Algoritmo de inteligencia artificial
para la detección de cultivos de
cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y
palma africana (Elaeis guineensis
J.).
Autor/es:
Zambrano Garcia, Oliver Michael
Vlassova, Lidia
© Publicaciones Editorial Grupo AEA Santo Domingo – Ecuador
Publicado en: https://www.editorialgrupo-aea.com/
Contacto: +593 983652447; +593 985244607 Email: info@editorialgrupo-aea.com
Título del libro:
Algoritmo de inteligencia artificial para la detección de cultivos de cacao
(Teobroma cacao L.), banano (Musa paradisiaca L.) y palma africana (Elaeis
guineensis J.).
© Zambrano Garcia Oliver Michael, Vlassova Lidia.
© Diciembre, 2023
Libro Digital, Primera Edición, 2023
Editado, Diseñado, Diagramado y Publicado por Comité Editorial del Grupo AEA,
Santo Domingo de los Tsáchilas, Ecuador, 2023
ISBN:
978-9942-651-17-4
https://doi.org/10.55813/egaea.l.2022.61
Como citar: Zambrano Garcia, O. M., Vlassova, L. (2023). Algoritmo de
inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.). Editorial
Grupo AEA. Ecuador. https://doi.org/10.55813/egaea.l.2022.61
Palabras Clave: Maximum Likelihood, Random Forest, Cultivos, NDVI, RESI.
Cada uno de los textos de Editorial Grupo AEA han sido sometido a un proceso de
evaluación por pares doble ciego externos (double-blindpaperreview) con base en la
normativa del editorial.
Revisores:
Ing. Rojas Felipe Edwin, Ph.D.
Universidad Nacional de
Huancavelica – Perú
Ing. Jorge Washington Rodríguez
Deza, Ph.D.
Universidad Nacional de
Huancavelica – Perú
Los libros publicados por “Editorial Grupo AEA” cuentan con varias indexaciones y
repositorios internacionales lo que respalda la calidad de las obras. Lo puede revisar en
los siguientes apartados:
Editorial Grupo AEA
http://www.editorialgrupo-aea.com
Editorial Grupo AeA
editorialgrupoaea
Editorial Grupo AEA
Aviso Legal:
La información presentada, así como el contenido, fotografías, gráficos, cuadros, tablas
y referencias de este manuscrito es de exclusiva responsabilidad del/los autor/es y no
necesariamente reflejan el pensamiento de la Editorial Grupo AEA.
Derechos de autor ©
Este documento se publica bajo los términos y condiciones de la licencia Creative
Commons Reconocimiento-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-
SA 4.0).
El “copyright” y todos los derechos de propiedad intelectual y/o industrial sobre el
contenido de esta edición son propiedad de la Editorial Grupo AEA y sus Autores. Se
prohíbe rigurosamente, bajo las sanciones en las leyes, la producción o almacenamiento
total y/o parcial de esta obra, ni su tratamiento informático de la presente publicación,
incluyendo el diseño de la portada, así como la transmisión de la misma de ninguna
forma o por cualquier medio, tanto si es electrónico, como químico, mecánico, óptico,
de grabación o bien de fotocopia, sin la autorización de los titulares del copyright, salvo
cuando se realice confines académicos o científicos y estrictamente no comerciales y
gratuitos, debiendo citar en todo caso a la editorial. Las opiniones expresadas en los
capítulos son responsabilidad de los autores.
Reseña de Autores
Zambrano Garcia, Oliver Michael
Universidad Técnica Estatal de
Quevedo
oliver.zambrano2017@uteq.edu.ec
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
lvlassova@uteq.edu.ec
https://orcid.org/0000-0001-5025-5691
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.
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
VIII
Editorial Grupo AEA
Índice
Reseña de Autores ......................................................................................... VII
Índice ............................................................................................................. VIII
Índice de Tablas ............................................................................................... XI
Índice de Figuras ............................................................................................ XII
Índice de Anexos ........................................................................................... XIII
Índice de Ecuaciones ..................................................................................... XIV
Introducción .................................................................................................... XV
Capítulo I: Contextualización y fundamentación teórica de la investigación .... 19
1.1. Problema de investigación ................................................................ 21
1.1.1. Planteamiento del problema ........................................................ 21
1.1.2. Diagnóstico .................................................................................. 22
1.1.3. Pronóstico ................................................................................... 23
1.1.4. Formulación del problema ........................................................... 23
1.1.5. Sistematización del problema ...................................................... 23
1.2. Objetivos ........................................................................................... 24
1.2.1. Objetivo general .......................................................................... 24
1.2.2. Objetivos específicos ................................................................... 24
1.3. Justificación ...................................................................................... 24
1.4. Fundamentación teórica de la investigación...................................... 26
1.4.1. Marco conceptual ........................................................................ 26
1.4.1.1. Producción agrícola sostenible .............................................. 26
1.4.1.2. Ordenamiento territorial ......................................................... 26
1.4.1.3. Teledetección ........................................................................ 26
1.4.1.4. Imágenes multiespectrales .................................................... 27
1.4.1.5. Firmas espectrales ................................................................ 28
1.4.1.6. Sentinel-2 .............................................................................. 28
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
IX
Editorial Grupo AEA
1.4.1.7. Bandas espectrales ............................................................... 28
1.4.1.7.1. Bandas del Sentinel-2 ..................................................... 29
1.4.1.8. Clasificación de imágenes satelitales .................................... 29
1.4.1.8.1. Clasificación supervisada ................................................ 30
1.4.1.8.2. Clasificación no supervisada ........................................... 30
1.4.1.8.3. Método Máxima Probabilidad .......................................... 30
1.4.1.8.4. Método Bosques Aleatorios ............................................ 30
1.4.1.9. Índices espectrales ............................................................... 31
1.4.1.9.1. Índice NDVI ..................................................................... 31
1.4.1.9.2. Índice RESI ..................................................................... 31
1.5. Marco referencial .............................................................................. 31
1.5.1. Estudio referencial 1 .................................................................... 32
1.5.2. Estudio referencial 2 .................................................................... 33
1.5.3. Estudio referencial 3 .................................................................... 33
1.5.4. Estudio referencial 4 .................................................................... 34
1.5.5. Estudio referencial 5 .................................................................... 35
Capítulo II: Metodología de la investigación .................................................... 37
2.1. Localización ...................................................................................... 39
2.2. Tipo de investigación ........................................................................ 40
2.3. Métodos de investigación .................................................................. 40
2.4. Fuentes de recopilación de información ............................................ 41
2.5. Diseño de la investigación ................................................................ 41
2.5.1. OE 1: Ejecutar el preprocesamiento de imágenes multiespectrales
del satélite Sentinel-2 con las funciones del software especializado (ENVI y
ArcGIS) para la posterior clasificación ..................................................... 42
2.5.1.1. Búsqueda de imágenes ......................................................... 42
2.5.1.2. Comprobación de imágenes.................................................. 44
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
X
Editorial Grupo AEA
2.5.1.3. Corrección atmosférica de las imágenes satelitales Sentinel-2
45
2.5.1.4. Unión de las bandas espectrales .......................................... 46
2.5.1.5. Extracción y recorte de polígono real para imagen................ 47
2.5.2. OE 2: Realizar la clasificación supervisada de las imágenes de
Sentinel-2 con los métodos de Máxima Verosimilitud y Bosques Aleatorios
e índices espectrales para detectar los cultivos principales en la zona de
estudio 48
2.5.2.1. Cálculos de índices espectrales ............................................ 48
2.5.2.2. Cálculo de índices espectrales en el software ....................... 49
2.5.2.3. Creación de áreas de entrenamiento .................................... 49
2.5.2.4. Regiones de interés (ROIs) ................................................... 50
2.5.2.5. Aplicación del clasificador Máxima Probabilidad (ML) ........... 51
2.5.2.6. Aplicación del clasificador Bosques Aleatorios (RF) .............. 51
2.5.3. OE 3: Llevar a cabo el análisis estadístico de las clasificaciones para
evaluar la precisión de los dos métodos en detección de los cultivos de
cacao, banano y palma africana .............................................................. 52
2.5.3.1. Matriz de confusión ............................................................... 52
2.5.3.2. Coeficiente Kappa ................................................................. 53
2.5.3.3. Análisis estadístico ................................................................ 53
2.6. Recursos y materiales ...................................................................... 54
2.6.1. Programas informáticos ............................................................... 54
2.7. Sitios web ......................................................................................... 55
Capítulo III: Resultados, discusión, conclusiones y recomendaciones. ........... 57
3.1. Preprocesamiento de imágenes satelitales ....................................... 59
3.1.1. Selección de imagen satélite Sentinel-2 ...................................... 59
3.1.2. Unión de bandas espectrales y recorte de imagen para área de
estudio 62
3.2. Clasificación supervisada de las imágenes de Sentinel-2 ................. 64
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
XI
Editorial Grupo AEA
3.2.1. Cálculo de índices espectrales NDVI y RESI ............................... 64
3.2.2. Cálculo de Stack de índices ......................................................... 65
3.2.3. Clasificación supervisada ............................................................ 67
3.2.3.1. Creación de áreas de entrenamiento .................................... 67
3.2.3.2. Creación de ROIs .................................................................. 69
3.2.3.3. Clasificación con Máxima Verosimilitud ................................. 70
3.2.3.4. Clasificación con Bosques Aleatorios .................................... 71
3.3. Análisis estadístico de los resultados ................................................ 73
3.3.1. Validación de resultados .............................................................. 73
3.3.1.1. Áreas de entrenamiento al azar ............................................ 74
3.3.1.2. Matriz de confusión ............................................................... 75
3.3.1.3. Coeficiente Kappa ................................................................. 77
3.3.2. Análisis estadístico ...................................................................... 77
3.4. Discusión .......................................................................................... 79
3.5. Conclusiones .................................................................................... 82
3.6. Recomendaciones ............................................................................ 84
Referencias Bibliográficas ............................................................................... 87
Anexos ............................................................................................................ 97
Índice de Tablas
Tabla 1 Bandas de Sentinel-2 ......................................................................... 29
Tabla 2 Ecuaciones de Índices Espectrales .................................................... 48
Tabla 3 Formato para registro de coordenadas para definir áreas de
entrenamiento ................................................................................................. 50
Tabla 4 Modelo de matriz de contingencia con aditamento de resultados del
coeficiente Kappa ........................................................................................... 52
Tabla 5 Nivel de valorización del índice de Kappa .......................................... 53
Tabla 6 Características de imagen 1 de Sentinel-2 ......................................... 59
Tabla 7 Características de imagen 2 de Sentinel-2 ......................................... 61
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
XII
Editorial Grupo AEA
Tabla 8 Línea de código aplicado para índices espectrales ............................ 64
Tabla 9 Áreas de entrenamiento ..................................................................... 67
Tabla 10 ROIs de Stack de índices ................................................................. 69
Tabla 11 Extensión de coberturas clasificadas con método Máxima Verosimilitud
(ML) ................................................................................................................ 70
Tabla 12 Extensión de coberturas clasificadas con método Bosques Aleatorios
(RF) ................................................................................................................ 72
Tabla 13 Áreas de entrenamiento al azar ....................................................... 74
Tabla 14 Fuerza de Concordancia según el coeficiente de Kappa para las
clasificaciones de Máxima Verosimilitud (ML) y Bosques Aleatorios (RF) ....... 77
Tabla 15 Prueba estadística de normalidad para los métodos de clasificación
Máxima Verosimilitud (ML) y Bosques Aleatorios (RF) .................................... 77
Tabla 16 Prueba estadística de la Suma de Rangos de Wilcoxon para las
comparaciones entre métodos clasificadores Máxima Verosimilitud (ML) y
Bosques Aleatorios (RF) ................................................................................. 78
Índice de Figuras
Figura 1 Opacidad atmosférica a la radiación electromagnética ..................... 28
Figura 2 Mapa de localización del área de estudio: Cantones Buena Fe, Valencia
y Empalme ...................................................................................................... 39
Figura 3 Flujograma del proceso metódico de la investigación ....................... 42
Figura 4 Servicio web Geológico "USGS Earth Explorer" ............................... 43
Figura 5 Comprobación de nubosidad en el área de estudio .......................... 44
Figura 6 Corrección atmosférica de bandas espectrales Sentinel-2 con el Semi
Automatic Classification Plugin del año 2021 .................................................. 45
Figura 7 Configuración de combinación de bandas espectrales según polígono
del área de estudio.......................................................................................... 46
Figura 8 Definición de polígono recortado del área de estudio en función de las
coberturas reales ............................................................................................ 47
Figura 9 Ejemplo del cálculo para índice espectral en software ENVI -
Herramienta Band Math .................................................................................. 49
Figura 10 Herramienta algorítmica de clasificación “Dzetsaka” para Random
Forest.............................................................................................................. 51
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
XIII
Editorial Grupo AEA
Figura 11 Imagen 1: Combinación RGB de Sentinel-2 (15/08/2019) con área de
estudio sobrepuesta ........................................................................................ 60
Figura 12 Imagen 2: Combinación RGB de Sentinel-2 (20/08/2019) con área de
estudio sobrepuesta ........................................................................................ 62
Figura 13 Recorte de área de estudio para imagen preprocesada de Sentinel-2
........................................................................................................................ 63
Figura 14 Representación de Índices Espectrales: NDVI (A) & RESI (B) ....... 65
Figura 15 Stack de Índices NDVI + RESI calculados ...................................... 66
Figura 16 Clasificación supervisada con método Máxima Verosimilitud ......... 71
Figura 17 Clasificación supervisada con método Bosques Aleatorios ............ 73
Figura 18 Matriz de confusión de las clasificaciones de imágenes: A(ML) & B(RF)
........................................................................................................................ 75
Índice de Anexos
Anexo 1 Metadatos completos de la imagen 1 de Sentinel-2 ......................... 99
Anexo 2 Metadatos completos de la imagen 2 de Sentinel-2 ........................101
Anexo 3 Informe completo de la separabilidad espectral de ROIs (Superior e
Inferior) de la imagen Sentinel-2 ....................................................................103
Anexo 4 Toma de coordenadas para áreas de entrenamiento y generación de
ROIs para zonas de cultivo de interés y otros ................................................104
Anexo 5 Toma de coordenadas para áreas de entrenamiento al azar y
generación de ROIs para proceso de validación con zonas de cultivo de cacao y
banano ...........................................................................................................104
Anexo 6 Toma de coordenadas para áreas de entrenamiento al azar y
generación de ROIs para proceso de validación con zonas de otras coberturas y
asentamientos humanos ................................................................................105
Anexo 7 Determinación de áreas de entrenamiento para generación de ROIs en
la zona de estudio ..........................................................................................105
Anexo 8 Determinación de áreas de entrenamiento al azar para generación de
ROIs y posterior análisis estadístico ..............................................................106
Anexo 9 Generación de puntos al azar para método estadístico ...................106
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
XIV
Editorial Grupo AEA
Anexo 10 Obtención de datos aleatorios para examinar las diferencias
estadísticas mediante la utilización de la función "Extract Multi Values to Point"
.......................................................................................................................107
Anexo 11 Datos obtenidos a partir de herramienta SAGA de QGIS para el
análisis de matriz de confusión y Coeficiente Kappa ......................................107
Anexo 12 Gráfico Q-Q para normalidad de los datos de Maximum Likelihood
.......................................................................................................................108
Anexo 13 Gráfico Q-Q para normalidad de los datos de Random Forest ......108
Índice de Ecuaciones
Ecuación 1 NDVI ........................................................................................... 48
Ecuación 2 RESI ............................................................................................ 48
Ecuación 3 Coeficiente Kappa ....................................................................... 53
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
XV
Editorial Grupo AEA
Introducción
Actualmente la expansión e intensificación de la agricultura no regulada e
insostenible afectan al medio natural mundial, continuando con las causas de los
desperfectos ambientales (Graziano Ceddia, 2019). Asimismo, la creciente
demanda de alimentos, piensos y energía está provocando una mayor intensidad
de la agricultura y cambios en el paisaje. Dicha expansión agrícola insostenible
conduce principalmente a la degradación de la tierra, especialmente en zonas
fértiles (Leng et al., 2020).
