Jornadas de difusión de proyectos Académicos, de Investigación y Extensión
ANÁLISIS DE IMÁGENES MULTIESPECTRALES PARA LA IDENTIFICACIÓN DE REGIONES EN CUADROS PRODUCTIVOS DE CAÑA DE AZUCAR
Agustín Benjamín Ezequiel Solano
Facultad de Ingeniería
Correo de Contacto: aguchosolano@gmail.com
Resumen:
En el presente trabajo se realiza la caracterización de la problemática del estado de la caña de azúcar previo a la cosecha a través de imágenes multiespectrales y el análisis de las variables descriptivas más significativas a fin de complementar el uso del NDVI (Índice de vegetación de diferencia normalizada) para la identificación de los diferentes estados de la caña de azúcar.
Se contó con un set de imágenes obtenido por el Instituto Nacional de Tecnología Agropecuaria (INTA) de Argentina. Las imágenes fueron adquiridas en tres bandas del espectro electromagnético: verde (530-580 nm.), roja (650-685 nm.) e infrarroja cercana (770-830 nm.) con una resolución de imagen de 1920 x 1075 pixeles. Con la asistencia de un Ingeniero Agrónomo se realizó el etiquetado de las imágenes en las clases de interés delimitando en las imágenes porciones representativas de las clases Caña en Pie (CP), Caña Caída en Forma de Parches (CCP), Caña Caída en Áreas Grandes (CCA), Caña Caída con Fototropismo (CCF) y Corridas o áreas de suelo descubierto (C). Además, con los canales correspondientes a las bandas del infrarrojo y del rojo se obtuvo el NDVI.
Cada imagen completa fue analizada mediante ventanas de 11x11 píxeles de donde se obtuvieron 12 parámetros de textura: entropía, desvío estándar y media por cada canal de la imagen (Infrarrojo, Rojo y Verde) y los mismos tres parámetros de la imagen NDVI.
Se decidió realizar el análisis de los datos mediante la aplicación de Árboles de Decisión, un modelo de predicción basado en inferencia inductiva que permite identificar ejemplos en una de varias de categorías posibles. Para aplicar el algoritmo del árbol los datos fueron normalizados y se armaron subconjuntos de entrenamiento y de testeo, eligiendo ejemplos al azar de los conjuntos de CP, CC y C.
Se entrenaron 10 árboles de decisión con distintos ejemplos de entrenamiento y testeo para luego graficar 10 curvas de porcentajes de aciertos en función de la cantidad de cortes efectuados al árbol y además una curva de aciertos promedio. Se observó que con el árbol completo, sin prácticamente ningún corte, el porcentaje de error fue levemente inferior que cuando se le efectuaron entre 5 y 10 cortes. Con 10 cortes se obtuvo el máximo de aciertos. Con excesiva cantidad de cortes en relación al tamaño del árbol éste perdió la capacidad de identificación y el porcentaje de aciertos cayó abruptamente.
Se analizó la mecánica de identificación en un árbol particular con un corte de 24 niveles, con un porcentaje de aciertos del 81%, y finalmente, se evaluaron cuáles fueron los atributos más influyentes a la hora de analizar los distintos ejemplos e identificar el tipo de clase a la que pertenecían.
Se concluye que los descriptores de textura con mayor capacidad de discriminación entre patrones de caña de azúcar fueron los asociados a los presentes en el canal Rojo de la imagen multiespectral, siendo de particular importancia la entropía y el desvío estándar. En segundo lugar comienzan a aparecer los descriptores de textura del canal Infrarrojo. Se observa que la mayor cantidad de información está contenida en los mismos canales considerados por el indicador NDVI pero desde el punto de vista geométrico. Finalmente se incorpora la información del canal Verde y las variaciones del NDVI.
Mediante el análisis realizado se ha podido mensurar y jerarquizar la importancia de la incorporación de nuevos descriptores para evaluar el estado del cultivo.