Pais: Brasil

Fecha: 15 de Septiembre del 2023

La inteligencia artificial hace más preciso el mapeo de la intensificación agrícola en el Cerrado por Embrapa, Brasil

-    Se desarrolló una metodología pionera con algoritmos de clasificación digital de imágenes satelitales basados ??en Inteligencia Artificial (IA).

 -   Aplicado al análisis de imágenes del Cerrado en el municipio de Sorriso (MT), permitió una precisión de hasta el 97%.

 -   Tal precisión favorece los estudios y seguimientos relacionados con el uso de la tierra y la práctica de la intensificación agrícola.

 -   El enfoque diferenciado de la metodología, marcado por la armonización de datos Landsat y Sentinel-2, además del uso de algoritmos, permitió identificar áreas con hasta tres cosechas en un mismo año agrícola, lo que no es común en la mayoría de los casos. mapeos existentes.

 -   La metodología fue desarrollada por investigadores de Embrapa, la Universidad Estadual de Campinas (Unicamp), el Instituto Nacional de Investigaciones Espaciales (Inpe) y la Universidad Federal de Uberlândia (UFU).

 -   El trabajo está publicado en la Revista Internacional de Geoinformación (IJGI). Los detalles de la metodología, resultados y mapas generados pueden consultarse en el Repositorio de Datos de Investigación de Embrapa (Redape).

Una metodología pionera, desarrollada con el apoyo de Inteligencia Artificial (IA), permitió alcanzar un nivel de precisión de hasta el 97%, cuando se aplicó al análisis de imágenes satelitales del Cerrado en el municipio de Sorriso (MT), uno de los principales Productores agrícolas de la región País La precisión es un aspecto relevante en las encuestas realizadas mediante teledetección.

La herramienta proporciona mayor precisión a los estudios, seguimiento y planificación relacionados con el uso del suelo y la práctica de la intensificación agrícola, y contribuye a la toma de decisiones, en el ámbito público y privado, a partir de información geoespacial cualificada.

La metodología se desarrolló con algoritmos de clasificación de imágenes satelitales digitales basados ??en IA. Resulta del trabajo de investigadores de Embrapa , de la Universidad Estadual de Campinas ( Unicamp ), del Instituto Nacional de Investigaciones Espaciales ( Inpe ) y de la Universidad Federal de Uberlândia ( UFU ), publicado en la Revista Internacional de Geoinformación ( IJGI ) , en la edición de julio de 2023, con acceso gratuito para el público en general.

“Los resultados demuestran la robustez de la metodología desarrollada con foco en identificar procesos de dinámica de uso de la tierra, como la intensificación agrícola”, evalúa el investigador Édson Bolfe, de Embrapa Agricultura Digital , y coordinador del proyecto Mapeo Agrícola en el Cerrado mediante combinación de imágenes multisensor - MultiCER, financiado por la Fundación de Apoyo a la Investigación de São Paulo ( Fapesp ).

Bolfe explica que, entre las principales diferencias de la metodología, está la generación de una base de datos geoespacial ampliada a partir de imágenes armonizadas de los satélites Landsat, de la Agencia Aeroespacial de Estados Unidos (NASA), y Sentinel-2, de la Agencia Espacial Europea ( ESA ), llamado HLS, y el uso de algoritmos de clasificación digital basados ??en IA. El enfoque permitió mapear cultivos agrícolas en tres niveles jerárquicos diferentes, indicando áreas con una, dos e incluso tres cosechas en el mismo año agrícola.

La sucesión de cosechas de diferentes cultivos agrícolas en una misma zona y en un mismo calendario agrícola, con el objetivo de aumentar la producción sin implicar la supresión de nuevas áreas nativas, es una práctica creciente en Brasil, y su mapeo y seguimiento pueden orientar a los tomadores de decisiones en los análisis. centrado en particular en la planificación agroambiental.

Metodología disponible para consulta y uso.

Miembros de la academia, autoridades públicas y el sector productivo pueden acceder a detalles de la metodología, resultados y mapas generados en el Repositorio de Datos de Investigación de Embrapa ( Redape ). La estructura metodológica es replicable en otras regiones del Cerrado con características similares. Más información sobre la plataforma de recopilación de datos de campo está disponible en AgroTag .