En América Latina este proceso es más prominente, con tasas de incremento de
áreas agrícolas sustancialmente superiores a la media mundial. Durante las
últimas décadas, se han producido cambios significativos en el paisaje natural,
en gran parte debido al aumento de la producción agrícola destinada a la
exportación. Un ejemplo claro de este fenómeno es el aumento del 43% en la
superficie cultivada en cinco países del continente, desde el inicio del ciclo
agrícola en el año 2000 hasta su finalización en 2011 (Vega et al., 2015). Por
consiguiente, es esencial establecer una planificación territorial exhaustiva que
permita la evolución ordenada de los sistemas territoriales en la región.
A nivel nacional, la situación es similar, especialmente debido a que el país se
destaca en la exportación de diversos productos agrícolas, como bananos, maíz
amarillo, caña de azúcar, soja, cacao, entre otros (Miguel Ayala et al., 2016).
Según el Ministerio de Agricultura, Ganadería, Acuacultura y Pesca (MAGAP), la
degradación del suelo en el territorio ecuatoriano está estrechamente
relacionada con el uso de prácticas agrícolas insostenibles (Ponce Cevallos,
2016). El problema también se presenta en la provincia de Los Ríos, la segunda
región agrícola más apta del país (OECD & Food and Agriculture Organization
of the United Nations, 2016). Los principales cultivos de la provincia son el cacao,
el café, el arroz, el banano y la palma africana. Semejante a la provincia del
Guayas que se destaca por cultivos de arroz, banano, cacao, café, al igual de la
exportación y producción para consumo familiar de caña de azúcar, maíz y
pastos.
Se ha comprobado que el crecimiento agrícola puede tener un mayor impacto en
la pobreza que otros sectores de la economía, siendo una de las actividades más
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
XVI
Editorial Grupo AEA
afectadas por el cambio climático. Se estima que la disminución de la
productividad y la producción agrícola provocada por este fenómeno retrasa el
logro de las metas de reducción de la pobreza y representará un desafío para la
seguridad alimentaria (NU. CEPAL, 2017).
Comprender los factores involucrados en la diversificación adecuada de la tierra
agrícola es una base importante para que los gobiernos implementen políticas y
programas para mejorar el sector agrícola a fin de reducir la pobreza,
especialmente para aquellos que viven en el sector rural. En el marco del
Objetivo 15 de la Agenda 21, centrado en el desarrollo rural y de la agricultura,
la Comisión Brundtland destacó la importancia de que los gobiernos locales
fomenten la adopción de modelos de producción agrícola diversificados que
respalden una agricultura sostenible y amigable con el medio ambiente (NU.
CEPAL, 2017). Asimismo, se ha observado un incremento en la práctica de
extender la cubierta forestal mediante la transición a nuevos bosques
secundarios, la cual se ha vuelto cada vez más común (Muñoz Murcillo et al.,
2020).
La tecnología de teledetección ayuda en la solución de problemas de
planificación territorial. Se utiliza para evaluar la degradación y conservación de
recursos naturales, especialmente el uso del suelo y los cambios en la cobertura
vegetal. La teledetección espacial contribuye a la investigación ambiental,
permitiendo monitorear procesos dinámicos a partir de imágenes capturadas
desde órbitas estables y repetitivas (Gonzaga Aguilar, 2014).
La cantidad y calidad de la información obtenida de imágenes satelitales
depende de su procesamiento, y actualmente se están utilizando métodos
basados en inteligencia artificial. Los algoritmos de aprendizaje automático más
utilizados incluyen Random Forest (RF), bagging (embolsado), boosting
(aumento), árbol de decisión, red neuronal artificial, máquina de vectores
soportados, k-nearest neighbor (vecino más próximo), etc. Estos algoritmos
aprenden la relación entre los datos de predicción y respuesta sin ninguna
suposición sobre la distribución de los datos (Ok et al., 2012). Con un conjunto
de datos y parámetros adecuados, pueden encontrar el mejor modelo para
nuevos datos. El algoritmo de clasificación RF es superior a muchos algoritmos
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
XVII
Editorial Grupo AEA
basados en árboles debido a su robustez ante el ruido y la resistencia al
sobreajuste (Ok et al., 2012). Ha sido demostrado que clasifica con éxito tanto
grupos complejos como homogéneos de plantas con una precisión global del
88.37% (Jay et al., 2009). Cutler et al. (2007), clasificaron especies de plantas
invasoras usando RF y datos ecológicos (Cutler et al., 2007). En este sentido, el
procesamiento de imágenes satelitales basado en inteligencia artificial ofrece
una gran oportunidad para el monitoreo de la vegetación y la detección de
cambios en la cobertura vegetal.
La detección mediante procesamiento y clasificación de imágenes
multiespectrales puede ayudar a compensar la falta de información actual y
objetiva sobre la distribución de cultivos. Además de los métodos de clasificación
tradicionales, se han propuesto alternativas basadas en inteligencia artificial y
aprendizaje automático para mejorar la precisión de los resultados (Cánovas
García et al., 2016). Estas estrategias innovadoras pueden ser útiles para
mejorar la eficacia de la detección de cultivos y para desarrollar estrategias de
gestión agrícola más sostenibles. En este proyecto se comparará los resultados
obtenidos con el método tradicional de Máxima Verosimilitud y el método de
inteligencia artificial Bosques Aleatorios, para la clasificación de imágenes
multiespectrales de las provincias Guayas y Los Ríos, con enfoque en la
detección de cultivos de cacao, banano y palma africana.
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
XVIII
Editorial Grupo AEA
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
19
Capítulo I:
Contextualización y fundamentación teórica de la
investigación
Capítulo I: Contextualización y fundamentación teórica
de la investigación
01
Contextualización
y fundamentación
teórica de la
investigación
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
20
Capítulo I:
Contextualización y fundamentación teórica de la
investigación
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
21
Capítulo I:
Contextualización y fundamentación teórica de la
investigación
Contextualización y fundamentación teórica de la
investigación
1.1. Problema de investigación
1.1.1. Planteamiento del problema
Para cubrir la creciente demanda de alimentos, originada por el aumento de la
población y la variación en los hábitos alimenticios, es esencial mejorar la
producción agrícola (Ngoma et al., 2021). Sin embargo, la expansión
incontrolada de los cultivos y la aprobación del uso de tierras agrícolas sin un
enfoque integral de la planificación de tierras ha generado problemas
ambientales. Por ello, se han fijado objetivos en la Agenda 2030 para lograr un
progreso sostenible (Muñoz Murcillo et al., 2020).
En la zona de influencia de las provincias del Guayas y Los Ríos, existe un reto
recurrente relacionado con el cultivo agrícola de cacao, que, a pesar de ser una
fuente sólida de economía, puede verse afectado por el cambio climático y
generar consecuencias negativas en el medio ambiente (Sporchia et al., 2021).
Algunos de estos impactos incluyen la contaminación del suelo y de los cuerpos
de agua, tanto subterráneos como superficiales, como resultado de la expansión
de los cultivos, que puede ser insostenible y producir residuos peligrosos o no
peligrosos a través de las actividades de producción.
Por otro lado, el cultivo del banano también enfrenta problemas similares, con un
aumento en el uso del agua durante la temporada de sequía debido a los efectos
del cambio climático. Además, este tipo de prácticas agrícolas insostenibles
pueden llevar a una generación de emisiones de carbono, al igual que otros
procesos de producción o transporte de los productos (Coltro & Karaski, 2019).
En este sentido, es probable que la expansión del cultivo de banano en la zona
de estudio, que es una fuente importante de PIB para las provincias de Los Ríos
y Guayas, tenga un impacto significativo en el carbono.
En cuanto al crecimiento de la producción de palma africana, existe una fuerte
conexión con la degradación ambiental y la emisión de gases de efecto
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
22
Capítulo I:
Contextualización y fundamentación teórica de la
investigación
invernadero, especialmente dióxido de carbono. A pesar de las críticas en contra
de su impacto en los agricultores pequeños, los expertos creen que las
restricciones comunes en la gestión de la producción de aceite de palma limitan
las iniciativas para prevenir y reducir estos efectos negativos (Castellanos-
Navarrete, 2021).
Por lo tanto, es necesario implementar soluciones para abordar los efectos
negativos de la expansión agrícola insostenible en el medio ambiente. Una
opción es la planificación regional eficaz basada en información geográfica
actual y objetiva. El uso de imágenes satelitales multiespectrales de acceso
público podría ayudar a identificar medidas preventivas o de mitigación
específicas relacionadas con la expansión agrícola. Sin embargo, estos métodos
son relativamente nuevos y requieren ser evaluados en estudios de casos reales
para garantizar su precisión.
1.1.2. Diagnóstico
El Plan de Desarrollo y Ordenamiento Territorial 2015-2019; alineado al Plan
Nacional de Desarrollo 2017-2021 del Cantón San Jacinto de Buena Fe de la
Provincia de los Ríos, incluye la clasificación de uso de suelo de 2013, donde la
mayor parte del área rural se dedica a la agricultura, con 62.65% del área total,
especialmente cacao, palma africana y maíz, plátano, ábaco, palma y otros
menos importantes (GADM San Jacinto de Buena Fe, 2017).
Por otro lado, el Plan de Desarrollo y Ordenamiento Territorial 2016-2020 del
Cantón Valencia, indica que el 93% del territorio (90374,2 ha) está dedicado a la
agricultura intensiva y extensiva de cultivos como el banano, palma, café, cacao
y agricultura tropical principalmente; existen zonas donde producción agrícola se
destina al consumo local y es un pilar para la soberanía alimentaria (GADM de
Valencia, 2016).
En caso del cantón El Empalme, en el Plan de Desarrollo y Ordenamiento
Territorial - El Empalme 2015-2024, destacan las plantaciones forestales
(bosque plantado): caña guadua, teca, balsa y caucho, con extensión de 1.502,5
hectáreas (2,31%). Además, es importante la presencia del cultivo de la palma
africana que cubre un área de 990 ha (1,52 %) y de los misceláneos
indiferenciados (mezcla de algunos cultivos) que tienen una extensión de 2.044
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
23
Capítulo I:
Contextualización y fundamentación teórica de la
investigación
hectáreas representando el 3,15 %. Otros cultivos presentes en el cantón son el
café, soya, mandarina, naranja, maracuyá y sandía con superficies relativamente
pequeñas (GADM El Empalme, 2015).
1.1.3. Pronóstico
Mediante el uso de sensores remotos, aplicando métodos precisos para detectar
cultivos y otras coberturas terrestres, es posible identificar características
relevantes de la vegetación tales como: estado de salud, actividad fotosintética,
estrés hídrico; además de un posible uso no sustentable de la tierra. Esto
ayudará a los formuladores de políticas estatales o privados a responder de
manera rápida y eficiente a cualquier problema identificado.
1.1.4. Formulación del problema
¿Tienen el algoritmo de aprendizaje automático Bosques Aleatorios una
precisión mayor, menor o equivalente al de Máxima Verosimilitud para detectar
cultivos de cacao, banano y palma africana?
1.1.5. Sistematización del problema
¿Es conveniente el uso de los índices espectrales calculados a partir de las
imágenes multiespectrales de sensores remotos para la detección de los cultivos
agrícolas?
¿Se pueden utilizar los métodos de Máxima Probabilidad y Bosques Aleatorios
para representar la distribución y características de los cultivos de cacao, banano
y palma en la zona de estudio?
¿Qué precisión tienen los métodos de clasificación de imágenes multiespectrales
derivados del Sentinel-2?
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
24
Capítulo I:
Contextualización y fundamentación teórica de la
investigación
1.2. Objetivos
1.2.1. Objetivo general
Evaluar los métodos de Bosques Aleatorios y Máxima Verosimilitud en la
detección de los principales cultivos de la zona norte de las provincias del
Guayas y de Los Ríos, a partir de las imágenes satélites Sentinel-2.
1.2.2. Objetivos específicos
• Ejecutar el preprocesamiento de imágenes multiespectrales del satélite
Sentinel-2 con las funciones del software especializado (ENVI y ArcGIS)
para la posterior clasificación.
• Realizar la clasificación supervisada de las imágenes de Sentinel-2 con
los métodos de Máxima Verosimilitud y Bosques Aleatorios e índices
espectrales para detectar los cultivos principales en la zona de estudio.
• Llevar a cabo el análisis estadístico de las clasificaciones para evaluar la
precisión de los dos métodos en la detección de cultivos de cacao, banano
y palma africana.
1.3. Justificación
Es importante conocer las características de los cultivos de cacao, banano y
palma en la zona de estudio debido a su importancia económica y su amplio uso
del área. La identificación de estas características a través de una clasificación
individual es crucial para comprender su distribución en la región norte del
Guayas y Los Ríos y mejorar la planificación territorial.
La elaboración de un análisis detallado de la distribución y las características de
los cultivos, representados en un Sistema de Información Geográfica (SIG),
puede permitir la adopción de medidas que tengan en cuenta la interacción entre
el medio ambiente y los factores biológicos y abióticos. Una gestión integral de
estos procesos agrícolas puede ayudar a orientar acciones hacia la reducción de
emisiones de carbono, contribuyendo a cumplir uno de los Objetivos de
Desarrollo Sostenible (ODS 15) que se encaminan en fomentar un uso sostenible
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
25
Capítulo I:
Contextualización y fundamentación teórica de la
investigación
de los ecosistemas terrestres, cuyo principal enfoque es la prevención de la
deforestación y la degradación del suelo.
Con base en lo anterior, se puede concluir que la evaluación de las tierras
agrícolas es crucial para la planificación futura. Los planificadores estratégicos
utilizan diversas técnicas como observaciones en el campo, muestreo, análisis
de laboratorio, sensores remotos y SIG para concebir proyectos de planificación
espacial (Elbeih, 2021). La combinación de análisis de imágenes multifocales o
espectrales y el uso de SIG permite una gestión global de la cobertura del suelo
en diferentes áreas y su representación.
Desde otro punto de vista, existe la necesidad de determinar la tasa de
crecimiento de los límites agrícolas y caracterizar el problema. Este tema ha sido
abordado por varios autores que han centrado sus investigaciones en una
metodología basada en el uso de SIG (Viteri-Salazar & Toledo, 2020). Aunque
todavía se han mostrado nuevos métodos tecnológicos que emplean los
algoritmos de aprendizaje autónomo, involucrando el mapeo en específico de
características que pueda poseer la cobertura del suelo (Aksoy et al., 2022).
Aunque las técnicas de teledetección pueden parecer modernas, el uso de
imágenes multiespectrales para analizar la distribución agrícola y determinar su
frontera ha estado vinculado a los SIG durante mucho tiempo (Viteri-Salazar &
Toledo, 2020). Sin embargo, con el avance en la informática, han surgido nuevos
métodos, muchos de los cuales utilizan algoritmos de aprendizaje automático,
como el Bosques Aleatorios utilizado en el proyecto de investigación en cuestión
(Aksoy et al., 2022).
A partir de la aparición de nuevos métodos de inteligencia artificial en sustitución
de los métodos tradicionales, surgió la necesidad de comprobar la eficacia de
estos diversos procesos metódicos. Dentro de la investigación, se utilizará
metodologías para comparar los algoritmos de precisión tradicionales y nuevos
(de inteligencia artificial) con relación a la detección y manipulación de imágenes
satelitales (Sentinel-2) en zonas de cultivos de interés (cacao, banano y palma)
en los diferentes cantones de las provincias del Guayas y Los Ríos, a través del
cálculo de los índices espectrales NDVI (Natural Differential Vegetation Index) y
RESI (Red-Edge Spectral Indices).
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
26
Capítulo I:
Contextualización y fundamentación teórica de la
investigación
1.4. Fundamentación teórica de la investigación
1.4.1. Marco conceptual
1.4.1.1. Producción agrícola sostenible
Se crea un software para administrar la sostenibilidad en base a las condiciones
únicas de un sitio, zona o región que posee características similares (Zepeda-
Jazo, 2018). Dichas zonas agrícolas tienen en común factores como los tipos de
cultivos y variedades de plantas, el clima, las prácticas agrícolas locales, las
plagas y sus contrincantes naturales, y la situación socioeconómica del agricultor
y el mercado (Zepeda-Jazo, 2018).
