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