Clasificación de cultivos agrícolas temporales en imágenes

Clasificación de cultivos agrícolas temporales en imágenes de alta resolución usando técnicas de cómputo inteligente

Dr. Roberto Antonio Vázquez Espinoza de los MonterosResponsable técnico

Marzo 2014

Agenda

1. Grupo de Investigación2. Objetivo del proyecto3. Etapas del proyecto4. Productos esperados5. Introducción6. Conceptos básicos7. Metodología8. Resultados obtenidos9. Conclusiones

Grupo de Investigación+Desarrollo+innovaciónSistemas intel igentes

4 Doctores (3 miembros del SNI), Estudiantes de licenciatura y posgrado.

Realizar investigación tanto básica como aplicada, para dar solución a problemas relacionados con el reconocimiento de patrones, análisis de imágenes, predicción de series de tiempo y control, de alto impacto. • Redes Neuronales aplicadas al reconocimiento de

patrones y control• Cómputo evolutivo e inteligencia colectiva para el

reconocimiento de patrones

GI+D+i en Sistemas InteligentesProyectos

1. Aplicaciones de cómputo evolutivo y de procesamiento digital de señales en el área de ingeniería

2. Diseño automático de redes de estaciones sísmicas.3. Diseño automático de redes neuronales generadoras de impulsos y su implementación en unidades de procesamiento gráfico (GPUS) para el análisis masivo y clasificación de patrones

4. Simulación y diseño de nadadores con inteligencia individual y colectiva

5. Implementación de una nariz electrónica en un sistema embebido

Objetivo del proyectoClasif icación de cult ivos agrícolas

Estimar la superficie sembrada de una región mediante de la clasificación de cultivos agrícolas temporales usando imágenes de alta resolución y técnicas de cómputo inteligente. Al menos se tiene que clasificar cuatro diferentes cultivos como por ejemplo: frijol, trigo, maíz amarillo y maíz blanco.

Etapas del proyectoClasif icación de cult ivos agrícolas

1. Evaluar diferentes algoritmos para la extracción de rasgos.

2. Entrenar o ajustar los parámetros de diferentes algoritmos inteligentes y aplicarlos a la clasificación de los rasgos obtenidos en la etapa anterior

3. Combinar las diferentes técnicas de extracción de rasgos con los diferentes algoritmos inteligentes y se definirá la mejor combinación de rasgos y algoritmo que resuelva el problema de clasificación de cultivos agrícolas temporales en imágenes de alta resolución con el fin de estimar la superficie sembrada.

Productos esperadosClasif icación de cult ivos agrícolas

1. Programa computacional que permita extraer diferentes tipos de rasgos a partir de imágenes de entrada

2. Programa computacional que tendrá implementados diferentes algoritmos inteligentes.

3. Programa computacional que seleccione el mejor conjunto de rasgos para un algoritmo inteligente a partir de una resolución de imagen dada y estime la superficie sembrada.

4. Publicar un reporte o artículo en Realidad, datos, y espacio, o en la Revista Internacional de Estadística y Geografía.

5. Graduar al menos a un alumno de licenciatura y uno de maestría.

Software

Difusión

Formación

Grupo de trabajoClasif icación de cult ivos agrícolas

I. Responsable técnico: 1. Dr. Roberto Antonio Vázquez Espinoza de los Monteros

II. Equipo de investigadores1. Dr. Eduardo Gómez Ramírez2. Dr. José Ambrosio Bastián3. Dr. Mauricio Alberto Martínez García

III. Estudiantes de Maestría1. Alberto Dzul, Guillermo Sandoval, Axel Waltier, vacante 1

IV. Estudiantes de licenciatura1. Paulina Garcia, vacante 2

IntroducciónClasif icación de cult ivos agrícolas

• De la importancia de la agricultura en México, nace la necesidad de llevar a cabo censo de cultivo.