1.4.1.2. Ordenamiento territorial
El ordenamiento territorial debe entenderse como un procedimiento general
encaminado a alterar el espacio geomorfológico para alcanzar el uso óptimo,
racional y sostenible del territorio por parte de los habitantes en un proceso de
participación y concertación (Márquez Poblete & Veloso Pérez, 2021).
1.4.1.3. Teledetección
La teledetección permite el análisis de cambios de variables biofísicas de la
vegetación, siendo útiles como indicadores o métodos de detección para cada
tipo de alteración que pueda encontrarse en la vegetación ante los procesos o
factores diversos que existan. De igual forma, mantiene disposiciones
actualizadas ante las series temporales de periodos largos para los diferentes
datos satelitales nivel global brindados por servicios como “Google Earth Engine”
(GEE), permitiendo la posibilidad de analizar procesos en la cobertura del suelo
a través de la verificación de modelos teóricos y fórmulas de modelos de
predicción (Hernandez-Clemente & Hornero, 2021).
Durante las últimas décadas, la teledetección ha evolucionado en una
herramienta clave para diversos ámbitos de nuestra sociedad. Se han visto
múltiples ejemplos de su aplicación como fundamento para la toma de decisiones
en la administración eficiente de la agricultura y la silvicultura, los recursos
naturales, la meteorología, la planificación y la cartografía del uso del suelo, entre
otros (Labrador García et al., 2012). Además de aparecer como un instrumento
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
27
Capítulo I:
Contextualización y fundamentación teórica de la
investigación
esencial para responder a los requisitos de un proceso en específico, ya que
ofrece un medio no destructivo de proporcionar información recurrente desde la
escala local a la global de forma sistemática, permitiendo así la caracterización
de la variabilidad espaciotemporal dentro de un área determinada (Weiss et al.,
2020).
1.4.1.4. Imágenes multiespectrales
Una imagen multiespectral es un conjunto de columnas y filas que forman una
matriz de datos numéricos que representan la intensidad de la energía
electromagnética irradiada o pronunciada por los objetos en la superficie
terrestre. Estas imágenes se pueden grabar en varias bandas del espectro
electromagnético (individualmente), al igual que el satélite Landsat 8 tiene 11
bandas espectrales, es decir, una misma escena se captura en diferentes
bandas (banda 1, banda 2, banda 3, etc.) (Sánchez-Méndez & Arguijo-
Hernández, 2018).
Las imágenes multiespectrales pueden verse como una matriz 3D que tiene dos
dimensiones espaciales y una espectral. Las imágenes multiespectrales tienen
en general de 3 a 10 bandas espectrales, mientras que las hiperespectrales
tienen cientos de bandas. Los escáneres funcionan en regiones concretas del
espectro electromagnético. Como las imágenes multiespectrales representan la
misma zona espacial de la tierra leyéndola varias veces, la información obtenida
se presenta en forma de cubo (Vura et al., 2023). En particular, las características
de propagación en la Tierra, y la posibilidad de comunicarse en el espacio a
través de satélites a través de la atmósfera, hacen que esta banda de frecuencias
sea ideal para una variedad de propósitos de transmisión de información, dando
lugar a las radiocomunicaciones (Figura 1).
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
28
Capítulo I:
Contextualización y fundamentación teórica de la
investigación
Figura 1
Opacidad atmosférica a la radiación electromagnética
Nota: Extraído de Ordoñez (2012)
1.4.1.5. Firmas espectrales
Las firmas espectrales permiten la identificación de diferentes tipos de cultivos,
cuerpos de agua, suelos y otras tipologías de la corteza terrestre (Pech May et
al., 2021).
Los satélites de observación de la Tierra son instrumentos que orbitan la misma
y registran la radiación electromagnética emitida desde la zona terrestre. Su
funcionamiento se basa en las llamadas firmas espectrales, la capacidad de
ciertos objetos o sustancias para reflejar o emitir energía electromagnética (Pech
May et al., 2021).
1.4.1.6. Sentinel-2
El proyecto Sentinel-2 es un cometido satelital europea para proporcionar datos
de teledetección basados en tierra; el mismo satélite refleja de dos satélites
(Sentinel-2A y Sentinel-2B) y provee observaciones de alta resolución espacial
(10, 20 y 60 metros) (Yang et al., 2021).
1.4.1.7. Bandas espectrales
Se define una franja de frecuencias de onda en el espectro electromagnético
como una banda espectral. Un ejemplo son las bandas de color rojo, verde y
azul, que se extienden desde 0,4 hasta 0,7 µm de longitud de onda. Al combinar
estas bandas en una sola imagen, se forma el espectro visible conocido como
RGB (Rodríguez Pérez et al., 2015). Por ello, la información que obtienen los
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
29
Capítulo I:
Contextualización y fundamentación teórica de la
investigación
detectores de satélites en la banda espectral se denomina banda, entendida
como la "banda de imagen" de la teledetección.
1.4.1.7.1. Bandas del Sentinel-2
Los correspondientes requisitos de los usuarios han impulsado el diseño hacia
un sistema multiespectral de observación de la Tierra fiable que cuenta con un
Instrumento Multiespectral (MSI) con 13 bandas espectrales que van desde el
visible y el infrarrojo cercano hasta el infrarrojo de onda corta. La resolución
espacial varía de 10 m a 60 m (Tabla 1), dependiendo de la banda espectral, con
un campo de visión de 290 km (European Space Agency & Fletcher, 2012). Esta
combinación única de alta resolución espacial, amplio campo de visión y amplia
cobertura espectral representa un gran paso adelante en comparación con otras
misiones multiespectrales.
Tabla 1
Bandas de Sentinel-2
Número de
banda
Nombre de banda
Longitud de onda
central (nm)
Resolución
espacial (m)
1
Aerosol costero
443
60
2
Azul
490
10
3
Verde
560
10
4
Rojo
665
10
5
Borde rojo de vegetación 1
705
20
6
Borde rojo de vegetación 2
740
20
7
Borde rojo de vegetación 3
783
20
8
Infrarroja cercana (NIR)
842
10
8A
Infrarroja cercana (NIR) estrecha
865
20
9
Vapor de agua
945
60
10
SWIR - Cirrus
1380
60
11
SWIR 1
1610
20
12
SWIR 2
2190
20
Nota: Extraído de European Space Agency (2012)
1.4.1.8. Clasificación de imágenes satelitales
La clasificación de imágenes hace referencia a la tarea de extraer capas de
información de un mapa de bits de multidifusión (Arcgis Desktop, s.f.). A través
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
30
Capítulo I:
Contextualización y fundamentación teórica de la
investigación
de esto, se pueden aplicar dos tipos de clasificación: supervisada y no
supervisada.
1.4.1.8.1. Clasificación supervisada
La clasificación supervisada emplea las firmas espectrales obtenidas de las
muestras de entrenamiento con el fin de categorizar las imágenes. Asimismo, es
posible generar de manera sencilla un archivo de firma a partir de las muestras
de capacitación, el cual será empleado por las herramientas de clasificación
multivariante para clasificar la imagen (Arcgis Desktop, s.f.).
1.4.1.8.2. Clasificación no supervisada
El clasificador no supervisado encuentra clases espectrales (o grupos) en
imágenes multibanda sin la intervención del analizador. La barra de herramientas
de clasificación de imágenes va a favorecer a realizar una clasificación
desatendida al proporcionar dirección a las herramientas de recopilación, la
capacidad de comparar la calidad de la recopilación y el acceso a las
herramientas de clasificación (Arcgis Desktop, s.f.).
1.4.1.8.3. Método Máxima Probabilidad
El Maximum Likelihood en inglés, también conocido como método de máxima
verosimilitud, es un enfoque ampliamente utilizado en teledetección. En este
método, se utilizan la matriz de covarianza y el vector de media de clase para
reducir la distancia entre clases y aumentar la probabilidad de que una
característica sea asignada a la clase seleccionada, empleando funciones
discriminantes cuadráticas o lineales. Sin embargo, este método puede tener un
ajuste excesivo a las probabilidades, lo que puede resultar en una clasificación
errónea cuando se descartan los supuestos (Arai, 2020).
1.4.1.8.4. Método Bosques Aleatorios
El algoritmo de Random Forest en inglés, también conocido como método de
Bosques Aleatorios, combina diferentes árboles de decisión para crear un
modelo más robusto y confiable. Cada árbol se entrena con una muestra de
datos y características elegidas al azar. Las predicciones se realizan haciendo
en cada árbol y luego combinándolas a través de un proceso de votación. Este
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
31
Capítulo I:
Contextualización y fundamentación teórica de la
investigación
método es ampliamente utilizado para identificar factores importantes, detectar
datos atípicos y predecir variables categóricas y continuas (Waśniewski et al.,
2020). Sin embargo, es importante llevar a cabo una validación adecuada para
evitar resultados sesgados.
1.4.1.9. Índices espectrales
1.4.1.9.1. Índice NDVI
El Índice de Vegetación de Diferencia Normalizada (NDVI, en su idioma
de inglés Normalized Difference Vegetation Index) proporciona un proceso
metódico para la detección de los niveles de vegetación saludable, pudiendo
aplicarse fácilmente en zonas de interés con diferentes escalas espaciales en
toda superficie terrestre (Rhew et al., 2011). Los datos proporcionados por el
indicador NDVI son recopilados empleando teledetección y son de acceso
gratuito para el público en general. Siendo un beneficio para la replicación y
comparación de estudios de casos en diferentes ubicaciones regionales (Rhew
et al., 2011).
1.4.1.9.2. Índice RESI
El Índice de Bordes Rojos (RESI, en su idioma de inglés Red-Edge Spectral
Indices) es un mejor indicador de la condición de la planta que el NDVI para
cultivos de mediados a tardíos que han acumulado mucha clorofila (EOS Data
Analytics, 2020). La razón es que la luz roja del borde (la que se usa en NDRE)
puede penetrar más profundamente a través de las hojas que la luz roja (la que
se usa en NDVI). Cuando se usa en grandes cantidades durante la temporada
de crecimiento, es más útil que el NDVI, que a menudo se vuelve inexacto
cuando las plantas acumulan la mayor cantidad de clorofila posible (EOS Data
Analytics, 2020).
1.5. Marco referencial
En los últimos tiempos, se están haciendo cada vez más frecuentes los estudios
de clasificación supervisada utilizando distintos algoritmos e imágenes de
satélite. Estos estudios buscan encontrar la manera más efectiva de clasificar los
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
32
Capítulo I:
Contextualización y fundamentación teórica de la
investigación
temas de investigación en función de las necesidades específicas de cada
región. En este contexto, varios estudios han evaluado la precisión de los
algoritmos empleados en este proyecto a partir de imágenes de satélite Sentinel-
2 y con un objetivo de clasificación similar.
1.5.1. Estudio referencial 1
Santiago, Mallqui, y Ríos en el 2021 publicaron un estudio titulado "Mapeo de la
cobertura vegetal en la subcuenca Quillcay (Ancash, Perú) con el clasificador de
árbol de decisiones". En este trabajo, los autores se enfocaron en determinar la
cobertura vegetal de la subcuenca en cuestión, utilizando el método de
clasificación supervisada de árbol de decisiones. La investigación constó de
varios pasos, que incluyeron una revisión bibliográfica y una validación de
resultados finales (Santiago Bazan et al., 2021).
Inicialmente, identificaron los tipos de cobertura vegetal en la subcuenca a través
de una revisión de fuentes secundarias. Luego, descargaron una imagen satelital
de Landsat-8 desde el sitio web de USGS. La imagen fue corregida radiométrica
y atmosféricamente, y se definieron las variables geográficas (altitud y
pendientes). Después, se calcularon los índices de Humedad de Diferencia
Normalizada (NDMI), se obtuvieron las firmas espectrales y se llevó a cabo la
clasificación por medio del método Spectral Angle Mapper (con toma de puntos
en campo). Finalmente, se completó la delimitación de la cobertura vegetal
mediante árboles de decisión y se realizó una validación exhaustiva de los
resultados (Santiago Bazan et al., 2021).
En el estudio realizado en la subcuenca en cuestión, se identificaron cuatro tipos
dominantes de cobertura vegetal, incluyendo bofedal, matorral, pajonal y
bosque, los cuales se encuentran en altitudes entre 3200 y 5600 metros sobre el
nivel del mar, y en pendientes mayores a 8.5%. Un árbol de decisión fue creado
con 14 nodos binarios, que incluyeron características tanto geográficas como
espectrales, para discriminar píxeles de áreas sin o con poca vegetación. Los
resultados de la validación fueron exitosos, con una precisión general del 90%
en la matriz de confusión y un coeficiente de Kappa de 0.8998 (Santiago Bazan
et al., 2021).
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
33
Capítulo I:
Contextualización y fundamentación teórica de la
investigación
1.5.2. Estudio referencial 2
En el artículo "An evaluation of Landsat, Sentinel-2, Sentinel-1 and MODIS data
for crop type mapping" por Peng Song, Huang, Hansen y Potapov (2021), se
evaluó la capacidad de diferentes satélites para representar los cultivos de maíz
y soya en Estados Unidos. Se comparó la utilidad y precisión de las imágenes
de Landsat-8, Landsat-7, Sentinel-2, Sentinel-1 y MODIS. La investigación
consistió en llevar a cabo experimentos de clasificación utilizando estas
imágenes satelitales y datos del Departamento de Agricultura de los Estados
Unidos (Song et al., 2021).
El estudio se llevó a cabo en bloques de 20 km
2
, y se clasificaron de acuerdo
con la intensidad promedio de cultivos. Se realizó un preprocesamiento y se
diseñaron experimentos en cuatro categorías para evaluar la precisión de
clasificación y la importancia de cada sensor, banda espectral y fecha de
generación de imágenes satelitales. Para la clasificación se utilizó el algoritmo
"árboles de decisión", que brindó dos resultados importantes: una estimación de
la precisión de la clasificación si se tienen áreas de entrenamiento suficientes y
correctas, y la selección y clasificación interpretando la estructura del árbol
resultante (Song et al., 2021).
La eficacia y precisión potencial la evaluaron a través de varios sensores
satelitales para la identificación de cultivos de maíz y soja en Estados Unidos. La
investigación mostró una precisión general de 90% para todos los sensores, con
Landsat y Sentinel-2 logrando una precisión de 96,8% y 96,6% respectivamente.
Los investigadores concluyen que los datos de teledetección con resolución
moderada pueden lograr una precisión nominal del 95% para cultivos en grandes
extensiones (Song et al., 2021).
1.5.3. Estudio referencial 3
En el artículo "Comparison of Classification Algorithms for Detecting Typical
Coastal Reclamation in Guangdong Province with Landsat 8 and Sentinel 2
Images", publicado por Bin Ai, Ke Huang, Shaojie Sun, Zhuokai Jian y Xiaoding
Liu en el año 2022, se buscó determinar la técnica adecuada para representar la
recuperación costera común en la provincia de Guangdong, China, a gran
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
34
Capítulo I:
Contextualización y fundamentación teórica de la
investigación
escala, mediante el uso de métodos de clasificación, incluyendo el árbol de
decisiones (Ai et al., 2022).
Los datos satelitales de Landsat-8 y Sentinel-2 se obtuvieron sin nubes y se
realizaron correcciones radiométricas, atmosféricas y geométricas. Se evaluaron
diferentes algoritmos de clasificación, incluyendo bosque aleatorio, máquina de
vectores de soporte, árbol de decisión y métodos orientados a objetos basados
en reglas. El mejor algoritmo para visualizar geográficamente la recuperación
costera se determinó mediante análisis estadístico usando matrices de confusión
y la prueba de McNemar (Ai et al., 2022).
