial mediante series temporales de índices de vegetación. RIA. Revista de investigaciones agropecuarias, 41(2), 179–191. https://www.redalyc.org/articulo.oa?id=86441580011

Vera Rojas, N. J. (2020). Análisis de uso de suelo a partir de imágenes satelitales sentinel 2 en el cantón Buena Fe, provincia de Los Ríos [UTEQ]. http://repositorio.uteq.edu.ec/handle/43000/6186

Viteri-Salazar, O., & Toledo, L. (2020). The expansion of the agricultural frontier in the northern Amazon region of Ecuador, 2000–2011: Process, causes, and impact. Land Use Policy, 99(104986), 104986. https://doi.org/10.1016/j.landusepol.2020.104986

Vura, S., Patil, P., & Patil, S. B. (2023). A study of different compression algorithms for multispectral images. Materials Today: Proceedings, 80, 2193–2197. https://doi.org/10.1016/j.matpr.2021.06.175

Waśniewski, A., Hościło, A., Zagajewski, B., & Moukétou-Tarazewicz, D. (2020). Assessment of Sentinel-2 satellite images and Random Forest classifier for Rainforest mapping in Gabon. Forests, 11(9), 941. https://doi.org/10.3390/f11090941

Weiss, M., Jacob, F., & Duveiller, G. (2020). Remote sensing for agricultural applications: A meta-review. Remote Sensing of Environment, 236, 111402. https://doi.org/10.1016/j.rse.2019.111402

Xiao, C., Li, P., Feng, Z., Liu, Y., & Zhang, X. (2020). Sentinel-2 red-edge spectral indices (RESI) suitability for mapping rubber boom in Luang Namtha Province, northern Lao PDR. International Journal of Applied Earth Observation and Geoinformation: ITC Journal, 93. https://doi.org/10.1016/j.jag.2020.102176

Yang, Y., Chen, Y., Yang, K., Cermak, J., & Chen, Y. (2021). High-resolution aerosol retrieval over urban areas using sentinel-2 data. Atmospheric Research, 264, 105829. https://doi.org/10.1016/j.atmosres.2021.105829

Zepeda-Jazo, I. (2018). Manejo sustentable de plagas agrícolas en México. AGRICULTURA, SOCIEDAD Y DESARROLLO, 15(1), 99–108. https://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S1870-54722018000100099


Flag Counter

Publicado

19 diciembre 2023

Licencia

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.

Detalles sobre el formato de publicación disponible: PDF

PDF

doi

10.55813/egaea.fp.2022.141

Detalles sobre el formato de publicación disponible: html

html

doi

10.55813/egaea.fp.2022.142

Detalles sobre el formato de publicación disponible: Certificado Sello Editorial

Certificado Sello Editorial

doi

10.55813/egaea.fp.2022.146
Themes by Openjournaltheme.com

Como citar