• Se realiza cada 10 años.• Permite conocer la estructura productiva de las unidades de

producción y contribuye en la toma de decisiones, al presentar datos con diferentes niveles de desagregación geográfica.

• Es importante para la adopción de decisiones que posibiliten llevar a cabo la planeación del desarrollo sectorial y la determinación de políticas, planes y programas vinculados al medio rural, en el ámbito de las acciones propias de los tres órdenes de gobierno.

• Herramienta clave para evaluar los resultados de la implementación de políticas públicas y programas en apoyo al desarrollo del sector.

IntroducciónClasif icación de cult ivos agrícolas

• En ningún país es posible llevar a cabo un censo exhaustivo, debido principalmente a los costos que esto implicaría y al tiempo que requeriría.

• La alternativa más recurrida al problema de estimaciones de cultivos es el censado remoto utilizando imágenes satelitales o aéreas.

• La estimación de superficies cultivadas mediante el uso de técnicas de teledetección, como por ejemplo imágenes de alta resolución adquiridas vía satélites, para predicciones de rendimiento o evaluaciones de cambios en el uso de la tierra ha incrementado en los últimos años.

Conceptos básicos

• Cuando hablamos de clasificación de cultivos en imágenes se está abordando en realidad un tema compuesto por varias etapas• Selección del método o medio a través del cual se

obtendrá la imagen• Procesamiento de la imagen y extracción de rasgos • Selección y aplicación de algoritmos de

clasificación

Conceptos básicos

Adquisición de la

imagen

Pre-procesamiento

de la región

Extracción de rasgos

Clasificación de la región

Conceptos básicosAdquisición

Adquisición de la

imagen

Pre-procesamiento

de la región



SAR (Synthetic aperture radar)• Inmune a nubosidad o cambios de clima• Reflejan características dieléctricas de los objetos• Susceptible a diversas fuentes de ruido

• Dirección y espaciado de los cultivos• Pendiente del terrerno• Textura y propiedades dieléctricas del suelo

• Enfoque multifrecuencial y multitemporal

SAR amplitude image of

Kilauea (NASA/JPL-Caltech)

Conceptos básicos

Adquisición de la

imagen

Pre-procesamiento

de la región



Multiespectrales (características de reflectividad espectral)• Tienen un número moderado de bandas• SPOT4 y SPOT5, GeoEye-1, Landsat y MODIS

Hyperespectrales (reflectividad en una longitud de onda específica)• Alta cantidad de información a analizar• Métodos de clasificación sensibles a la alta dimensionalidad

Pre-procesamiento

de la región

Conceptos básicosExtracción de rasgos

Adquisición de la

imagen



Conceptos básicosExtracción de rasgos

Adquisición de la

imagen

Pre-procesamiento

de la región



El objetivo de esta etapa es encontrar un método de extracción de rasgos que ayude a representar de mejor manera a los patrones pertenecientes a una clase, de tal forma que los patrones que pertenecen a una clase A posean más características similares con otros miembros de la misma clase que con patrones pertenecientes a una clase B.

• Pixel (Índice Normalizado de Diferencia en la Vegetación )• Texturas (Gray Level Co-ocurrence Matrix)• Transformada de Fourier• Transformada Wavelete

Conceptos básicosClasif icación

Adquisición de la

imagen

Pre-procesamiento

de la región



Etapa que incluye la identificación de la clase a la cual pertenece cada muestra de cultivo. Dos etapas: entrenamiento (ajuste, aprendizaje) y prueba.

• Máxima verosimilitud• Árbol de decisión• Cómputo suave

• Redes neuronales artificiales• Maquinas de soporte vectorial

MetodologíaEvaluar di ferentes algori tmos para la extracción de rasgos.

Adquisición de la

imagen

Pre-procesamiento

de la región



1. Definir una región de prueba y obtener las imágenes satelitales en diferentes resoluciones y sus correspondientes modelos digitales de elevación y tipos de superficie.