Los autores de este artículo encontraron que la precisión en la clasificación de la
zona costera osciló entre un 83.05% y un 88.57% cuando se aplicaron los
algoritmos a las imágenes de Sentinel-2 en el oeste de la zona costera. En el
este, la precisión varió entre un 86.47% y un 88.50%. El mejor algoritmo para
Sentinel-2 fue el orientado a objetos con un coeficiente Kappa de 0.827. Para las
imágenes de Landsat-8, los resultados fueron similares, siendo el mejor
clasificador orientado a objetos en el oeste de la zona costera (86.39%) y el
método de Árbol de Decisiones con una precisión del 82.62% en el oeste y del
81.36% en el Delta del río y el este (Ai et al., 2022).
1.5.4. Estudio referencial 4
En un artículo publicado por Campos-Taberner et al. (2020) titulado "Deep
Learning para la clasificación de usos de suelo agrícola con Sentinel-2", se
comparó el desempeño de un algoritmo de inteligencia artificial llamado 2-
BiLSTM con otros métodos de clasificación, incluyendo árboles de decisión, k-
vecinos más cercanos, redes neuronales, máquinas de soporte vectorial y
bosques aleatorios, para clasificar usos de suelo agrícola en imágenes de
Sentinel-2. El estudio se llevó a cabo en la Comunidad Valenciana, España,
utilizando dos imágenes de Sentinel-2 que abarcan un área total de 220 x 220
km
2
. Se eligieron 16 usos de suelo no urbanos para comparar los diferentes
métodos de clasificación y se valoraron con una matriz de confusión y un índice
de precisión.
Entre los resultados, se encontró que el algoritmo 2-BiLSTM fue el más preciso
con 98.6% de identificación, seguido de los algoritmos 1-BiLSTM, 3-BiLSTM, 4-
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
35
Capítulo I:
Contextualización y fundamentación teórica de la
investigación
BiLSTM y bosques aleatorios. El algoritmo de máquinas de soporte vectorial,
redes neuronales, k-vecinos más cercanos y árboles de decisión tuvieron una
precisión menor. El algoritmo 2-BiLSTM obtuvo la mayor precisión en la clase
tierra con un 99.9% de identificación precisa, mientras que la clase frutales tuvo
los errores más grandes. Una vez seleccionado el mejor algoritmo, se utilizó para
generar un mapa de usos de suelo y un mapa de confianza de clasificación
(Campos-Taberner et al., 2020).
1.5.5. Estudio referencial 5
En el estudio publicado por Xiao et al. (2020) titulado “Sentinel-2 red-edge
spectral indices (RESI) suitability for mapping rubber boom in Luang Namtha
Province, northern Lao PDR”, un nuevo algoritmo llamado índices espectrales de
borde rojo (RESI) fue diseñado y utilizado para mapear las plantaciones de
caucho en la provincia de Luang Namtha, en el norte de Laos. La precisión global
y el coeficiente kappa de los mapas alcanzaron un 92,50% y 0,91,
respectivamente. La estimación del área de plantaciones maduras de caucho en
2018 fue de 771,2 km
2
en la provincia. Según los autores, la creación del RESI
es un nuevo enfoque para mapear las plantaciones de caucho utilizando las
bandas de borde rojo de Sentinel-2 A/B a nivel regional. La investigación
demuestra que los algoritmos normalizados para mapear plantaciones de
caucho son viables con imágenes de Landsat y Sentinel-2.
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
36
Capítulo I:
Contextualización y fundamentación teórica de la
investigación
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
37
Capítulo II:
Metodología de la investigación
Capítulo II: Metodología de la investigación
02
Metodología de la
investigación
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
38
Capítulo II:
Metodología de la investigación
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
39
Capítulo II:
Metodología de la investigación
Metodología de la investigación
2.1. Localización
El área de estudio se sitúa en la zona norte de las provincias del Guayas y de
Los Ríos incluye el cantón de El Empalme perteneciente a la provincia del
Guayas, y a los cantones Valencia y Buena Fe pertenecientes a la provincia de
Los Ríos (Figura 2).
Figura 2
Mapa de localización del área de estudio: Cantones Buena Fe, Valencia y
Empalme
Nota: Autor (2023)
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
40
Capítulo II:
Metodología de la investigación
En estos cantones las actividades agropecuarias juegan un papel fundamental,
siendo pilares de la economía de las provincias correspondientes. El proyecto de
investigación se concentrará en el procesamiento de imágenes satelitales para
la detección de cultivos de interés (banano, cacao y palma), comparando la
efectividad de las metodologías de clasificación, así como el nivel de utilidad que
poseen las imágenes del satélite Sentinel-2.
2.2. Tipo de investigación
La investigación desarrollada es de tipo exploratoria, cuantitativa y transversal.
• Experimental: En el proyecto de investigación se evaluó la precisión del
método de inteligencia artificial Bosques Aleatorios a partir de imágenes
satelitales de Sentinel-2 en el área de estudio, y se realizó una
comparación de métodos para la clasificación supervisada de imágenes
multiespectrales.
• Cuantitativa: En el proyecto de investigación, la validación de resultados
se realizó a partir de una matriz de confusión y se obtuvo el coeficiente
Kappa para cada clasificación supervisada ejecutada. La selección del
mejor método clasificador permitió obtener la información objetiva sobre
la extensión de los cultivos de cacao, banano y palma africana en el área
de estudio.
• Transversal: En el proyecto de investigación, se compararon la precisión
del método de inteligencia artificial Bosques Aleatorios y el método
tradicional Máxima Verosimilitud, en la detección de cultivos de cacao,
banano y palma africana en el área de estudio a partir de las imágenes
satelitales Sentinel-2.
2.3. Métodos de investigación
El proyecto de investigación utilizó el siguiente método:
• Método inductivo: En el proyecto de investigación, para determinar el
mejor clasificador para las imágenes multiespectrales, se ejecutó un
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
41
Capítulo II:
Metodología de la investigación
proceso desde lo particular (procesamiento de las imágenes, cálculo de
índices espectrales y validación de resultados) a lo general
(determinación del mejor método clasificador a partir de una imagen
multiespectral).
2.4. Fuentes de recopilación de información
La información para el proyecto de investigación se obtuvo de las siguientes
fuentes:
• Fuentes primarias: Para la definición de áreas de entrenamiento, previo
a la ejecución de la clasificación supervisada con los métodos ya
mencionados, se tomaron coordenadas in-situ (puntos referenciales) para
el cultivo de cacao; de la misma forma, se tomaron coordenadas de los
puntos de localización de las demás coberturas de interés usando la
información disponible a través del programa Google Earth Pro. En el
mismo sentido, se tomaron coordenadas in-situ y desde Google Earth Pro
para la validación de resultados con la matriz de confusión y el coeficiente
Kappa.
• Fuentes secundarias: Se descargaron imágenes multiespectrales de
Sentinel-2 desde el sitio web de la USGS (USGS-U.S. Geological Survey,
s.f.), adicionalmente se recurrió al sitio web Scihub – Copernicus
(Copernicus Open Access Hub, s.f.) para obtener la información sobre las
características de las imágenes. Estas mismas que sirvieron para el
cálculo de los índices espectrales, la clasificación supervisada con los
métodos posteriormente descritos y la evaluación de su precisión para la
validación de resultados.
2.5. Diseño de la investigación
En el proyecto de investigación se empleó un proceso metódico para lograr los
objetivos específicos (OE) propuestos (Figura 3).
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
42
Capítulo II:
Metodología de la investigación
Figura 3
Flujograma del proceso metódico de la investigación
Nota: Autor (2023)
A continuación, se muestra los métodos y técnicas manejados en el desarrollo
de la investigación:
2.5.1. OE 1: Ejecutar el preprocesamiento de imágenes
multiespectrales del satélite Sentinel-2 con las funciones del
software especializado (ENVI y ArcGIS) para la posterior
clasificación
Para el cumplimiento del objetivo propuesto sobre el preprocesamiento de
imágenes multiespectrales del satélite Sentinel-2, se plantearon los siguientes
puntos:
2.5.1.1. Búsqueda de imágenes
Se empleó el método de búsqueda para las imágenes multiespectrales que
brinda el satélite Sentinel-2, a través de un sitio web que presta el servicio
geológico estadounidense nombrando como “USGS Earth Explorer”. Dicho
portal digital permitió el acceso, visualización y manipulación de datos
geoespaciales de múltiples satélites orbitantes a nuestro planeta Tierra (Figura
4).
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
43
Capítulo II:
Metodología de la investigación
Figura 4
Servicio web Geológico "USGS Earth Explorer"
Nota: USGS Science for a changing world (USGS-U.S. Geological Survey, s.f.)
Posterior a lo mencionado se implementó el siguiente proceso para la adquisición
de las imágenes satelitales:
a) La búsqueda de dichas imágenes se ejecutó en una de las secciones de
configuración del sitio web “Geocorder”, la cual se ubica en la opción de
“Search Criteria”.
b) En el apartado mencionado se estableció ciertos parámetros para buscar
una localización en específico, de manera que se preseleccionó opciones
de “World Features”
c) Seguido se estableció un país (“Country”), la clase características
(“Feature Class”) y el tipo de función (“Feature Type”), esto según lo que
se deseó aplicar en la investigación, habiendo características de cultivos
con funciones agrícolas en la zona más cercana al área de estudio el cual
son las provincias de Los Ríos y Guayas.
d) Una vez aplicado, se seleccionó “Data sets” y se especificó el conjunto de
datos de los diferentes proveedores de imágenes satelitales, tomando
como referencia el de Sentinel, seguido de la categoría “Sentinel-2”.
e) Posteriormente se estableció un rango temporal para disponer de
diferentes imágenes a lo largo de ese periodo; esto se realizó en la
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
44
Capítulo II:
Metodología de la investigación
sección inferior de “Search from … establecer fecha from a otra fecha más
actual”.
f) Una vez aplicado el proceso de búsqueda, se identificó la mejor imagen
satelital (con la menor presencia de nubosidad sobre el área de estudio)
y se realizó la respectiva descarga en formato multibanda.
2.5.1.2. Comprobación de imágenes
Se empleó un método de comprobación digital con ayuda del software ArcGIS,
donde se insertaron y sobrepusieron las imágenes previamente obtenidas (en
una banda por cada imagen satelital) y de la capa shapefile de los cantones de
las zonas de interés en el territorio ecuatoriano (en la tabla de contenido del
software). Se llevó a cabo una comparación de los colores de las bandas de las
imágenes con la capa shapefile de los cantones para resaltar las diferencias y
mejorar la presentación visual (Figura 5).
Figura 5
Comprobación de nubosidad en el área de estudio
Nota: Autor (2023)
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
45
Capítulo II:
Metodología de la investigación
2.5.1.3. Corrección atmosférica de las imágenes satelitales
Sentinel-2
Se empleó el método de corrección atmosférica para mejorar la imagen satelital
que brinda el satélite Sentinel-2. Dicho proceso se utilizó debido a que la imagen
disponible para descarga no estaba corregida y presenta valores afectados por
la influencia de factores atmosféricos (nivel “1C”).
Este tipo de corrección se ejecutó en el software QGIS, donde se instaló
previamente el paquete complementario llamado “Semi-Automatic Classification
Plugin” (SCP) (Congedo, 2021). Una vez instalado el paquete, se dispuso a
aplicar los siguientes pasos: se seleccionó “SCP” → “Preprocesamiento” →
“Sentinel-2” (Figura 6). Una vez en la sección del apartado de metadatos, se
escogió la ruta de la carpeta que posee información de todas las bandas
espectrales, al igual que el archivo “MTD_MSI” (el cual contiene información de
todas las bandas espectrales de la imagen satelital). Para finalizar, se seleccionó
la opción “Aplicar la corrección atmosférica” con un visto y se corrió el programa
en la opción “RUN”.
Figura 6
Corrección atmosférica de bandas espectrales Sentinel-2 con el Semi
Automatic Classification Plugin del año 2021
Nota: Autor (2023)
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
46
Capítulo II:
Metodología de la investigación
2.5.1.4. Unión de las bandas espectrales
Se empleó un método de unión de las imágenes del satélite Sentinel-2
previamente procesadas (comprobadas y corregidas), a través de una opción
“Layer Stacking” localizada en la caja de herramientas digital del software “ENVI”
(Figura 7). Las bandas espectrales agrupadas en una sola imagen multiespectral
sirvieron para el posterior cálculo de los índices espectrales y visualización
aplicando la combinación RGB (referido al espectro visible). Se utilizó la caja de
herramientas de unión de imágenes para combinar las bandas seleccionadas,
logrando así una extensión espacial completa de la imagen satelital.
Figura 7
Configuración de combinación de bandas espectrales según polígono del área
de estudio
Nota: Autor (2023)
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
47
Capítulo II:
Metodología de la investigación
2.5.1.5. Extracción y recorte de polígono real para imagen
Inicialmente, se delimitó un área de estudio a través de la creación de un
polígono que incluía los cantones El Empalme, Buena Fe y Valencia. Esta
extracción se realizó utilizando el software ArcMap y la herramienta de "Export
Data". Sin embargo, la imagen de Sentinel-2 descargada no cubría toda el área
prevista, por lo que se tuvo que ajustar el polígono en función de la cobertura
real de la imagen satelital. Se recortó manualmente en ArcMap con la
herramienta "Cut Polygons" y se excluyó una pequeña porción del área total (1%)
para evitar errores en la clasificación supervisada (Figura 8).
Figura 8
Definición de polígono recortado del área de estudio en función de las
coberturas reales
Nota: Autor (2023)
Como siguiente paso, se empleó un proceso de recorte de la imagen multibanda
(resultado de la unión de bandas espectrales), y se realizaron recortes con los
límites de las zonas del estudio. Se inició con la extracción del polígono que
concentre a los cantones de Valencia, Buena Fe y El Empalme (áreas de estudio)
a través del software ArcGIS, mediante una selección de los cantones de interés
en la tabla de atributos de la capa del shapefile de cantones del terreno
ecuatoriano y siendo exportado con la herramienta “Export Data” de la opción
“Data”.
Una vez extraído el polígono de los cantones (formato shapefile), se ingresó
dicho shapefile al software “ENVI”, con el fin de recortar las imágenes
multiespectrales de Sentinel-2 con la herramienta “Resize Data” para la zona de
estudio. Continuamente, se escogió las imágenes satelitales y se seleccionó la
opción “Spatial Subset ROI/EVF” para elegir el archivo shapefile de la zona de
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
48
Capítulo II:
Metodología de la investigación
interés de estudio (previamente procesada), y finalizando con la selección de la
carpeta destinada al recorte.
2.5.2. OE 2: Realizar la clasificación supervisada de las imágenes
de Sentinel-2 con los métodos de Máxima Verosimilitud y
Bosques Aleatorios e índices espectrales para detectar los
cultivos principales en la zona de estudio
Para el cumplimiento del objetivo propuesto sobre el cálculo de los índices
espectrales (NDVI y RESI) a partir de las imágenes multiespectrales
preprocesadas, se planteó los siguientes puntos:
2.5.2.1. Cálculos de índices espectrales
Para la aplicación de los índices espectrales se utilizaron 2 tipos de ecuaciones
que representan las bandas espectrales (variables), según la siguiente tabla:
Tabla 2
Ecuaciones de Índices Espectrales
Índice
Ecuación
Detalle
Referencia
NDVI
Ecuación
1 NDVI
Dónde, NIR significa banda de
infrarrojo cercano, mientras que
RED significa banda roja. Por
definición, los valores de NDVI
van de -1 a 1 con valores más
altos para vegetación densa y
valores negativos para áreas con
aguas superficiales, rocas y
nubes.
(Pech May
et al.,
2021)
RESI
Ecuación
2 RESI
Donde, dónde Rojo, RE1,
RE2, RE3, NIR y SWIR1 son
los valores de superficiales de las
bandas roja, RE1, RE2, RE3,
RE3, NIR y SWIR1 en las
imágenes de las imágenes
Sentinel-2, respectivamente.
