Aplicación de algoritmo de inteligencia artificial para la detección de cultivos de cacao (Theobroma cacao L.), banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.) en la zona norte de las provincias del Guayas y los Ríos
Authors
Loading...
Date
2023
Directors
Journal Title
Journal ISSN
Volume Title
Publisher
Quevedo:UTEQ
Abstract
La teledetección es una herramienta crucial en la planificación territorial, por lo que es necesario evaluar la efectividad de los nuevos métodos que van surgiendo en este campo en entornos reales. En este estudio, se comparó la precisión del método tradicional de teledetección, Maximum Verosimilitud (ML), con un método basado en inteligencia artificial llamado Bosques Aleatorios (RF), en la identificación de cultivos de banano, cacao y palma africana, así como de otras coberturas. Se emplearon imágenes satelitales de Sentinel-2 obtenidas a través del sitio web de la USGS, las cuales fueron corregidas atmosféricamente. A partir de estas imágenes, se calcularon los índices espectrales NDVI (Normalized Difference Vegetation Index) y RESI (Red-Edge Spectral Indices) y se definieron regiones de interés (ROIs) sobre la capa de índices calculados de cada imagen. Las ROIs se crearon tanto a partir de coordenadas in situ como de Google Earth. La clasificación mediante ML se realizó en el entorno del software ENVI y la clasificación mediante RF se llevó a cabo en el programa QGIS con herramienta complementaria de Dzetsaka. Para evaluar los resultados, se utilizaron la matriz de confusión tradicional, el coeficiente de Kappa y la prueba estadística no paramétrica Wilcoxon-Mann-Whitney. Los resultados indicaron que ML detectó con mayor precisión los cultivos de palma africana, sin embargo, la clasificación general más precisa (incluyendo los cultivos de interés y otras coberturas) fue la obtenida con RF. Por lo tanto, se recomienda continuar investigando el potencial de RF en condiciones más favorables, como imágenes registradas durante las épocas secas y con una mayor cantidad de muestras disponibles.
Palabras clave: Maximum Likelihood, Random Forest, Cultivos, NDVI, RESI
Description
Remote sensing is a crucial tool in land planning, so it is necessary to evaluate the effectiveness of new methods emerging in this field in real environments. In this study, the accuracy of the traditional remote sensing method, Maximum Likelihood (ML), was compared with a method based on artificial intelligence called Random Forest (RF), in the identification of banana, cocoa and African palm crops, as well as other land covers. Sentinel-2 satellite images obtained through the USGS website were used, which were atmospherically corrected. From these images, NDVI (Normalized Difference Vegetation Index) and RESI (Red-Edge Spectral Indices) spectral indices were calculated and regions of interest (ROIs) were defined on the calculated index layer of each image. ROIs were created from both in situ coordinates and Google Earth. ML classification was performed in the ENVI software environment and RF classification was performed in the QGIS program with Dzetsaka add-on tool. To evaluate the results, traditional confusion matrix, Kappa coefficient and Wilcoxon-Mann-Whitney non-parametric statistical test were used. The results indicated that ML most accurately detected African palm crops, however, the most accurate overall classification (including crops of interest and other cover crops) was obtained with RF. Therefore, it is recommended to continue investigating the potential of RF under more favorable conditions, such as images recorded during dry seasons and with a larger number of available samples.
Keywords: Maximum Likelihood, Random Forest, Crop, NDVI, RESI.
Keywords
Maximum Likelihood, Random Forest, Cultivos, NDVI, RESI
Citation
Zambrano Garcia Oliver Michael (2023) "Aplicación de algoritmo de inteligencia artificial para la detección de cultivos de cacao (Theobroma cacao L.), banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.) en la zona norte de las provincias del Guayas y los Ríos"Quevedo.UTEQ.115p.