Clasificación de cultivos agrícolas temporales en imágenes

Anuncio
Clasificación de cultivos agrícolas
temporales en imágenes de alta
resolución usando técnicas de
cómputo inteligente
Dr. Roberto Antonio Vázquez Espinoza de los Monteros
Responsable técnico
Marzo 2014
Agenda
1.
2.
3.
4.
5.
6.
7.
8.
9.
Grupo de Investigación
Objetivo del proyecto
Etapas del proyecto
Productos esperados
Introducción
Conceptos básicos
Metodología
Resultados obtenidos
Conclusiones
Grupo de Investigación+Desarrollo+innovación
Sistemas inteligentes
 4 Doctores (3 miembros del SNI), Estudiantes de
licenciatura y posgrado.
 Realizar investigación tanto básica como aplicada,
para dar solución a problemas relacionados con el
reconocimiento de patrones, análisis de imágenes,
predicción de series de tiempo y control, de alto
impacto.
•
•
Redes Neuronales aplicadas al reconocimiento de
patrones y control
Cómputo evolutivo e inteligencia colectiva para el
reconocimiento de patrones
GI+D+i en Sistemas Inteligentes
Proyectos
1. Aplicaciones de cómputo evolutivo y de procesamiento
digital de señales en el área de ingeniería
2. Diseño automático de redes de estaciones sísmicas.
3. Diseño automático de redes neuronales generadoras
de impulsos y su implementación en unidades de
procesamiento gráfico (GPUS) para el análisis masivo y
clasificación de patrones
4. Simulación y diseño de nadadores con inteligencia
individual y colectiva
5. Implementación de una nariz electrónica en un sistema
embebido
Objetivo del proyecto
Clasificación de cultivos agrícolas
Estimar la superficie sembrada de una región mediante de
la clasificación de cultivos agrícolas temporales usando
imágenes de alta resolución y técnicas de cómputo
inteligente. Al menos se tiene que clasificar cuatro
diferentes cultivos como por ejemplo: frijol, trigo, maíz
amarillo y maíz blanco.
Etapas del proyecto
Clasificación de cultivos agrícolas
1. Evaluar diferentes algoritmos para la extracción de
rasgos.
2. Entrenar o ajustar los parámetros de diferentes
algoritmos inteligentes y aplicarlos a la clasificación de
los rasgos obtenidos en la etapa anterior
3. Combinar las diferentes técnicas de extracción de
rasgos con los diferentes algoritmos inteligentes y se
definirá la mejor combinación de rasgos y algoritmo
que resuelva el problema de clasificación de cultivos
agrícolas temporales en imágenes de alta resolución
con el fin de estimar la superficie sembrada.
Productos esperados
Clasificación de cultivos agrícolas
1. Programa computacional que permita extraer
diferentes tipos de rasgos a partir de imágenes
de entrada
2. Programa computacional que tendrá
implementados diferentes algoritmos
inteligentes.
3. Programa computacional que seleccione el
mejor conjunto de rasgos para un algoritmo
inteligente a partir de una resolución de imagen
dada y estime la superficie sembrada.
4. Publicar un reporte o artículo en Realidad, datos,
y espacio, o en la Revista Internacional de
Estadística y Geografía.
5. Graduar al menos a un alumno de licenciatura y
uno de maestría.
Software
Difusión
Formación
Grupo de trabajo
Clasificación de cultivos agrícolas
I.
Responsable técnico:
1. Dr. Roberto Antonio Vázquez Espinoza de los Monteros
II. Equipo de investigadores
1. Dr. Eduardo Gómez Ramírez
2. Dr. José Ambrosio Bastián
3. Dr. Mauricio Alberto Martínez García
III. Estudiantes de Maestría
1. Alberto Dzul, Guillermo Sandoval, Axel Waltier, vacante 1
IV. Estudiantes de licenciatura
1. Paulina Garcia, vacante 2
Introducción
Clasificación de cultivos agrícolas
•
•
•
•
•
De la importancia de la agricultura en México, nace la necesidad
de llevar a cabo censo de cultivo.
Se realiza cada 10 años.
Permite conocer la estructura productiva de las unidades de
producción y contribuye en la toma de decisiones, al presentar
datos con diferentes niveles de desagregación geográfica.