(Xiao et al.,
2020)
Nota: Autor (2023)
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
49
Capítulo II:
Metodología de la investigación
2.5.2.2. Cálculo de índices espectrales en el software
Para cálculo de los índices espectrales NDVI y RESI se utilizó el software ENVI,
y se aplicó la herramienta Band Math. A través de esto se asignó la ¡Error! No
se encuentra el origen de la referencia. y ¡Error! No se encuentra el origen
de la referencia. en la sección de expresión de variables (manteniendo una
escritura lineal en la aplicación de esta), donde se seleccionó las bandas
correspondientes a la formulación de cada ecuación (Figura 9).
Figura 9
Ejemplo del cálculo para índice espectral en software ENVI - Herramienta Band
Math
Nota: Autor (2023)
2.5.2.3. Creación de áreas de entrenamiento
Se implementó un proceso de clasificación supervisada utilizando una selección
de elementos de la imagen llamada "área de entrenamiento", cuya clasificación
perteneciente se conoce con una alta precisión. Este tipo de clasificación de
grupos de imágenes es el proceso mediante el cual a cada elemento de la
imagen se le establece una categoría, en función de los atributos presentes en
las áreas de entrenamiento (Borrás et al., 2017).
Para definir las respectivas categorías de interés, se analizó la información
disponible en el software Google Earth y datos en campo. Consecuentemente,
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
50
Capítulo II:
Metodología de la investigación
se realizó la toma y registro de varias coordenadas en relación con cada
categoría de interés en el área de estudio. Para ello fue implementado el formato
mostrado en la tabla 3.
Tabla 3
Formato para registro de coordenadas para definir áreas de entrenamiento
Categoría
Coordenada
UTM-WGS84
Origen
Detalle
Codificación
X
Y
Google Earth
In-situ
Zona de cultivos de cacao
ZC_C
Zona de cultivos de banano
ZC_B
Zona de cultivos de palma africana
ZC_PA
Zona de otras coberturas
ZC_O
Zonas sin vegetación aparente
ZS_VA
Zona de asentamientos humanos
ZA_H
Nota: Autor (2023)
Para la toma de coordenadas se utilizó la aplicación móvil “Russian Topo Maps”,
donde se determinó varias zonas tales como ZC_C, ZC_O, ZS_VA y ZA_H, las
cuales se consideraron más accesibles para dicha toma in-situ y mantener
registros fotográficos de la misma. Consecuentemente, para las zonas ZC_B y
ZC_PA se utilizó el software Google Earth, con el fin de identificar las zonas de
interés a través de la interfaz de navegación satelital que brinda éste.
2.5.2.4. Regiones de interés (ROIs)
Para definir las regiones de interés de las imágenes satelitales de Sentinel-2, se
utilizaron coordenadas en ENVI 5.3 para cada stack de índices calculados. Se
crearon 60 regiones de entrenamiento para Sentinel-2, divididas en categorías
predefinidas, con un total de 1974 píxeles de 100 m
2
(19,74 km
2
). Además, se
aplicó el principio de separación espectral en cada área relevante, lo que permitió
confirmar la existencia de una relación entre las categorías o clases generadas
(teniendo en cuenta que cada píxel tiene características únicas y distintas) (Vera
Rojas, 2020).
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
51
Capítulo II:
Metodología de la investigación
2.5.2.5. Aplicación del clasificador Máxima Probabilidad (ML)
Después de crear las regiones de interés, se aplicó un clasificador de Máxima
Probabilidad (ML) en ENVI 5.3 en ambos stacks de índices. Este método utiliza
una distribución normal de las estadísticas para cada clase y determina la
probabilidad de que un píxel pertenezca a una clase específica. Finalmente, se
asigna a cada píxel a la clase con la probabilidad más alta, aunque si la
probabilidad es menor que un límite específico, el píxel permanece sin clasificar.
Este proceso se utilizó para clasificar el stack de índices obtenido de la imagen
de Sentinel-2.
Para clasificar, se importó el stack de índices de Sentinel-2 al software ENVI y
se utilizó la herramienta "Maximum Likelihood Classification" dentro de la sección
"Classification" del Toolbox. Se eligió el stack de índices y las categorías
previamente definidas en las regiones de interés (Ha et al., 2020). Se estableció
un límite de probabilidad (0,3 a 1), por lo que para cada píxel se asignó a la clase
con la probabilidad más alta.
2.5.2.6. Aplicación del clasificador Bosques Aleatorios (RF)
Se utilizó un clasificador no paramétrico de inteligencia artificial en QGIS para
clasificar la imagen de Sentinel-2 en el stack de índices calculados. Primero, se
importaron las regiones de interés y los stacks de índices al software y luego se
instaló el complemento "Dzetsaka" (Nogueira de Brito & Silva Brito, 2020), (Titti
et al., 2022). Una vez abierto el complemento, se verificó que el stack de índices
y las regiones de interés tengan la misma proyección cartográfica y se eligió el
clasificador RF y la columna "class" para ejecutar la clasificación (Figura10).
Figura 10
Herramienta algorítmica de clasificación “Dzetsaka” para Random Forest
Nota: Autor (2023)
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
52
Capítulo II:
Metodología de la investigación
2.5.3. OE 3: Llevar a cabo el análisis estadístico de las
clasificaciones para evaluar la precisión de los dos métodos
en detección de los cultivos de cacao, banano y palma
africana
Para el cumplimiento del objetivo propuesto sobre el análisis estadístico de las
clasificaciones fue una técnica valiosa para evaluar la precisión de los métodos
de detección de cultivos y pudo ser aplicado de manera efectiva en la detección
de los cultivos de cacao, banano y palma africana. Así, se planteó los siguientes
puntos:
2.5.3.1. Matriz de confusión
Dentro este proceso se aplicó una matriz de confusión o tabla de contingencia,
constando con dos tipos de entradas, siendo para cada categoría (de cultivos)
representado en un fila y columna dentro de la tabla. Estas dos entradas
compararon los valores reales con los resultados de la clasificación obtenida, y
el grado de la precisión se identificó mediante la diagonal de la matriz
(destacando la cantidad de píxeles reales y la clasificación concordante por
categoría). Por consiguiente, las que se muestran verticalmente representaron
el porcentaje de píxeles reales que se confundirá con el porcentaje horizontal de
píxeles que se desordenaron después de la clasificación (Borrás et al., 2017).
Esta tabla de contingencia mostrada en la tabla 4 fue elaborada para cada
clasificador en función de las imágenes satelitales obtenidas, y de la ayuda del
software ENVI 5.3.
Tabla 4
Modelo de matriz de contingencia con aditamento de resultados del coeficiente
Kappa
Clasificación
Categoría vertical
Total ↓
C1
C2
C3
Catego
ría
Horizo
ntal
C1
C2
C3
Total →
Tipo
de
Erro
r
Omisión
Comisión
Precisión General
Nota: Análisis de uso de suelo a partir de imágenes satelitales Sentinel-2 en el
cantón Buena Fe, provincia de Los Ríos (Vera Rojas, 2020)
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
53
Capítulo II:
Metodología de la investigación
2.5.3.2. Coeficiente Kappa
Adicionalmente se aplicó el coeficiente Kappa para evaluar la precisión.
Siguiendo las indicaciones de la investigación de Velásquez sobre el “Análisis de
uso de suelo a partir de imágenes satelitales Sentinel-2 en el cantón Buena Fe,
Provincia de Los Ríos” (Vera Rojas, 2020), donde destaca la ecuación para dicho
cálculo:
Ecuación 3
Coeficiente Kappa
Siendo N simboliza el número total de observaciones, r el número de clases en
la matriz, Xi+ simboliza el total de observaciones en la fila i, y X+i el total de
observaciones en la columna i, y Xii el número de observaciones en el elemento
tanto como en la fila y columna i (Vera Rojas, 2020).
A través del cálculo se pudo indicar el nivel de ajuste o precisión, la interpretación
de los rangos de valores del coeficiente es como se muestra en la Tabla 5:
Tabla 5
Nivel de valorización del índice de Kappa
Valor del Coeficiente k
Fuerza de Concordancia
0,00
Pobre
0,01 – 0,20
Leve
0,21 – 0,40
Aceptable
0,41 – 0,60
Moderada
0,61 – 0,80
Considerable
0,81 – 1,00
Casi perfecta
Nota: Ladis y Koch (1997). The measurement of observer agreement for
categorical data. Biometrics. Referenciado por Cerda y Villaroel (2008).
2.5.3.3. Análisis estadístico
Se llevó a cabo un análisis estadístico para determinar la presencia de
diferencias significativas entre las clasificaciones de imágenes Sentinel-2. Se
seleccionaron puntos al azar de las cuatro clasificaciones, siendo entre 350 a
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
54
Capítulo II:
Metodología de la investigación
400 puntos proporcional al tamaño del área de estudio (2256,10274 km
2
). Se
eligió un punto por cada clasificación por kilómetro cuadrado. Para seleccionar
los puntos al azar, se utilizaron las herramientas "Create Random Points" y
"Extract Multi Values to Point" del software ArcGIS 10.8.
Para evaluar las diferencias significativas entre las clasificaciones de las
imágenes de Sentinel-2, se llevó a cabo un análisis estadístico con el software
SPSS. Debido a que los datos no cumplieron con los criterios de normalidad, se
aplicó la prueba no paramétrica de Wilcoxon-Mann-Whitney para muestras
independientes, también conocida como "Suma de Rangos de Wilcoxon"
(Sánchez Turcios, 2015), (Marrón Ramos et al., 2022).
La prueba de Wilcoxon-Mann-Whitney combina los datos de dos muestras en
una sola. No se calcula la diferencia entre las medianas, pero se utilizó para
comparación estadística debido a su capacidad para determinar la diferencia de
dispersión de datos entre dos grupos. Esta diferencia se establece a partir de
una selección de datos calculados para los dos grupos comparados (Smida et
al., 2022).
2.6. Recursos y materiales
2.6.1. Programas informáticos
• ArcMap - ArcGIS [versión 10.8.12790]: Es un componente de la
plataforma ArcGIS, un software de SIG (sistemas de información
geográfica) desarrollado por Esri. Se utilizó para el preprocesamiento y
visualización de imágenes satélite Sentinel-2.
• ENVI [versión 5.3]: Es un software de procesamiento de imágenes de
sensores remotos, que permite el análisis de imágenes de satélite,
incluyendo imágenes Sentinel-2. Se utilizó para el preprocesamiento y
visualización de imágenes, permitiendo clasificar cultivos a través de
métodos de máxima verosimilitud.
• Google Earth Pro [versión 7.3.6.9345]: Es un software de visualización
geográfica que permitió explorar imágenes satelitales y otra información
geográfica en una interfaz gráfica de usuario intuitiva. En el contexto de la
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
55
Capítulo II:
Metodología de la investigación
detección de cultivos en la zona, Google Earth Pro fue utilizado para
visualizar imágenes Sentinel-2 y verificar los resultados de la clasificación.
• QGIS [versión 3.26.0]: Es un software de SIG de código abierto que
permite la visualización, análisis y edición de datos geográficos. En el
contexto de la detección de cultivos, QGIS fue utilizado para visualizar
imágenes preprocesadas y verificar los resultados de la clasificación
utilizando métodos de Bosques Aleatorios.
• Russian Topo Maps [versión 6.9.1]: Es un software que permite
visualizar mapas topográficos. En el contexto de la detección de cultivos,
Russian Topo Maps fue utilizado como una herramienta complementaria
para la visualización de información geográfica y determinación de
coordenadas geográficas.
2.7. Sitios web
• USGS Earth Explorer: Es un sitio web mantenido por el Servicio
Geológico de los Estados Unidos (USGS) que permite a los usuarios
buscar y descargar imágenes satelitales de una amplia variedad de
satélites, incluyendo Sentinel-2. Con el sitio web, los usuarios pueden
definir áreas geográficas de interés y establecer criterios de fecha y
resolución para limitar los resultados de la búsqueda. Una vez que se han
seleccionado las imágenes adecuadas, los usuarios pueden descargarlas
en formatos que sean compatibles con una amplia variedad de programas
informáticos, incluyendo ArcGIS, QGIS y ENVI.
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
56
Capítulo II:
Metodología de la investigación
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
57
Capítulo III:
Resultados, discusión, conclusiones y
recomendaciones
Capítulo III: Resultados, discusión, conclusiones y
recomendaciones.
03
Resultados y
discusión
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
58
Capítulo III:
Resultados, discusión, conclusiones y
recomendaciones
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
59
Capítulo III:
Resultados, discusión, conclusiones y
recomendaciones
Resultados y discusión
3.1. Preprocesamiento de imágenes satelitales
3.1.1. Selección de imagen satélite Sentinel-2
De acuerdo con el área de estudio, se seleccionaron 2 imágenes
multiespectrales disponibles en la base de datos web USGS. La imagen
multiespectral 1 denota una fecha de registro del 15 de agosto del 2019 (Figura
11), y corresponde a un 85% del área total de la zona de estudio. Mientras que
la imagen multiespectral 2 denota una fecha posterior del 20 de agosto del 2019
(Figura 12), cubriendo un 15% del área total de la zona de interés.
Tabla 6
Características de imagen 1 de Sentinel-2
Imagen 1
S2A_MSIL1C_20190815T153621_
N0208_R068_T17MPV_20190815T222516
Resolución espacial (m)
10, 20 y 60
Número de bandas espectrales
13
Fecha
2019-08-15T15:36:21.024Z
Porcentaje de cobertura de nubes
1,3742
Nivel de procesamiento
1C
DATUM
WGS84
Proyección de mapa
Universal Transversal de Mercator
Zona UTM
17 Sur
Nota: USGS Science for a changing world (USGS-U.S. Geological Survey, s.f.)
Según la Tabla 6, la primera imagen adquirida posee características de 3 tipos
de resoluciones espaciales (10, 20, 60 m), contando con 13 bandas espectrales.
Estas resoluciones también permiten caracterizar las diferentes bandas con una
mayor precisión. Para la resolución de 10 metros, se utilizaron las bandas 2, 3,
4 y 8; para la resolución de 20 metros, se utilizaron las bandas 8-A, 11 y 12; y
para la resolución de 60 metros, se utilizaron las bandas 1, 9 y 10. Por otro lado,
la imagen presentó un porcentaje de cobertura de nubes muy bajo (1,3742%),
siendo perfecta para la aplicación de los posteriores procesos. Asimismo, mostró
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
60
Capítulo III:
Resultados, discusión, conclusiones y
recomendaciones
un nivel de procesamiento de 1C, identificando la necesidad de aplicar una
corrección atmosférica.
Según la investigación con las imágenes satelitales Sentinel-2, la imagen
número 1 fue elegida debido a su alcance para implementar los procedimientos
posteriores. Según la Figura 11, se sobrepuso el área de estudio en la imagen 1
para identificar el contenido a abarcar en la zona, demostrando vacíos de
resolución espacial en el área de estudio. A través de esto, la mayor proyección
de nubosidad en la imagen se presenta en la zona este, donde la importancia de
niveles bajos de nubosidad es precedente para la selección de la imagen, a
través de la visualización se catalogó a la imagen como óptima para el proceso
del estudio.
Figura 11
Imagen 1: Combinación RGB de Sentinel-2 (15/08/2019) con área de estudio
sobrepuesta
Nota: USGS Science for a changing world (USGS-U.S. Geological Survey, s.f.)
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
61
Capítulo III:
Resultados, discusión, conclusiones y
recomendaciones
La tabla 7 presenta las características de la imagen 2 que son similares a las de
la imagen 1 (resolución espacial, bandas espectrales). La cobertura de nubes en
la imagen 2 constituye 29,4774% a diferencia de la imagen 1 (1,3742%). Ambas
imágenes son de nivel 1C, siendo necesario aplicar una corrección atmosférica.
Tabla 7
Características de imagen 2 de Sentinel-2
Imagen 2
S2B_MSIL1C_20190820T153629_
N0208_R068_T17MPU_20190820T202350
Resolución espacial (m)
10, 20 y 60
Número de bandas espectrales
13
Fecha
2019-08-20T15:36:29.024Z
Porcentaje de cobertura de nubes
29,477399999999996
Nivel de procesamiento
1C
DATUM
WGS84
Proyección de mapa
Universal Transversal de Mercator
Zona UTM
17 Sur
Nota: USGS Science for a changing world (USGS-U.S. Geological Survey, s.f.)
