Comparación de métodos de aprendizaje automático para la estimación de parámetros biofísicos sobre cultivos específicos y genéricos a partir de imágenes de satélite Landsat-8

Abstract

El proyecto se enmarca en el contexto del programa europeo de observación de la Tierra (Copernicus), concretamente en el proyecto FP7 ImagineS (Implementation of Multi-scale Agricultural Indicators Exploiting Sentinels) cuyo objetivo fue preparar algoritmos e indicadores para la explotación de los datos Sentinel del programa Copernicus aplicado a la agricultura. En este proyecto utilizaremos inicialmente imágenes de satélite Landsat-8 del periodo 2013-2016 coincidiendo con el periodo de medidas in-situ del proyecto ImagineS, para aplicar los resultados en un futuro a imágenes de satélite Sentinel-2 que tendrán una frecuencia mayor y que también son de libre acceso. La monitorización de los parámetros biofísicos de la cubierta vegetal es un elemento esencial para el estudio de la evolución de cultivos, de manera que se puedan observar los cambios producidos y anticipar las acciones a realizar, tales como la irrigación. En este proyecto se propone estimar las variables biofísicas LAI, FAPAR y FCOVER de zonas agrícolas a partir de imágenes proporcionadas por Landsat-8. En los últimos años, los métodos de aprendizaje automático han alcanzado gran proyección en el campo de la teledetección, con considerables ventajas como el aprendizaje de patrones complejos, proporcionando soluciones robustas en presencia de datos incompletos o poco precisos. En el presente proyecto exploraremos dos metodologías basadas en aprendizaje automático. En primer lugar, un método genérico en el que se realizará el entrenamiento a partir de todos los datos de campo en conjunto, o a partir de modelos de transferencia radiativa que simulan la respuesta espectral de la imagen de satélite en función de los parámetros biofísicos de interés. En segundo lugar, realizaremos un método específico en el cual exploraremos el resultado de realizar el entrenamiento a partir de ciertos cultivos específicos utilizando información de campo. Todo ello se llevará a cabo con distintos métodos de aprendizaje automático como son las redes neuronales, los procesos gaussianos, o los mínimos cuadrados ordinarios.

Finalmente, se compararán los resultados obtenidos mediante los dos métodos anteriores (genérico y específico), y mediante los diferentes métodos de aprendizaje automático, y se discutirá cual es el método que genera mejores resultados.