Los campos de maíz y soja se ven similares desde el espacio, al menos solían hacerlo. Pero ahora, los científicos han demostrado una nueva técnica para distinguir los dos cultivos utilizando datos de satélites y el poder de procesamiento de potentes ordenadores.
Científicos de la Universidad de Illinois han desarrollado una nueva técnica para distinguir campos de maíz y soja en imágenes por satélite utilizando datos de los mismos y el poder de procesamiento de los supercomputadores.
La técnica fue desarrollada por la Facultad de Ciencias Agrícolas, del Consumidor y del Medio Ambiente (ACES) de la Universidad de Illinois (EE. UU.). para predecir mejor las cosechas de maíz y soja en Illinois. Se considera un gran avance porque, anteriormente, las hectáreas nacionales de maíz y soja solo se ponían a disposición del público entre 4 y 6 meses después de la cosecha del USDA (Departamento de Agricultura de los Estados Unidos). El retraso significa que las decisiones políticas se basan en datos obsoletos. Pero la nueva técnica puede distinguir los dos cultivos principales con un 95% de precisión para finales de julio, solo 2 ó 3 meses después de la siembra y mucho antes de la cosecha.
Yaping Cai, un Ph.D. Un estudiante que trabaja en el proyecto indica: «Encontramos una banda espectral, el infrarrojo de onda corta (SWIR), que fue extremadamente útil para identificar la diferencia entre el maíz y la soja. Resulta que las hojas del maíz y la soya tienen un estado hídrico predeciblemente diferente en julio la mayoría de los años. Hemos usado datos SWIR y otros datos espectrales de 3 satélites Landsat durante un período de 15 años, y recogimos sistemáticamente esta señal del estado hídrico de la hoja.
Kaiyu Guan, profesor asistente en el Departamento de Recursos Naturales y Ciencias Ambientales de la Universidad de Illinois y profesor de Blue Waters en el Centro Nacional de Aplicaciones de Supercomputación (NCSA) y el investigador principal de la nueva tecnología señalan: «La banda SWIR es más sensible para regar el contenido dentro de la hoja. Esa señal no puede ser capturada por la luz RGB (visible) tradicional o bandas de infrarrojo cercano, por lo que el SWIR es extremadamente útil para diferenciar el maíz y la soja «.
Los investigadores usaron un tipo de ordenador, conocido como red neuronal profunda, o aprendizaje profundo para analizar los datos y enfocaron su análisis dentro del condado de Champaign, Illinois, para hacer la prueba. A pesar de que era un área relativamente pequeña, el análisis de 15 años de datos satelitales con una resolución de 30 metros aún requería que una supercomputadora procesara 10 de terabytes de datos. Los investigadores ahora están trabajando para ampliar el área de estudio a todo el American Corn Belt e investigar nuevas aplicaciones de los datos, incluidos el rendimiento y otras estimaciones de calidad.
Más información en el artículo, «Un sistema de clasificación de alto rendimiento y en temporada de tipos de cultivo a nivel de campo que usa series de tiempo de datos Landsat y un enfoque de aprendizaje automático«, se publica en Remote Sensing of Environment.