2. Evaluar diferentes estrategias de extracción de rasgos y desarrollar un programa computacional que implemente las estrategias seleccionadas.

3. Particularmente se explorará el uso de las siguientes técnicas: Momentos invariantes, matriz de coocurrencias, transformada wavelet, SIFT, HOG

4. Diferentes espacios de color

MetodologíaEntrenar o ajustar los parámetros de diferentes algori tmos intel igentes.

Adquisición de la

imagen

Pre-procesamiento

de la región



1. Evaluar diferentes algoritmos inteligentes (clasificadores lineales y estadísticos, técnicas de agrupamiento, redes de perceptrones, máquinas de soporte vectorial, redes de base radial, modelos neuronales generadores de impulsos y redes polinomiales) e implementarlos en un programa computacional.

2. Definir una estrategia que genere el conjunto de datos de entrenamiento y validación a partir de las imágenes satelitales de determinada región.

3. Comparar el porcentaje de clasificación utilizando diferentes combinaciones (resolución de imágenes, algoritmo de extracción de rasgos y algoritmo inteligente) y estimar la superficie sembrada.

MetodologíaCombinar las diferentes técnicas de extracción con los algori tmos intel igentes.

Adquisición de la

imagen

Pre-procesamiento

de la región



1. Estudiar varias estrategias evolutivas e implementar una en un programa computacional que pueda seleccionar de manera automática el conjunto de rasgos descriptivos que mejores resultados otorguen en la estimación de la superficie a partir de las imágenes con diferente resolución.

2. Determinar cual es la resolución mínima en las imágenes para garantizar de manera confiable una estimación de la superficie sembrada.

Resultados obtenidos

• 2752 patrones con 24 características (50% entrenamiento y 50% prueba)

• Redes de base radial• 16 neuronas capa oculta, 5 capa de salida• 0.001 factor de aprendizaje

• 1000 épocas de entrenamiento



1. Programa computacional2. Dos estudiantes de maestría graduados (Junio 2014)3. Tres estudiantes de maestría publicaron artículo4. Un estudiante de licenciatura publicó artículo5. Tres artículos publicados relacionados con el proyecto

1. Crop classification using different color spaces and RBF neural networks. Lecture Notes in ComputerSciences, In press

2. Creation of spiking neuron models applied in pattern recognition problems. IJCNN 20133. How to Generate the Input Current for Exciting a Spiking Neural Model Using the Cuckoo Search

Algorithm. Studies in Computational Intelligence, Volume 516, 2014, pp 155-178

Conclusiones

• Los resultados de esta investigación son una primera aproximación para tener una herramienta que permita apoyar al Censo Agropecuario

• Los alcances y delimitaciones del proyecto, permitieron realizar una primer prueba de concepto, demostrando que se puede realizar la clasificación de cultivos agrícolas usando las técnicas propuestas.

• Es necesario trabajar de forma estrecha con el INEGI para que en una segunda etapa se pueda realizar una validación con datos de campo.

• El proyecto se encuentra en una fase de I+D

Fase I&D Startup Fase inical Crecimiento Consalidación

Tiempo de operación

(-1.5 a 0 años) (0 – 1.5 años) (1.5 – 3 años) (3 – 5 años) Más de 5 años

Capital requerido (Miles USD)

