Clasificación de Cultivos con Imágenes Satelitales Sintéticas Multitemporales
Imágenes Multitemporales Sintéticas en CNNs
Publicado en: Remote Sensing (Volumen 13)
Editorial: MDPI
DOI: 10.3390/rs13173378
Resumen: La demanda de nuevas herramientas para la teledetección masiva de cultivos, combinada con la disponibilidad abierta y gratuita de imágenes de satélite, ha impulsado el desarrollo de nuevos métodos para la clasificación de cultivos. Debido a que esta clasificación requiere frecuentemente completarse dentro de un marco de tiempo específico, el rendimiento también es esencial. En este trabajo, proponemos un nuevo método que crea imágenes sintéticas mediante la extracción de datos satelitales a nivel de píxel, procesando todas las bandas disponibles, así como sus datos distribuidos a lo largo del tiempo considerando imágenes de múltiples fechas. Con este enfoque, los datos de las imágenes de Sentinel 2 son utilizados por un sistema de red convolucional profunda, el cual extraerá la información necesaria para discernir entre los diferentes tipos de cultivos a lo largo de un año, tras ser entrenado con datos de años anteriores. Siguiendo la metodología propuesta, es posible clasificar cultivos y distinguir entre varias clases de cultivos, al mismo tiempo que resulta de bajo costo computacional. Un sistema de software que implementa este método ha sido utilizado en un área de Extremadura (España) como una herramienta complementaria de monitorización para las subvenciones apoyadas por la Política Agrícola Común de la Unión Europea.
Este artículo científico presenta un enfoque novedoso para la clasificación de cultivos mediante la generación de imágenes compuestas sintéticas multitemporales y multiespectrales a partir de datos del satélite Sentinel 2, diseñadas específicamente como entrada para Redes Neuronales Convolucionales.
La Innovación
Los enfoques estándar de clasificación de cultivos alimentan datos de series temporales de forma secuencial a las redes neuronales. Nosotros propusimos una estrategia diferente: codificar la información temporal espacialmente. Al componer múltiples fechas de adquisición en una única imagen sintética, cada banda espectral de cada fecha se convierte en un canal separado dentro de una pila de imágenes multicapa.
Esto transforma el problema de clasificación temporal en un problema de reconocimiento de imágenes: exactamente el tipo de tarea en el que las CNNs destacan.
Arquitectura
Diseñamos arquitecturas CNN personalizadas adaptadas a estas entradas de alta dimensionalidad. Las imágenes sintéticas contienen muchos más canales que las imágenes RGB estándar, lo que requiere decisiones arquitectónicas cuidadosas en cuanto a tamaños de kernel, estrategias de pooling y profundidad de red.
Los modelos fueron entrenados con terabytes de imágenes Sentinel-2 cubriendo la región agrícola de Extremadura (concretamente centrándose en cultivos de verano en la zona de Mérida-Don Benito), clasificando cultivos a lo largo de múltiples campañas agrícolas.
Resultados
El enfoque de imágenes sintéticas alcanzó un alto rendimiento en la clasificación, demostrando que la codificación temporal mediante composición espacial es una estrategia viable y efectiva para aplicaciones de teledetección.
Cita
Publicado en MDPI Remote Sensing, agosto de 2021.