Definición de zonas homogéneas de daño causado por granizo en cultivos agrícolas utilizando datos de sensores remotos

Abstract

[EN] The frequency and intensity of extreme worldwide weather events have increased in recent decades, causing enormous economic losses. In Argentina, in the 2017-2018 agricultural season, more than 200 million dollars were allocated to protect soy, corn and wheat crops against hail. After a storm, a field survey by an expert is required to estimate the yield losses caused by hail, without prior information on the affected regions or their intensity. The precision in the estimation of the damage depends to a great extent on the identification of Homogeneous Damage Zones (HDZ) within the plot, which is further used to quantify the total damage. Currently, HDZ are delimited using in-situ visual techniques. This research suggests developing an algorithm to define the HDZ applying Machine Learning techniques to vegetation indices derived from Sentinel 1 and 2 data. For this purpose, 5 microwave indices (DPDD, IDPDD, VDDPI, MPDI and DPSVI) and 5 spectral indices (NDVI, EVI, SAVI, AVI and NPCRI) were tested. The most sensitive indices to changes were selected, for both microwave and optical signals, and were in turn integrated into the damage detection model. A K-Means (k = 3) machine learning algorithm was used to define the classes. To validate the algorithm, 38 storms that occurred between 2017 and 2020 were analyzed in 91 soybean, wheat and corn plots located in the Argentine Pampean plain. The One-Way ANOVA model (p <0.05) was applied to each plot. The selected indices were DPSVI and NPCRI. HDZ were correctly detected in 66.67%, 78.13% and 72.70% of the analyzed cases, for corn, wheat and soybean crops, respectively. It is concluded that the designed algorithm allows defining efficiently HDZ caused by hail, giving transparency and precision to the work of the expert and reducing time consuming field surveys.

[ES] La frecuencia e intensidad de los eventos meteorológicos extremos, a nivel mundial, se han incrementado en las últimas décadas, provocando enormes pérdidas económicas. En Argentina, en la campaña agrícola 2017-2018, se destinaron más de 200 millones de dólares para proteger los cultivos soja, maíz y trigo contra granizo. Luego de una tormenta, un perito visita el campo para estimar las mermas de rendimiento causadas por granizo, sin información previa de las regiones afectadas ni su intensidad. La precisión en la estimación del daño depende en gran medida de la identificación de Zonas Homogéneas de Daños (ZHD) dentro de la parcela para ponderar el daño total. Actualmente, las ZHD se delimitan acampo con técnicas visuales. Se propone desarrollar un algoritmo para definir las ZHD aplicando técnicas Machine Learning a índices de vegetación calculados con datos Sentinel 1 y 2. Se procesaron y compararon 5 índices de microondas (DPDD, IDPDD, VDDPI, MPDI y DPSVI) y 5 espectrales (NDVI, EVI, SAVI, AVI y NPCRI) y se seleccionó el más sensible a los cambios para cada tipo de señal; además, se incorporaron como variable de entrada al modelo las derivadas de ambos índices. Para definir las clases se empleó K-Means (k = 3). Para validar el algoritmo se analizaron38 tormentas ocurridas entre los años 2017 y 2020 en 91 parcelas de soja, trigo y maíz ubicadas en la llanura pampeana argentina. Se aplicó a cada parcela el modelo One-Way ANOVA (p &lt;0.05). Los índices seleccionados fueron DPSVI y NPCRI. Se detectaron correctamente ZHD en un 66,67%, 78,13% y 72,70% de los casos analizados, para los cultivos de maíz, trigo y soja, respectivamente. Se concluye que el algoritmo permite definir en forma eficiente ZHD causados por granizo dando transparencia y precisión a la labor del perito y disminuyendo el tiempo de sus tareas a campo.