Debido a la insuficiencia de la imagen 1, que no cubre toda la zona en estudio,
se buscó una segunda imagen que pudiera cubrir la parte inferior faltante. La
figura 12 muestra la presencia de nubes en el sector este de la imagen, aunque
esta cubre una amplia zona en el área de estudio, fue considerada adecuada y
aplicable para los siguientes procesos.
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
62
Capítulo III:
Resultados, discusión, conclusiones y
recomendaciones
Figura 12
Imagen 2: Combinación RGB de Sentinel-2 (20/08/2019) con área de estudio
sobrepuesta
Nota: USGS Science for a changing world (USGS-U.S. Geological Survey, s.f.)
3.1.2. Unión de bandas espectrales y recorte de imagen para área
de estudio
Tras la aplicación de la corrección atmosférica para las bandas espectrales de
ambas imágenes Sentinel-2, se continuó con la unión de estas bandas
espectrales procesadas para generar la combinación RGB, calcular los índices
espectrales y realizar la clasificación supervisada.
Para la imagen multiespectral, se combinaron las bandas espectrales 2 (azul), 3
(verde), 4 (rojo), 5 (Borde rojo de vegetación 1), 6 (Borde rojo de vegetación 2),
7 (Borde rojo de vegetación 3), 8 (Infrarroja cercana), 8A (Infrarroja cercana
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
63
Capítulo III:
Resultados, discusión, conclusiones y
recomendaciones
estrecha), 11 (SWIR 1) y 12 (SWIR 2). Este proceso se aplicó a ambas imágenes
(1 y 2) y luego se recortó para ajustarse al área de estudio antes de continuar
con los cálculos de índices espectrales y la clasificación supervisada. Además,
para superponer las imágenes con el área de estudio, se utilizó la imagen 1 para
cubrir la parte inferior de los cantones Buena Fe y Valencia, ya que en la imagen
2 dicha zona presenta una alta cantidad de nubes que dificultan la aplicación de
los siguientes cálculos. Este resultado se puede ver en la Figura 13, donde se
representaron las bandas espectrales 4, 3 y 2 respectivamente.
Figura 13
Recorte de área de estudio para imagen preprocesada de Sentinel-2
Nota: Autor (2023)
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
64
Capítulo III:
Resultados, discusión, conclusiones y
recomendaciones
3.2. Clasificación supervisada de las imágenes de Sentinel-2
3.2.1. Cálculo de índices espectrales NDVI y RESI
El proceso de cálculo de los índices espectrales se llevó a cabo utilizando el
software ENVI y se visualizaron en el software ArcMap (Figura 12). El objetivo
principal de la investigación era clasificar de manera supervisada a través de dos
métodos, y para ello, se hizo uso del cálculo y agrupación de los índices
espectrales (stack de índices) (Figura 13). La herramienta "Band Math" en ENVI
se utilizó para calcular los índices espectrales a partir de las ecuaciones 1 y 2.
Para ello según las ecuaciones de los índices espectrales, se plantearon las
líneas de código para insertar en la herramienta de ENVI (tabla 8).
Tabla 8
Línea de código aplicado para índices espectrales
Índice espectral
Ecuación
Línea de código
NDVI
((float((b8)-(b4)))/(float((b8)+(b4))))
RESI
((float((b7)+(b6)-(b5)))/(float((b7)+(b6)+(b5))))
Nota: Autor (2023)
De acuerdo con la Figura 14, el NDVI presentó un rango de valores que varía
desde -0,314202 hasta 0,829794; los valores más altos indican la presencia de
densa vegetación verde en el área de estudio. Por otro lado, el RESI tuvo valores
que oscilaron desde 0,183321 hasta 0,82621, y los valores más elevados en la
representación muestran una mayor actividad fotosintética de la vegetación de
la zona.
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
65
Capítulo III:
Resultados, discusión, conclusiones y
recomendaciones
Figura 14
Representación de Índices Espectrales: NDVI (A) & RESI (B)
Nota: Autor (2023)
3.2.2. Cálculo de Stack de índices
Se creó una pila de los índices obtenidos para la imagen Sentinel-2, y a partir de
ella se designaron las áreas de entrenamiento para los clasificadores de Máxima
Verosimilitud y Bosques Aleatorios. La combinación de esta pila se convirtió en
un archivo ráster para la imagen, que contenía tres bandas para el índice NDVI
y cuatro bandas para el índice RESI (que habían sido calculados previamente).
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
66
Capítulo III:
Resultados, discusión, conclusiones y
recomendaciones
A pesar de que cada índice espectral utiliza diferentes bandas, la visualización
gráfica de la pila combina estas bandas (Figura 14).
La figura 15 muestra la combinación de bandas de índices en cada Stack para
la imagen 1 y 2. La banda roja (R) se asignó para representar el índice RESI,
mientras que para las bandas verde (G) y azul (B) se asignaron para representar
el índice NDVI. Se utilizaron dos índices para crear esta combinación de bandas.
Para su visualización, se aplicó una escala de contenido máximo y mínimo,
presentando un rango de valores que varía desde 0,0496084 hasta 1 para la
parte superior (Stack imagen 1). A diferencia de la parte inferior (Stack imagen
2) se presentaron rango de valores de 0,314202 a 0,829794.
Figura 15
Stack de Índices NDVI + RESI calculados
Nota: Autor (2023)
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
67
Capítulo III:
Resultados, discusión, conclusiones y
recomendaciones
3.2.3. Clasificación supervisada
3.2.3.1. Creación de áreas de entrenamiento
Para los clasificadores Máxima Verosimilitud y Bosques Aleatorios, se
identificaron áreas de entrenamiento en el área de estudio y se clasificaron en
diferentes coberturas de suelo. Estas incluyen zonas de cultivos de cacao,
banano, palma africana, otras coberturas, asentamientos humanos y sin
vegetación aparente. Las ubicaciones de estas diferentes coberturas se
presentan en la tabla 9.
Tabla 9
Áreas de entrenamiento
Categorías
Coordenada
UTM-WGS84
Origen
Detalle
Codificación
X
Y
Google Earth
In-situ
Zonas de cultivos de
cacao
ZC_C
654288,60
9886947,70
X
654261,40
9886925,30
X
649439,90
9884861,10
X
649352,70
9884830,80
X
666896,50
9899372,70
X
Zonas de cultivos de
banano
ZC_B
654471,30
9886788,90
X
654761,80
9886625,10
X
655071,50
9885786,50
X
655689,10
9886453,90
X
649155,40
9885350,50
X
667743,20
9897717,50
X
667613,60
9898317,10
X
685687,00
9895342,50
X
685792,90
9895711,10
X
686750,60
9894734,50
X
Zonas de cultivos de
palma africana
ZC_PA
653700,80
9882438,00
X
668367,80
9900122,50
X
666891,80
9900680,50
X
666722,60
9900640,40
X
667821,10
9903646,10
X
668348,20
9904372,30
X
667950,00
9904457,20
X
668109,50
9897464,30
X
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
68
Capítulo III:
Resultados, discusión, conclusiones y
recomendaciones
667673,50
9898069,90
X
667522,60
9898093,00
X
668594,90
9896024,50
X
681850,60
9894530,40
X
681820,40
9894703,60
X
679307,80
9894241,00
X
683093,40
9893744,70
X
Zonas de otras
coberturas
ZC_O
649712,60
9884342,00
X
649735,40
9884930,10
X
667883,40
9897283,20
X
668164,90
9896996,50
X
667883,40
9897283,20
X
668464,30
9895783,80
X
668746,80
9895616,00
X
681090,80
9896240,40
X
684842,50
9895095,70
X
684257,20
9895122,70
X
Zonas de
asentamientos
humanos
ZA_H
651390,30
9884290,00
X
651215,90
9884928,20
X
652106,30
9884515,10
X
651149,20
9882282,80
X
649613,60
9884856,10
X
668026,00
9901161,30
X
666960,40
9900704,40
X
668343,70
9900937,30
X
668061,70
9902322,30
X
667628,60
9900149,80
X
683449,40
9894523,80
X
682883,10
9894294,30
X
683560,70
9894018,50
X
683310,00
9895402,90
X
685234,10
9895341,80
X
Zonas sin vegetación
aparente
ZS_VA
649531,20
9883826,70
X
650082,70
9883871,90
X
666800,20
9900515,90
X
668078,50
9895903,40
X
683971,00
9896550,20
X
Nota: Autor (2023)
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
69
Capítulo III:
Resultados, discusión, conclusiones y
recomendaciones
Se definieron coordenadas de 60 puntos de apoyo para definir las áreas de
entrenamiento, las cuales se utilizaron para crear las regiones de interés (Tabla
9). Se basó principalmente en Google Earth para tomar las coordenadas,
identificando zonas extensas a partir de imágenes reales captadas en el terreno
y que cumplían con las coberturas necesarias según las categorías establecidas.
Además, se tomaron 3 coordenadas in-situ, las cuales fueron para la categoría
"Zonas con cultivos de cacao".
3.2.3.2. Creación de ROIs
Una vez que se definieron las áreas de entrenamiento, se crearon las regiones
de interés basadas en las categorías de la tabla 9, tanto para el stack de índices
de la imagen 1 e imagen 2 (representado en la Figura 14). La Tabla 10 muestra
la cantidad de píxeles incluídos en cada categoría y el número total de píxeles,
ya que ambas imágenes provienen del mismo satélite (Sentinel-2).
Tabla 10
ROIs de Stack de índices
Categoría
Número de píxeles
Detalle
Color
Imagen 1
Imagen 2
Total
Zona de cultivos de cacao
16
81
97
Zona de cultivos de banano
36
59
95
Zona de cultivos de palma africana
26
30
56
Zona de otras coberturas
85
33
118
Zonas sin vegetación aparente
388
61
449
Zona de asentamientos humanos
118
103
221
Cuerpos de agua
446
203
649
Nubes
201
88
289
Sin categorización
No considerado
Nota: Autor (2023)
De acuerdo con la información presentada en la tabla 10, las asignaciones de
píxeles variaron entre las imágenes 1 y 2. Se reflejaron asignaciones mayores
en las ROIs de "Zonas sin vegetación aparente", "Zonas de asentamiento
humano", "Cuerpos de agua" y "Cobertura de nubes". Debido a la presencia de
nubosidad en ambas imágenes, se presentaron categorías donde se reflejó una
mayor cantidad de píxeles en la imagen 1 debido al contenido de cobertura de
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
70
Capítulo III:
Resultados, discusión, conclusiones y
recomendaciones
nubes en la zona este de la imagen y en diversos espacios distribuidos por
encima de otras áreas de la cobertura vegetal. La diferencia en las asignaciones
de píxeles entre la imagen 2 y la imagen 1 se debe a que las zonas de nubes
son más amplias en la imagen 2.
3.2.3.3. Clasificación con Máxima Verosimilitud
En la tabla 11 se muestra que el clasificador de Máxima Verosimilitud para la
imagen Sentinel-2 identificó una mayor área “sin categorización”, que totalizó
3153,8997 km
2
. Al contrario, la cobertura con menor extensión fue la de "Zonas
de asentamientos humanos", con 24,6776 km
2
. Para las principales áreas de
zonas de cultivos de cacao, banano y palma africana, se identificaron 67,2412
km
2
, 73,3114 km
2
y 123,3667 km
2
, respectivamente. En total, se encontró una
superficie de 4189,3570 km
2
, lo que equivale a la identificación de 41893570
píxeles con una resolución espacial de 10 m x 10 m (100 m
2
por píxel).
Tabla 11
Extensión de coberturas clasificadas con método Máxima Verosimilitud (ML)
Categoría
Conteo pixeles
Área
Detalle
Color
m²
km²
Zona de cultivos de cacao
672412
67241200
67,2412
Zona de cultivos de banano
733114
73311400
73,3114
Zona de cultivos de palma africana
1233667
123366700
123,3667
Zona de otras coberturas
4836076
483607600
483,6076
Zonas sin vegetación aparente
547735
54773500
54,7735
Zona de asentamientos humanos
246776
24677600
24,6776
Cuerpos de agua
943841
94384100
94,3841
Nubes
1140952
114095200
114,0952
Sin categorización
31538997
3153899700
3153,8997
Total
→
41893570
4189357000
4189,3570
Nota: Autor (2023)
La figura 16 presenta los resultados obtenidos con el clasificador Máxima
Verosimilitud. Se puede ver que el método tiene tendencia a cometer errores en
la categorización, ya que una gran parte del área quedó sin categorizar.
Precisamente, la clasificación de los cultivos de interés mostró una falta de
precisión, debido a la escasa distribución de los cultivos, así como la
interpretación limitada del algoritmo convencional en la zona de estudio.
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
71
Capítulo III:
Resultados, discusión, conclusiones y
recomendaciones
Figura 16
Clasificación supervisada con método Máxima Verosimilitud
Nota: Autor (2023)
3.2.3.4. Clasificación con Bosques Aleatorios
En la tabla 12 se muestra que el clasificador de Bosques Aleatorios para la
imagen Sentinel-2 identificó una mayor área en las “Zonas de otras coberturas”,
que totalizó 1600,2380 km
2
. Al contrario, la cobertura con menor extensión fue
la de "Zonas de asentamientos humanos", con 18,6295 km
2
. Para las principales
áreas de zonas de cultivos de cacao, banano y palma africana, se identificaron
148,7444 km
2
, 8,4236 km
2
y 93,5421 km
2
, respectivamente. En total, se encontró
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
72
Capítulo III:
Resultados, discusión, conclusiones y
recomendaciones
una superficie de 2255,7797 km
2
, lo que equivale a la identificación de 22557797
píxeles con una resolución espacial de 10 m x 10 m (100 m
2
por píxel).
Tabla 12
Extensión de coberturas clasificadas con método Bosques Aleatorios (RF)
Categoría
Número de
píxeles
Área
Detalle
Color
m²
km²
Zona de cultivos de cacao
1487444
148744400
148,7444
Zona de cultivos de banano
842360
84236000
8,4236
Zona de cultivos de palma africana
935421
93542100
93,5421
Zona de otras coberturas
16002380
1600238000
1600,2380
Zonas sin vegetación aparente
1656619
165661900
165,6619
Zona de asentamientos humanos
186295
18629500
18,6295
Cuerpos de agua
868224
86822400
86,8224
Nubes
579054
57905400
57,9054
Sin categorización
0
0
0
Total
→
22557797
2255779700
2255,7797
Nota: Autor (2023)
La figura 17 ilustra las coberturas categorizadas por el clasificador Bosques
Aleatorios. Este método demostró ser más efectivo en la categorización de las
coberturas definidas debido a su capacidad de utilizar cientos de combinaciones
de árboles para alcanzar una clasificación precisa. Para el área de estudio, se
identificó una mayor categorización de coberturas de cultivos de interés,
visualizando en un promedio de 7%, 4% y 4% respectivamente para las zonas
de cultivos de cacao, banano y palma africana.
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
73
Capítulo III:
Resultados, discusión, conclusiones y
recomendaciones
Figura 17
Clasificación supervisada con método Bosques Aleatorios
Nota: Autor (2023)
3.3. Análisis estadístico de los resultados
3.3.1. Validación de resultados
Para la validación de los resultados obtenidos, se generaron áreas de
entrenamiento a partir de coordenadas elegidas al azar (Tabla 13). Con estas
áreas se crearon nuevos ROIs y se elaboraron las matrices de confusión (Figura
18) y se calculó el coeficiente Kappa (Tabla 14) basándose en las clasificaciones
realizadas previamente (secciones 4.2.3.3 y 4.2.3.4).
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
74
Capítulo III:
Resultados, discusión, conclusiones y
recomendaciones
3.3.1.1. Áreas de entrenamiento al azar
La tabla 13 presenta las áreas de entrenamiento que fueron generadas al azar.
Para su creación se recurrió principalmente a la utilización de Google Earth, pero
para las categorías "Zonas con cultivos de cacao", "Zonas de otras coberturas"
y "Zonas de asentamientos humanos", se obtuvieron coordenadas de manera in-
situ.