Es importante para la adopción de decisiones que posibiliten llevar
a cabo la planeación del desarrollo sectorial y la determinación de
políticas, planes y programas vinculados al medio rural, en el
ámbito de las acciones propias de los tres órdenes de gobierno.
Herramienta clave para evaluar los resultados de la
implementación de políticas públicas y programas en apoyo al
desarrollo del sector.
Introducción
Clasificación de cultivos agrícolas
•
•
•
En ningún país es posible llevar a cabo un censo exhaustivo,
debido principalmente a los costos que esto implicaría y al tiempo
que requeriría.
La alternativa más recurrida al problema de estimaciones de
cultivos es el censado remoto utilizando imágenes satelitales o
aéreas.
La estimación de superficies cultivadas mediante el uso de
técnicas de teledetección, como por ejemplo imágenes de alta
resolución adquiridas vía satélites, para predicciones de
rendimiento o evaluaciones de cambios en el uso de la tierra ha
incrementado en los últimos años.
Conceptos básicos
• Cuando hablamos de clasificación de
cultivos en imágenes se está abordando
en realidad un tema compuesto por varias
etapas
•
•
•
Selección del método o medio a través del cual se
obtendrá la imagen
Procesamiento de la imagen y extracción de rasgos
Selección y aplicación de algoritmos de
clasificación
Conceptos básicos
Adquisición
de la
imagen
Preprocesamiento
de la región
Extracción
de rasgos
Clasificación
de la región
Conceptos básicos
Adquisición
Adquisición
de la
imagen
Preprocesamiento
de la región
Extracción
de rasgos
Clasificación
de la región
SAR amplitude image of
Kilauea (NASA/JPL-Caltech)
SAR (Synthetic aperture radar)
• Inmune a nubosidad o cambios de clima
• Reflejan características dieléctricas de los objetos
• Susceptible a diversas fuentes de ruido
• Dirección y espaciado de los cultivos
• Pendiente del terrerno
• Textura y propiedades dieléctricas del suelo
• Enfoque multifrecuencial y multitemporal
Conceptos básicos
Adquisición
de la
imagen
Preprocesamiento
de la región
Extracción
de rasgos
Clasificación
de la región
Multiespectrales (características de reflectividad espectral)
• Tienen un número moderado de bandas
• SPOT4 y SPOT5, GeoEye-1, Landsat y MODIS
Hyperespectrales (reflectividad en una longitud de onda específica)
• Alta cantidad de información a analizar
• Métodos de clasificación sensibles a la alta dimensionalidad
Conceptos básicos
Extracción de rasgos
Adquisición
de la
imagen
Preprocesamiento
de la región
Extracción
de rasgos
Clasificación
de la región
Conceptos básicos
Extracción de rasgos
Adquisición
de la
imagen
Preprocesamiento
de la región
Extracción
de rasgos
Clasificación
de la región
El objetivo de esta etapa es encontrar un método de extracción de rasgos que ayude a
representar de mejor manera a los patrones pertenecientes a una clase, de tal forma
que los patrones que pertenecen a una clase A posean más características similares
con otros miembros de la misma clase que con patrones pertenecientes a una clase B.
•
•
•
•
Pixel (Índice Normalizado de Diferencia en la Vegetación )
Texturas (Gray Level Co-ocurrence Matrix)
Transformada de Fourier
Transformada Wavelete
Conceptos básicos
Clasificación
Adquisición
de la
imagen
Preprocesamiento
de la región
Extracción
de rasgos
Clasificación
de la región
Etapa que incluye la identificación de la clase a la cual pertenece cada muestra de
cultivo. Dos etapas: entrenamiento (ajuste, aprendizaje) y prueba.
• Máxima verosimilitud
• Árbol de decisión
• Cómputo suave
• Redes neuronales artificiales
• Maquinas de soporte vectorial
Metodología
Evaluar diferentes algoritmos para la extracción de rasgos.
Adquisición
de la
imagen
Preprocesamiento
de la región
Extracción
de rasgos
Clasificación
de la región
1. Definir una región de prueba y obtener las imágenes satelitales en diferentes
resoluciones y sus correspondientes modelos digitales de elevación y tipos de superficie.