3.5 - 115Subsidios

115 - 380Capital semilla

380 – 3,500Capital emprendedor

3,500 – 15,000Cap. de expansión

15,000 – 38,500Cap. consolidación

Referencias

[1] M. A. McMahon, A. Valdés, Análisis del extensionismo agrícola en México. OCDE, Paris, 2010.[2] United States Department of Agriculture, History of Remote Sensing for Crop Acreage. Revisado en Septiembre del 2012, www.nass.usda.gov/Surveys/Remotely_Sensed_Data_Crop_Acreage/[3] United States Department of Agriculture, Remotely Sensed Data Crop Yield. Revisado en Septiembre del 2012, www.nass.usda.gov/Surveys/Remotely_Sensed_Data_Crop_Yield/[4] F. J. Flores-López, C. A. Scott, Superficie agrícola estimada mediante análisis de imágenes de satélite en Guanajuato, México. IWMI, Serie Latinoamericana, Número 15. Texas, Estados Unidos. 2000.[5] H. D. Nivens, T. L. Kastens, K. C. Dhuyvetter, Using Satellite Imagery in Kansas Crop Yield and Net Farm Income Forecasts. Conference on Applied Commodity Price Analysis, Forecasting, and Market Risk Management. Chicago, Illinois. Abril 17-18, 2000.[6] L. Zhong, T. Hawkins, K. Holland, P. Gong, G. Biging, Satellite imagery can support water planning in the Central Valley. California Agriculture, Volumen 63, Número 4. California, Estados Unidos. 2009.[7] L. Czerepowicza, B.S. Caseb, C. Doschera, Using satellite image data to estimate aboveground shelterbelt carbon stocks across an agricultural landscape. Agriculture, Ecosystems & Environment, Volumen 156, Número 1, pp. 142–150. Agosto 2012[8] G. B. Senay, J. G. Lyon, A. D. Ward, S. E. Nokes, Using High Spatial Resolution Multispectral Data to Classify Corn and Soybean Crops. Photogrammetric Engineering & Remote Sensing, Volumen 66, Número 3, pp. 319-327. Marzo 2000.

Referencias[9] G. Warren, G. Metternicht, Agricultural Applications of High-Resolutio Digital Multispectral Imagery: Evaluating Within-Field Spatial Variability of Canola (Brassica napus) in Western Australia. Photogrammetric Engineering & Remote Sensing, Volumen 71, Número 5, pp. 595–602. Mayo 2005.[10] N. E. Ortiz-Lozano, U. Pérez-Gómez, Imágenes aster en la discriminación de áreas de uso agrícola en Colombia. Revista Facultad Nacional de Agronomía, Medellín. Pp. 4923-4935. 2009.[11] A. I. de Castro, M. Jurado-Expósito, M. T. Gómez-Casero, F. López-Granados, Applying neural networks to hyperspectral and multispectral field data for discrimination of cruciferous weeds in winter crops. Institute for Sustainable Agriculture IAS / CSIC. Córdoba, España. 2012.[12] A. Kemerer, N. Mari, C. Di Bella, C. Rebella, Comparación de Técnicas de Clasificación de cultivos a partir de información Multi E Hyperespectral. Asociación Española de Teledeteccion, Revista AET, Número 29. 2007.[13] E. Camargo Arce, B. F. Theodor Rudorff, L. M. Sugawara Berka, P. F. Carrasco Pereira, Imágenes Landsat y CBERS en la identificación del uso del suelo con cultivos agrícolas. Anais XII Simpósio Brasileiro de Sensoriamento Remoto, pp. 41-48. Goiânia, Brasil. Abril 2005.[14] C. Zhang, F. Qiu, Hyperspectral image classification using an unsupervised neuro-fuzzy system. Journal of applied remote sensing, Volumen 6. 2012.[15] D. Kalbermatter, J. Mourazos, P. Vacca, F. Rodriguez, G. San José, Métodos de Estimación para el Area Agrícola. Departamento de informacion Economica y Social, Laboratorio de GIS y Teledeteccion. Marzo, 2010.[16] C. Manjarrez-Domínguez, C. Pinedo-Álvarez, C. E. Vélez-Sánchez Verín, A. Pinedo-Álvarez, Separabilidad espectral de cultivos agrícolas con Imágenes Landsat TM. Tecnociencia Chihuahua. Volumen I, Número 2, Mayo-Agosto 2007.

¡GRACIAS!Roberto A. Vá[email protected]

https://sites.google.com/site/robertoavazquez/

http://zeus.lci.ulsa.mx/idt/sistemasinteligentes/

Documents

Clasificación de cultivos agrícolas temporales en imágenes