Agilidad y precisión, el papel de AgroTag

Los productos de teledetección y los modelos de IA para la clasificación de imágenes píxel a píxel han demostrado una alta fiabilidad en la cartografía agrícola, explica Bolfe. Con HLS es posible obtener hasta dos imágenes por semana en las mismas regiones agrícolas de interés.

Uno de los desafíos del equipo de investigación es obtener información cualitativa y cuantitativa de campo, fundamental en la teledetección en agricultura. Para ello, los investigadores utilizaron la aplicación AgroTag , desarrollada por Embrapa Meio Ambiente para dotar de agilidad y precisión al mapeo de los principales cultivos agrícolas a escala regional y nacional.

“Los algoritmos basados ??en IA dependen en gran medida de una enorme cantidad de datos de entrada para llevar a cabo el llamado 'entrenamiento'. Estos últimos son procesos en los que se utilizan datos de muestras de referencia, o verdades de campo, para enseñar algoritmos a identificar objetivos investigados en grandes áreas, en este caso utilizando imágenes satelitales, es decir, mapeos a gran escala”, comenta Luiz Eduardo Vicente, investigador de Embrapa Medio Ambiente, especialista en teledetección y uno de los coordinadores del proyecto AgroTag.

En este sentido, según Vicente, el uso de AgroTag fue fundamental, ya que permitió recolectar de manera rápida y precisa información de campo, como el tipo de uso del suelo y cobertura en cada punto de muestreo, transfiriéndola automáticamente a la nube de datos en línea. línea, permitiendo su uso en los algoritmos antes mencionados.

A diferencia de los métodos de recolección tradicionales, AgroTag representó, durante el proyecto, un aumento del 25% más en las áreas muestreadas. “El proyecto reafirma una de las razones por las que se creó Agrotag”, destaca Vicente.

Mapeos dinámicos

“El estudio mapeó la producción agrícola de 2021-2022 en Sorriso/MT, municipio elegido por su relevancia económica y agroambiental en el contexto del Cerrado y del país”, destaca Edson Sano, investigador de Embrapa Cerrados y miembro del MultiCER proyecto.

La mayor parte de la cartografía existente no sigue la evolución de las prácticas de intensificación agrícola que “ahorran tierras” (como la producción de hasta tres cultivos en la misma zona) y se mantienen al nivel de la primera cosecha. “Algunas encuestas evolucionaron para identificar el número de cultivos plantados, sin detectar cultivos específicos”, concluye Sano.

“Para producir mapeos dinámicos, detallados y precisos, se necesita un gran volumen de información 'ground true', que son muestras etiquetadas de los tipos de uso o cobertura del suelo, obtenidas durante las actividades de campo”, observa Taya Parreiras, estudiante de doctorado en la Instituto de Geociencias de la Unicamp y miembro del Proyecto MultiCER.

Según el investigador, también son necesarias series temporales regulares de imágenes de satélite con alta resolución temporal y, en este sentido, la armonización de los datos de Landsat y Sentinel-2 es un enfoque diferente. Taya Parreiras indica que, para hacer frente al tamaño de estas bases de datos e información, los algoritmos de aprendizaje automático, como Random Forest o Extreme Gradient Boost, son fundamentales.

"Como parte de la IA, estos algoritmos son capaces de analizar y aprender patrones espectrales y texturales complejos a partir de conjuntos de datos agrícolas extensos y variados, lo que permite la identificación precisa de diferentes tipos de cultivos, condiciones del suelo y variables ambientales", argumenta.

Random Forest, al crear varios árboles de decisión independientes y combinarlos, puede producir estimaciones más confiables. Extreme Gradient Boost también crea varios árboles de decisión, pero con la ventaja de permitir ajustar aquellos con bajo poder predictivo. “Ambos algoritmos son altamente escalables, lo que les permite procesar grandes volúmenes de datos rápidamente, contribuyendo a la generación de mapas agrícolas detallados y actualizados”, concluye.

Traducido del portugués.

Ver nota