2. Evaluar diferentes estrategias de extracción de rasgos y desarrollar un programa
computacional que implemente las estrategias seleccionadas.
3. Particularmente se explorará el uso de las siguientes técnicas: Momentos invariantes,
matriz de coocurrencias, transformada wavelet, SIFT, HOG
4. Diferentes espacios de color
Metodología
Entrenar o ajustar los parámetros de diferentes algoritmos inteligentes.
Adquisición
de la
imagen
Preprocesamiento
de la región
Extracción
de rasgos
Clasificación
de la región
1. Evaluar diferentes algoritmos inteligentes (clasificadores lineales y estadísticos, técnicas
de agrupamiento, redes de perceptrones, máquinas de soporte vectorial, redes de base
radial, modelos neuronales generadores de impulsos y redes polinomiales) e
implementarlos en un programa computacional.
2. Definir una estrategia que genere el conjunto de datos de entrenamiento y validación a
partir de las imágenes satelitales de determinada región.
3. Comparar el porcentaje de clasificación utilizando diferentes combinaciones (resolución
de imágenes, algoritmo de extracción de rasgos y algoritmo inteligente) y estimar la
superficie sembrada.
Metodología
Combinar las diferentes técnicas de extracción con los algoritmos
inteligentes.
Adquisición
de la
imagen
Preprocesamiento
de la región
Extracción
de rasgos
Clasificación
de la región
1. Estudiar varias estrategias evolutivas e implementar una en un programa computacional
que pueda seleccionar de manera automática el conjunto de rasgos descriptivos que
mejores resultados otorguen en la estimación de la superficie a partir de las imágenes
con diferente resolución.
2. Determinar cual es la resolución mínima en las imágenes para garantizar de manera
confiable una estimación de la superficie sembrada.
Resultados obtenidos
•
2752 patrones con 24 características (50%
entrenamiento y 50% prueba)
Redes de base radial
•
•
•
•
16 neuronas capa oculta, 5 capa de salida
0.001 factor de aprendizaje
1000 épocas de entrenamiento
Resultados obtenidos
Resultados obtenidos
1.
2.
3.
4.
5.
Programa computacional
Dos estudiantes de maestría graduados (Junio 2014)
Tres estudiantes de maestría publicaron artículo
Un estudiante de licenciatura publicó artículo
Tres artículos publicados relacionados con el proyecto
1.
2.
3.
Crop classification using different color spaces and RBF neural networks. Lecture Notes in Computer
Sciences, In press
Creation of spiking neuron models applied in pattern recognition problems. IJCNN 2013
How to Generate the Input Current for Exciting a Spiking Neural Model Using the Cuckoo Search
Algorithm. Studies in Computational Intelligence, Volume 516, 2014, pp 155-178
Conclusiones
•
•
•
•
Los resultados de esta investigación son una primera aproximación para
tener una herramienta que permita apoyar al Censo Agropecuario
Los alcances y delimitaciones del proyecto, permitieron realizar una primer
prueba de concepto, demostrando que se puede realizar la clasificación
de cultivos agrícolas usando las técnicas propuestas.
Es necesario trabajar de forma estrecha con el INEGI para que en una
segunda etapa se pueda realizar una validación con datos de campo.
El proyecto se encuentra en una fase de I+D
Fase
Tiempo de
operación
Capital
requerido (Miles
USD)
I&D
Startup
Fase inical
Crecimiento
Consalidación
(-1.5 a 0 años)
(0 – 1.5 años)
(1.5 – 3 años)
(3 – 5 años)
Más de 5 años
3.5 - 115
Subsidios
115 - 380
Capital semilla
380 – 3,500
Capital emprendedor
3,500 – 15,000
Cap. de expansión
15,000 – 38,500
Cap. consolidación
Referencias
[1] M. A. McMahon, A. Valdés, Análisis del extensionismo agrícola en México. OCDE, Paris, 2010.