Tabla 13
Áreas de entrenamiento al azar
Categorías
Coordenada
UTM-WGS84
Origen
Detalle
Codificación
X
Y
Google Earth
In-situ
Zonas de cultivos
de cacao
ZC_C
649423,50
9884854,70
X
667864,20
9897904,80
X
668009,00
9897591,50
X
666903,00
9899360,10
X
Zonas de cultivos
de banano
ZC_B
653668,50
9882828,00
X
653438,60
9882878,20
X
667839,40
9897884,30
X
685733,50
9895504,10
X
680933,80
9894466,60
X
Zonas de cultivos
de palma africana
ZC_PA
651138,80
9880406,90
X
667654,70
9898259,70
X
666856,10
9898855,80
X
681829,90
9894606,30
X
Zonas de otras
coberturas
ZC_O
653439,50
9882802,30
X
652299,60
9886163,00
X
652034,80
9882845,90
X
668311,40
9896941,20
X
668209,70
9904286,40
X
669176,10
9903522,10
X
684693,80
9895148,60
X
685408,40
9895291,40
X
Zonas de
asentamientos
humanos
ZA_H
651551,10
9885131,10
X
651586,50
9884772,10
X
650474,50
9884870,80
X
667870,90
9900737,90
X
668348,00
9901531,90
X
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
75
Capítulo III:
Resultados, discusión, conclusiones y
recomendaciones
683315,50
9894656,90
X
683617,10
9894935,90
X
685172,00
9895450,00
X
Zonas sin
vegetación
aparente
ZS_VA
653775,50
9882828,60
X
651920,50
9882971,90
X
649532,50
9883803,40
X
668590,40
9899306,90
X
681598,70
9893504,30
X
Nota: Autor (2023)
En la toma de coordenadas se utilizó la aplicación móvil “Russian Topo Maps”,
donde se determinó varias zonas tales como ZC_C, ZC_O, ZS_VA y ZA_H, las
cuales se consideraron más accesibles para dicha toma in-situ.
Consecuentemente, para las zonas ZC_B y ZC_PA se utilizó el software Google
Earth, a través de la interfaz de navegación satelital que brinda este.
3.3.1.2. Matriz de confusión
Después de establecer los ROIs basados en la tabla 13, se produjeron las
matrices de confusión. La figura 18 muestra ambas matrices, con los porcentajes
de precisión general y específicos para cada categoría de clasificación.
Figura 18
Matriz de confusión de las clasificaciones de imágenes: A(ML) & B(RF)
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
76
Capítulo III:
Resultados, discusión, conclusiones y
recomendaciones
Nota: Autor (2023)
De acuerdo con la figura 18, en la clasificación de Máxima Verosimilitud (ML)
para los cultivos de cacao (ZC_C), banano (ZC_B), palma africana (ZC_PA),
zonas de otros tipos de cultivos (ZC_O), zonas de asentamientos humanos
(ZA_H) y zonas sin vegetación visible (ZS_VA) mostraron niveles de precisión-
exactitud del 100%. Como resultado, estas zonas clasificadas fueron detectadas
de manera eficaz debido a la asignación de puntos al alzar supuestos en las
diferentes categorizaciones. De igual forma, en la categoría sin clasificación
(S_C), que incluyó datos sobre nubosidad, cuerpos de agua y categorías no
definidas o sin clasificación, se obtuvieron niveles de acuerdo-exactitud del 100%
debido a la amplia cobertura de nubosidad y la extensa proyección sin
clasificación representada en la figura 16.
Para la clasificación de Bosques Aleatorios (RF), en los cultivos de cacao
(ZC_C), banano (ZC_B) y palma africana (ZC_PA) se obtuvieron niveles de
precisión-exactitud del 88,46%, 86,67% y 66,50%, respectivamente. Por su
parte, en las zonas con otros tipos de cultivos (ZC_O), zonas de asentamientos
humanos (ZA_H) y zonas sin vegetación visible (ZS_VA) se alcanzaron niveles
de precisión-exactitud del 96,30%, 100% y 92,86%, respectivamente. En la
clasificación sin categorización (S_C), que incluyó datos sobre nubosidad,
cuerpo de agua y categorías no definidas, la categoría no definida no presentó
resultados variables en la matriz. La categoría S_C demostró niveles de
precisión-exactitud del 100%, lo que refleja el excelente proceso realizado con el
método RF.
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
77
Capítulo III:
Resultados, discusión, conclusiones y
recomendaciones
Siendo así que la clasificación RF demostró ser mejor con un nivel de precisión
general del 93,78%. Por otro lado, la clasificación ML tuvo una precisión general
de solo 52,96%. Al evaluar la detección de los cultivos de interés, se encontraron
diferencias significativas en términos de niveles de precisión-exactitud individual,
con un 96,30% para el método RF y un 100% para el método ML.
3.3.1.3. Coeficiente Kappa
Asimismo, se llevaron a cabo cálculos de los coeficientes de Kappa para las
cuatro clasificaciones realizadas. La tabla 14 presenta los resultados obtenidos.
Tabla 14
Fuerza de Concordancia según el coeficiente de Kappa para las clasificaciones
de Máxima Verosimilitud (ML) y Bosques Aleatorios (RF)
Clasificación
Coeficiente de Kappa
Precisión
ML
0,1543
Leve
RF
0,860818
Casi perfecta
Nota: Autor (2023)
Los resultados obtenidos de las clasificaciones realizadas por ambos métodos
muestran una marcada diferencia según los datos presentados en la tabla 16. El
método RF logró una clasificación sobresaliente, con un coeficiente Kappa de
0,860818, el cual representa una fuerza de concordancia o precisión casi
perfecta. Por otro lado, el método ML no logró un rendimiento satisfactorio, con
un coeficiente Kappa de solo 0,1543, lo cual refleja una precisión leve.
3.3.2. Análisis estadístico
Después de obtener los valores de la medición, se realizó un análisis estadístico
para comprobar la normalidad de los datos (Tabla 15).
Tabla 15
Prueba estadística de normalidad para los métodos de clasificación Máxima
Verosimilitud (ML) y Bosques Aleatorios (RF)
Métodos de
Clasificación
Kolmogórov-Smirnov
Shapiro-Wilk
Estadístico
gl
Sig.
Estadístico
gl
Sig.
Categorías
ML
0,424429141
395
1,8966E-206
0,637742537
395
4,71875E-28
RF
0,421167729
395
3,2441E-203
0,6474668
395
9,6003E-28
Nota: Autor (2023)
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
78
Capítulo III:
Resultados, discusión, conclusiones y
recomendaciones
Según lo indicado en la Tabla 15, para evaluar la normalidad de los datos se
compararon variables aleatorias entre los métodos de aprendizaje automático
(ML) y selección de características (RF), y en ambos casos se obtuvo un nivel
de significancia inferior a 0,05. Por lo tanto, se concluye que los datos no
provienen de una distribución normal y se utilizó la prueba de suma de rangos
de Wilcoxon.
Para complementar los resultados, se realizó un análisis estadístico no
paramétrico utilizando la prueba Wilcoxon-Mann-Whitney para muestras
independientes, y los resultados se presentan en la Tabla 16.
Tabla 16
Prueba estadística de la Suma de Rangos de Wilcoxon para las comparaciones
entre métodos clasificadores Máxima Verosimilitud (ML) y Bosques Aleatorios
(RF)
Estadísticos de prueba
Valores por puntos al azar
U de Mann-Whitney
40083,500
W de Wilcoxon
118293,500
Z
-12,458
Sig. asintótica(bilateral)
1,26033E-35
Nota: Autor (2023)
Según la tabla 16, el valor p (Sig. asintótica (bilateral)) de la comparación entre
los métodos de clasificación ML y RF es inferior a 0.05. En consecuencia, se
rechaza la hipótesis nula y se puede afirmar que existen diferencias
estadísticamente significativas entre los resultados obtenidos con ML y RF para
la clasificación de la imagen de Sentinel-2.
Los resultados del análisis estadístico son coherentes con los reportados por las
matrices de confusión y los coeficientes de Kappa. La diferencia en las
clasificaciones ML y RF fue del 40,82% en las matrices de confusión y 0.71 en
los coeficientes de Kappa, lo que demuestra que existen diferencias
significativas entre los resultados obtenidos con estos métodos.
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
79
Capítulo III:
Resultados, discusión, conclusiones y
recomendaciones
3.4. Discusión
Durante las últimas décadas de procesos de investigaciones para la clasificación
de imágenes multiespectrales, el método de Máxima Verosimilitud ha sido
ampliamente utilizado. Sin embargo, han surgido nuevos enfoques basados en
inteligencia artificial, como Random Forest (Athey et al., 2019), (Genuer et
al., 2017), aun así, estos nuevos métodos de clasificación supervisada requieren
estudios que comprueben los niveles de precisión. Estos tipos de métodos que
apoyan a los procesos de teledetección favorecen a la actualización de base de
datos nacionales en carácter de distribución de uso de suelo más significativos
como pueden ser en áreas de cultivos agrícolas (Borrás et al., 2017), siendo así
un requisito indispensable para mejorar la toma de decisiones en procesos de
sostenibilidad y ordenamiento del territorio. Particularmente, las provincias
Guayas y Los Ríos dentro de Ecuador tienen una producción agrícola
sorprendente, siendo uno de sus principales sectores con beneficios
socioeconómicos (MAG, 2020). A su vez el manejo de los métodos encaminado
al área de estudio y sus adyacentes, valdrán para identificar posibles
inestabilidades al uso del suelo enfocado en actividades agrícolas.
Los índices espectrales de vegetación son comúnmente empleados en procesos
de detección cultivos, debido a la inmensa posibilidad de obtener
categorizaciones precisas (Pech May et al., 2021). En diversos estudios se han
analizado algunos índices de vegetación, como NDVI y una variación del índice
de bordes rojos (RESI), entre otros (Xiao et al., 2020), (Campos-Taberner et al.,
2020). Precisamente, el índice NDVI es el más común y ampliamente utilizado
para estimar la variación de los cultivos en una determinada zona durante
periodos de tiempo. En la mayoría de los valores que NDVI puede mostrar, datos
resultantes como 0,2 y 0,4 conciernen a una vegetación escasa, mientras que
una vegetación moderada tiende a variar entre 0,4 y 0,6 (Pech May et al., 2021);
cualquier valor por encima de 0,6 indicaría una mayor densidad de vegetación
en la zona (Pech May et al., 2021). Por otro lado, el índice de RESI basado en
Sentinel muestra una ventaja obvia en la detección de cobertura vegetal de la
transición defoliación-foliación (Xiao et al., 2020). Aludiendo unos ejemplos, se
emplearon en una investigación para evaluar variabilidad espacio-temporal en
cuatro manglares periurbanos (Denis Ávila et al., 2020), o también en cambios
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
80
Capítulo III:
Resultados, discusión, conclusiones y
recomendaciones
en la vegetación forestal durante 4 semestres en 2 parques nacionales
(Lastovicka et al., 2020), entre otros diversos estudios de investigación
realizados alrededor del planeta.
Para el estudio, se aprovecharon los índices NDVI y RESI para crear una imagen
multibanda (Stack). Los resultados mostraron una diferencia significativa en
ambos índices, con RESI mostrando una mejor capacidad para identificar las
características de clorofila en las coberturas vegetales a comparación con NDVI.
Aunque ambos índices asumen un mismo objetivo, RESI utilizó con mayor
eficacia la detección de los niveles infrarrojos de la cobertura de la vegetación y
los cultivos de interés. Semejante a lo mencionado, (Xiao et al., 2020) en una
investigación desarrollaron un método de índices espectrales de bordes rojos
(RESI) mediante la normalización de tres bandas de bordes rojos y lo aplicaron
para identificar y cartografiar plantaciones de caucho reflejando que tienen un
potencial significativo para el seguimiento de las plantaciones de caucho, sino
que también mejora los métodos de teledetección de la cartografía de otros tipos
coberturas vegetales mediante la introducción de la red-EDGE.
Tanto el método Máxima Verosimilitud (ML) como el método Bosques Aleatorios
(RF) son utilizados para detectar áreas de cultivos agrícolas con imágenes de
Sentinel-2 (Athey et al., 2019), (Denis Ávila et al., 2020), (Borrás et al., 2017). El
estudio demostró que el mejor rendimiento en la clasificación de banano, cacao
y palma africana se logró con el uso de RF. Por otro lado, ML tuvo una precisión
más baja, como se puede ver en los porcentajes de precisión y el índice Kappa
(Athey et al., 2019). La razón principal por la que ML tuvo una baja precisión en
la detección de estos cultivos fue debido a la carencia de información
incorporada para la clasificación de la imagen de Sentinel-2 (Valero Medina &
Alzate Atehortúa, 2019), afectando la precisión en la detección de cultivos.
Al revisar las estadísticas que verifican las categorizaciones, el rendimiento
sobresaliente del algoritmo Bosques Aleatorios en la cartografía de coberturas
agrícolas destaca en primer lugar, lo que coincide con los hallazgos obtenidos
en investigaciones previas que utilizaron la misma técnica de clasificación. En
este tipo de investigaciones, las amplias dimensiones de los terrenos agrícolas
hacen posible obtener una amplia cantidad de muestras representativas de cada
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
81
Capítulo III:
Resultados, discusión, conclusiones y
recomendaciones
categoría, necesarias para una correcta formación del algoritmo. Recientemente,
en otras partes del mundo, (Ramírez et al., 2020) utilizaron la muestra de la
cobertura terrestre como referencia para llevar a cabo la clasificación, la cual fue
capturada por un experto en el tema de manera manual. Donde obtuvieron una
distribución del 70% para el entrenamiento del algoritmo Bosques Aleatorios y
un 30% para validar la clasificación. En otro caso, (Morell-Monzó et al., 2022)
analizaron el uso de datos multitemporales Sentinel-2 para clasificar el estado
de pequeñas parcelas de cítricos demostrando el potencial de los datos Sentinel-
2 para identificar el estado de estas parcelas, donde lograron obtener una
precisión global del 90,30% mediante la clasificación supervisada basada en
Bosques Aleatorios.
A pesar de que la técnica de Máxima Verosimilitud (ML) y Bosques Aleatorios
(RF) han mostrado resultados novedosos en la clasificación de imágenes
Sentinel-2 con otros índices de vegetación y preprocesamientos, para el caso de
estudio la precisión obtenida en la clasificación supervisada con el método RF
fue casi perfecta, con una precisión del 93,78% y coeficiente Kappa de 0,860818.
Este impresionante rendimiento puede tener sus raíces en la investigación de
campo previa, en la cual se recopilaron datos sobre los diferentes cultivos de
interés, permitiendo la elaboración de categorías para los grupos de
entrenamiento y validación. Sin embargo, con una mayor cantidad y calidad de
datos de entrenamiento, se esperaría un aumento en la precisión, llegando a un
rango entre el 94% y 98% (Borrás et al., 2017).
En algunos casos el método de Bosques Aleatorios no es propiamente preciso
para la determinación de clasificación y validación. En este sentido se resalta el
uso de Máxima Verosimilitud, que distintivamente presentó resultados de
precisión leves o intermedios (52,96%) para el estudio. En un caso similar,
(Valero Medina & Alzate Atehortúa, 2019) compararon 3 tipos de técnicas de
algoritmos para una imagen satelital en la identificación de varios campos de
cultivo de algodón, obteniendo una clasificación con la máxima probabilidad del
68,95%, SVM del 81,325% y de bosques aleatorios del 78,925%. Esto demostró
que, al realizar la prueba de confianza para las clasificaciones con intervalos no
solapados, se obtuvieron valores más altos para el SVM. Sin embargo, en otro
caso de estudio (Nolasco et al., 2017) compararon el rendimiento de los
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
82
Capítulo III:
Resultados, discusión, conclusiones y
recomendaciones
algoritmos de clasificación Máxima Verosimilitud, Support Vector Machine y
Bosques Aleatorios, y analizaron la influencia de la naturaleza y cantidad de
categorías en los modelos. Al final, lograron determinar que el algoritmo de
Máxima Verosimilitud fue el más conveniente, alcanzando una precisión del 99%
y un índice k de 0,99.