[2] United States Department of Agriculture, History of Remote Sensing for Crop Acreage. Revisado
en Septiembre del 2012, www.nass.usda.gov/Surveys/Remotely_Sensed_Data_Crop_Acreage/
[3] United States Department of Agriculture, Remotely Sensed Data Crop Yield. Revisado en
Septiembre del 2012, www.nass.usda.gov/Surveys/Remotely_Sensed_Data_Crop_Yield/
[4] F. J. Flores-López, C. A. Scott, Superficie agrícola estimada mediante análisis de imágenes de
satélite en Guanajuato, México. IWMI, Serie Latinoamericana, Número 15. Texas, Estados Unidos.
2000.
[5] H. D. Nivens, T. L. Kastens, K. C. Dhuyvetter, Using Satellite Imagery in Kansas Crop Yield and
Net Farm Income Forecasts. Conference on Applied Commodity Price Analysis, Forecasting, and
Market Risk Management. Chicago, Illinois. Abril 17-18, 2000.
[6] L. Zhong, T. Hawkins, K. Holland, P. Gong, G. Biging, Satellite imagery can support water planning
in the Central Valley. California Agriculture, Volumen 63, Número 4. California, Estados Unidos. 2009.
[7] L. Czerepowicza, B.S. Caseb, C. Doschera, Using satellite image data to estimate aboveground
shelterbelt carbon stocks across an agricultural landscape. Agriculture, Ecosystems & Environment,
Volumen 156, Número 1, pp. 142–150. Agosto 2012
[8] G. B. Senay, J. G. Lyon, A. D. Ward, S. E. Nokes, Using High Spatial Resolution Multispectral Data
to Classify Corn and Soybean Crops. Photogrammetric Engineering & Remote Sensing, Volumen 66,
Número 3, pp. 319-327. Marzo 2000.
Referencias
[9] G. Warren, G. Metternicht, Agricultural Applications of High-Resolutio Digital Multispectral Imagery:
Evaluating Within-Field Spatial Variability of Canola (Brassica napus) in Western Australia.
Photogrammetric Engineering & Remote Sensing, Volumen 71, Número 5, pp. 595–602. Mayo 2005.
[10] N. E. Ortiz-Lozano, U. Pérez-Gómez, Imágenes aster en la discriminación de áreas de uso
agrícola en Colombia. Revista Facultad Nacional de Agronomía, Medellín. Pp. 4923-4935. 2009.
[11] A. I. de Castro, M. Jurado-Expósito, M. T. Gómez-Casero, F. López-Granados, Applying neural
networks to hyperspectral and multispectral field data for discrimination of cruciferous weeds in winter
crops. Institute for Sustainable Agriculture IAS / CSIC. Córdoba, España. 2012.
[12] A. Kemerer, N. Mari, C. Di Bella, C. Rebella, Comparación de Técnicas de Clasificación de
cultivos a partir de información Multi E Hyperespectral. Asociación Española de Teledeteccion,
Revista AET, Número 29. 2007.
[13] E. Camargo Arce, B. F. Theodor Rudorff, L. M. Sugawara Berka, P. F. Carrasco Pereira, Imágenes
Landsat y CBERS en la identificación del uso del suelo con cultivos agrícolas. Anais XII Simpósio
Brasileiro de Sensoriamento Remoto, pp. 41-48. Goiânia, Brasil. Abril 2005.
[14] C. Zhang, F. Qiu, Hyperspectral image classification using an unsupervised neuro-fuzzy system.
Journal of applied remote sensing, Volumen 6. 2012.
[15] D. Kalbermatter, J. Mourazos, P. Vacca, F. Rodriguez, G. San José, Métodos de Estimación para
el Area Agrícola. Departamento de informacion Economica y Social, Laboratorio de GIS y
Teledeteccion. Marzo, 2010.
[16] C. Manjarrez-Domínguez, C. Pinedo-Álvarez, C. E. Vélez-Sánchez Verín, A. Pinedo-Álvarez,
Separabilidad espectral de cultivos agrícolas con Imágenes Landsat TM. Tecnociencia Chihuahua.
Volumen I, Número 2, Mayo-Agosto 2007.
¡GRACIAS!
Roberto A. Vázquez
roberto.vazquez@ulsa.mx
https://sites.google.com/site/robertoavazquez/
http://zeus.lci.ulsa.mx/idt/sistemasinteligentes/
Descargar