Las clasificaciones de esta investigación tuvieron una precisión general
aproximada de 53% (ML) y 94% (RF). Sin embargo, la precisión individual de
detección para dos de los tres objetivos principales, cacao y banano, fue
excelente con valores por encima del 88% (para el método RF). En cambio, la
detección de la palma africana no fue precisa, ya que su separabilidad espectral
con otras áreas resultó ser baja y obtuvo valores de acuerdo/exactitud por debajo
del 63% (Weiss et al., 2020). Esto podría deberse a que la palma africana no se
cultiva en grandes extensiones o la clasificación de este no se diferencia con la
de banano u otros cultivos parecidos en la zona de estudio, lo que limitó la
cantidad de muestras de campo para entrenar a los clasificadores.
La posible mejora en la precisión que presenta Bosques Aleatorios en
comparación con Máxima Verosimilitud es un aspecto importante por considerar,
especialmente en la clasificación de imágenes de Sentinel-2, donde se ha
demostrado una diferencia estadísticamente significativa. Por tanto, se
encomienda que en futuras investigaciones se tomen en cuenta más y mejores
coordenadas in situ en zonas con cultivos de palma africana, ya que se cree que
la baja precisión en la detección de estos cultivos con Sentinel-2 se debe a falta
de incorporación de muestras para las clasificaciones. De manera que permita
mejorar las condiciones para los clasificadores y evaluar verdaderamente la
capacidad de mejora de Bosques Aleatorios en comparación con Máxima
Verosimilitud en la clasificación de imágenes de Sentinel-2.
3.5. Conclusiones
El preprocesamiento de imágenes multiespectrales del satélite Sentinel-2 es un
paso crítico para la toma de decisiones. El uso de software especializado como
ENVI y ArcGIS permitió ejecutar este proceso de manera eficiente y precisa,
preparando las imágenes para su posterior clasificación y análisis. Es importante
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
83
Capítulo III:
Resultados, discusión, conclusiones y
recomendaciones
destacar que la calidad y precisión del preprocesamiento sosegaron
directamente con los resultados finales.
Los valores obtenidos en los índices calculados mostraron diferencias notables
debido a la aplicabilidad específica de cada uno, donde la cantidad de
vegetación, actividad fotosintética y clorofila jugaron un papel fundamental para
las posteriores clasificaciones. Tomando en cuenta que existieron diferencias en
los datos y visualización de los índices, se puede afirmar que en conjunto NDVI
y RESI ayudaron a la clasificación más eficiente de las zonas de cultivos de
interés.
Los métodos de Máxima Verosimilitud (ML) y Bosques Aleatorios (RF), junto con
los índices espectrales, han demostrado ser efectivos en la clasificación
supervisada de imágenes Sentinel-2 para detectar los cultivos principales en la
zona de estudio. Estos métodos combinaron la información espectral y la
estructura de la imagen para mejorar la precisión de la clasificación, para el caso
de RF. Sin embargo, es importante tener en cuenta que la selección adecuada
de índices espectrales y la correcta validación de los modelos fueron cruciales
para lograr resultados precisos.
Los resultados de las clasificaciones de Sentinel-2 con ML y RF fueron distintos
entre sí. En las clasificaciones con ML, la categoría que ocupó la mayor
extensión espacial fue "Zonas sin clasificación", mientras que la categoría con la
menor extensión fue "Zonas de asentamientos humanos". Esto resultó en un
aumento en la extensión espacial de la categoría "Zonas de asentamientos
humanos" y en la clasificación sin categoría. Por otro lado, en la clasificación con
RF, se redujo la extensión de la categoría "Zonas de cultivos de palma africana"
y se aumentaron las coberturas de banano, cacao y zonas de asentamientos
humanos, así como también se disminuyó la extensión de las coberturas de
nubes, cuerpos de agua y las sin clasificación.
No fue posible detectar de forma precisa las zonas con cultivos de palma africana
en imágenes de Sentinel-2 mediante el uso de ML y RF. Sin embargo, se
detectaron con alta precisión las zonas con cultivos de cacao (con una precisión
individual de más del 88.46% mediante RF) y banano (con una precisión
individual de más del 86.67%) mediante RF. En general, para clasificar todas las
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
84
Capítulo III:
Resultados, discusión, conclusiones y
recomendaciones
coberturas de cultivos de interés, la mejor opción es utilizar Bosques Aleatorios,
mientras que la combinación Máxima Verosimilitud no es la más recomendada
para la zona de estudio o localizaciones aledañas.
Los resultados obtenidos en las matrices de confusión y los coeficientes de
Kappa fueron respaldados por un análisis estadístico riguroso. Las diferencias
notables en las precisiones de clasificación entre los métodos ML y RF fueron
confirmadas por la evaluación estadística, que mostraron diferencias
significativas. Además, el análisis con la prueba de Wilcoxon-Mann-Whitney
indicó que las variaciones en la precisión de clasificación según las matrices de
confusión y los coeficientes de Kappa son estadísticamente significativas.
3.6. Recomendaciones
Se debe continuar investigando y mejorando el preprocesamiento de imágenes
multiespectrales para la detección de cultivos. Sería útil explorar nuevos
métodos y software para mejorar la precisión y eficiencia del preprocesamiento
y la clasificación de imágenes satelitales, además de facilitar el acceso remoto y
directo a los metadatos e imágenes satelitales. Igualmente, sería recomendable
considerar la incorporación de otros datos relevantes para mejorar la detección
de cultivos, como datos climáticos y de suelo. Esto permitirá obtener una visión
más completa y precisa de la región y ayudará a tomar decisiones más
informadas sobre la gestión y conservación de los recursos naturales.
Para mejorar la identificación de coberturas difíciles en Google Earth, es
importante llevar a cabo una recopilación de muestras en el terreno con el
objetivo de mejorar las áreas de interés y aumentar la separabilidad espectral
para lograr clasificaciones más precisas, especialmente en áreas relativamente
pequeñas y que a menudo están mezcladas.
Se sugiere utilizar métodos de Bosques Aleatorios en futuras investigaciones
dentro o fuera de la zona de estudio para mejorar continuamente la toma de
decisiones. Es aconsejable experimentar con otros métodos, como las Máquinas
de Vectores de Soporte (SVMs), para identificar áreas más extensas y probar
diferentes funciones de núcleo en la función de decisión con el fin de evaluar su
grado de precisión.
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
85
Referencias:
Referencias Bibliográficas
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
86
Referencias:
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
87
Referencias:
Referencias Bibliográficas
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
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
88
Referencias:
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
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
89
Referencias:
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
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
90
Referencias:
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_teled
eteccion_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
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
91
Referencias:
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_e
stado_de_parcelas_de_citricos_utilizando_datos_multitemporales_Senti
nel-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
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
92
Referencias:
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
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
93
Referencias:
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
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
94
Referencias:
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
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
95
Referencias:
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
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
96
Referencias:
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
97
Anexos:
Anexos
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
98
Anexos:
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
99
Anexos:
Anexos
Anexo 1
Metadatos completos de la imagen 1 de Sentinel-2
Summary
Date:
2019-08-15T15:36:21.024Z
Filename:
S2A_MSIL1C_20190815T153621_N0208_R068_T17MPV_2
0190815T222516.SAFE
Identifier:
S2A_MSIL1C_20190815T153621_N0208_R068_T17MPV_2
0190815T222516
Instrument:
MSI
Satellite:
Sentinel-2
Size:
523.86 MB
Product
Cloud cover percentage:
13.742
Datastrip identifier:
S2A_OPER_MSI_L1C_DS_MTI__20190815T222516_S2019
0815T153622_N02.08
Datatake sensing start:
2019-08-15T15:36:21.024Z
Degraded ancillary data
percentage:
0.0
Degraded MSI data
percentage:
0
Footprint:
<gml:PolygonsrsName="http://www.opengis.net/gml/srs/epsg
.xml#4326" xmlns:gml="http://www.opengis.net/gml">
<gml:outerBoundaryIs> <gml:LinearRing>
<gml:coordinates>-0.993166101164354,-79.85373 -
0.850069697749979,-79.82184 -0.701618985745763,-
79.78897 -0.553110753375327,-79.75607 -
0.404495984471584,-79.723236 -0.25575616884828,-
79.69064 -0.106912060607654,-79.65814 0,-79.634766 0,-
79.11493 -0.992852760559312,-79.114655 -
0.993166101164354,-79.85373</gml:coordinates>
</gml:LinearRing> </gml:outerBoundaryIs> </gml:Polygon>
Format:
SAFE
Format correctness:
PASSED
General quality:
PASSED
Generation time:
2019-08-15T22:25:16.000000Z
Geometric quality:
PASSED
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
100
Anexos:
Granule identifier:
S2A_OPER_MSI_L1C_TL_MTI__20190815T222516_A0216
58_T17MPV_N02.08
Ingestion Date:
2019-08-16T00:25:18.584Z
JTS footprint:
MULTIPOLYGON (((-79.85373 -0.993166101164354, -
79.114655 -0.992852760559312, -79.11493 0, -79.634766 0,
-79.65814 -0.106912060607654, -79.69064 -
0.25575616884828, -79.723236 -0.404495984471584, -
79.75607 -0.553110753375327, -79.78897 -
0.701618985745763, -79.82184 -0.850069697749979, -
79.85373 -0.993166101164354)))
Level-1C PDI Identifier:
S2A_OPER_MSI_L1C_TL_MTI__20190815T222516_A0216
58_T17MPV_N02.08
Mission datatake id:
GS2A_20190815T153621_021658_N02.08
Orbit number (start):
21658
Pass direction:
DESCENDING
Processing baseline:
02.08
Processing level:
Level-1C
Product type:
S2MSI1C
Radiometric quality:
PASSED
Relative orbit (start):
68
Sensing start:
2019-08-15T15:36:21.024Z
Sensing stop:
2019-08-15T15:36:21.024Z
Sensor quality:
PASSED
Tile Identifier:
17MPV
Tile Identifier horizontal
order:
MV17P
Instrument
Instrument abbreviation:
MSI
Instrument mode:
INS-NOBS
Instrument name:
Multi-Spectral Instrument
Platform
NSSDC identifier:
2015-028A
Satellite name:
Sentinel-2
Satellite number:
A
Nota: Copernicus by the European Union's Earth Observation Programme
(Copernicus Open Access Hub, s.f.)
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
101
Anexos:
Anexo 2
Metadatos completos de la imagen 2 de Sentinel-2
Summary
Date:
2019-08-20T15:36:29.024Z
Filename:
S2B_MSIL1C_20190820T153629_N0208_R068_T17MPU_2
0190820T202350.SAFE
Identifier:
S2B_MSIL1C_20190820T153629_N0208_R068_T17MPU_2
0190820T202350
Instrument:
MSI
Satellite:
Sentinel-2
Size:
667.35 MB
Product
Cloud cover percentage:
29.477.399.999.999.900
Datastrip identifier:
S2B_OPER_MSI_L1C_DS_MTI__20190820T202350_S2019
0820T154239_N02.08
Datatake sensing start:
2019-08-20T15:36:29.024Z
Degraded ancillary data
percentage:
0.0
Degraded MSI data
percentage:
0
Footprint:
<gml:PolygonsrsName="http://www.opengis.net/gml/srs/epsg
.xml#4326"xmlns:gml="http://www.opengis.net/gml"><gml:out
erBoundaryIs> <gml:LinearRing>
<gml:coordinates>1.897482275386293,-80.05121 -
1.834367448292868,-80.03732 -1.685812558585486,-
80.004456 -1.537242122446741,-79.97159 -
1.388624105601028,-79.93878 -1.239978256968598,-
79.906006 -1.091349700449564,-79.8732 -
0.942781736155273,-79.8403 -0.90415271374235,-
79.83176 -0.903875955648899,-79.114685 -
1.896723233843827,-79.11389 -1.897482275386293,-
80.05121</gml:coordinates></gml:LinearRing>
</gml:outerBoundaryIs> </gml:Polygon>
Format:
SAFE
Format correctness:
PASSED
General quality:
PASSED
Generation time:
2019-08-20T20:23:50.000000Z
Geometric quality:
PASSED
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
102
Anexos:
Granule identifier:
S2B_OPER_MSI_L1C_TL_MTI__20190820T202350_A0128
21_T17MPU_N02.08
Ingestion Date:
2019-08-20T21:44:30.140Z
JTS footprint:
MULTIPOLYGON (((-80.05121 -1.897482275386293, -
79.11389 -1.896723233843827, -79.114685 -
0.903875955648899, -79.83176 -0.90415271374235, -
79.8403 -0.942781736155273, -79.8732 -
1.091349700449564, -79.906006 -1.239978256968598, -
79.93878 -1.388624105601028, -79.97159 -
1.537242122446741, -80.004456 -1.685812558585486, -
80.03732 -1.834367448292868, -80.05121 -
1.897482275386293)))
Level-1C PDI Identifier:
S2B_OPER_MSI_L1C_TL_MTI__20190820T202350_A0128
21_T17MPU_N02.08
Mission datatake id:
GS2B_20190820T153629_012821_N02.08
Orbit number (start):
12821
Pass direction:
DESCENDING
Processing baseline:
02.08
Processing level:
Level-1C
Product type:
S2MSI1C
Radiometric quality:
PASSED
Relative orbit (start):
68
Sensing start:
2019-08-20T15:36:29.024Z
Sensing stop:
2019-08-20T15:36:29.024Z
Sensor quality:
PASSED
Tile Identifier:
17MPU
Tile Identifier horizontal
order:
MU17P
Instrument
Instrument abbreviation:
MSI
Instrument mode:
INS-NOBS
Instrument name:
Multi-Spectral Instrument
Platform
NSSDC identifier:
2017-013A
Satellite name:
Sentinel-2
Satellite number:
B
Nota: Copernicus by the European Union's Earth Observation Programme
(Copernicus Open Access Hub, s.f.)
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
103
Anexos:
Anexo 3
Informe completo de la separabilidad espectral de ROIs (Superior e Inferior) de
la imagen Sentinel-2
Nota: Autor (2023)
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
104
Anexos:
Anexo 4
Toma de coordenadas para áreas de entrenamiento y generación de ROIs para
zonas de cultivo de interés y otros
Nota: Autor (2023)
Anexo 5
Toma de coordenadas para áreas de entrenamiento al azar y generación de
ROIs para proceso de validación con zonas de cultivo de cacao y banano
Nota: Autor (2023)
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
105
Anexos:
Anexo 6
Toma de coordenadas para áreas de entrenamiento al azar y generación de
ROIs para proceso de validación con zonas de otras coberturas y
asentamientos humanos
Nota: Autor (2023)
Anexo 7
Determinación de áreas de entrenamiento para generación de ROIs en la zona
de estudio
Nota: Autor (2023)
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
106
Anexos:
Anexo 8
Determinación de áreas de entrenamiento al azar para generación de ROIs y
posterior análisis estadístico
Nota: Autor (2023)
Anexo 9
Generación de puntos al azar para método estadístico
Nota: Autor (2023)
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
107
Anexos:
Anexo 10
Obtención de datos aleatorios para examinar las diferencias estadísticas
mediante la utilización de la función "Extract Multi Values to Point"
Nota: Autor (2023)
Anexo 11
Datos obtenidos a partir de herramienta SAGA de QGIS para el análisis de
matriz de confusión y Coeficiente Kappa
Nota: Autor (2023)
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
108
Anexos:
Anexo 12
Gráfico Q-Q para normalidad de los datos de Maximum Likelihood
Nota: Autor (2023)
Anexo 13
Gráfico Q-Q para normalidad de los datos de Random Forest
Nota: Autor (2023)
Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.),
banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.).
109
Referencia:
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.
Palabras clave: Maximum Likelihood, Random Forest, Cultivos,
NDVI, RESI.
http://www.editorialgrupo-aea.com
Editorial Grupo AeA
editorialgrupoaea
Editorial Grupo AEA
