|
|
Registro completo
|
Biblioteca (s) : |
INIA Las Brujas. |
Fecha : |
01/02/2024 |
Actualizado : |
01/02/2024 |
Tipo de producción científica : |
Tesis |
Autor : |
CAL, A. |
Afiliación : |
ADRIAN TABARE CAL ALVAREZ, INIA (Instituto Nacional de Investigación Agropecuaria), Uruguay. |
Título : |
Metodología automática para mapeo y seguimiento de la condición de cultivos agrícolas durante la zafra a partir de imágenes satelitales y aprendizaje automático en Uruguay. [Automatic methodology for mapping and monitoring the condition of agricultural crops during the season using satellite imagery and machine learning in Uruguay]. Tesis de Maestría. |
Fecha de publicación : |
2022 |
Fuente / Imprenta : |
Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales.
https://hdl.handle.net/20.500.12110/tesis_n7436_CalAlvarez |
Páginas : |
151 p. |
Idioma : |
Español |
Notas : |
Fecha de defensa: 28 de noviembre 2022. -- Grado Obtenido: Maestría. -- Título Obtenido: Magíster de la Universidad de Buenos Aires en el área de Explotación de Datos y Descubrimiento del Conocimiento. |
Contenido : |
El presente trabajo tiene como principal objetivo el desarrollo de una metodología para la identificación de cultivos agrícolas de verano en Uruguay, a partir del uso de imágenes satelitales y aprendizaje automático. Para ello, como insumo se utilizaron bases de datos con información georreferenciada de campo, e imágenes satelitales de libre acceso. De las bases, dos fueron proporcionadas por organizaciones de productores agropecuarios y son de chacras con agricultura, y otras del Ministerio de Ganadería, Agricultura y Pesca de Uruguay (MGAP). Una con información de coberturas y usos del suelo, y otra de chacras con planes de uso para conservación del suelo por erosión. Los cultivos agrícolas presentes en las bases son maíz, soja y sorgo. Las imágenes utilizadas provienen de los satélites de tipo óptico, Sentinel 2 y Terra, y de Sentinel 1, que tiene un sensor radar de apertura sintética. De estos satélites, en particular de Sentinel 1 y 2, se obtuvieron series temporales de varias bandas del espectro electromagnético. El procesamiento de los datos se hizo a través del uso combinado de algoritmos de clasificación no supervisada, supervisada y de reducción de la dimensionalidad. De los no supervisados se evaluaron Gaussian Mixture Model (GMM), K-Means, Learning Vector Quantization (LVQ), Self Organizing Map (SOM) de Kohonen y Spectral Clustering. De los supervisados se evaluaron AdaBoost, Gradient Tree Boosting, Random Forest, Support Vector Machine (SVM) y XGBoost. El algoritmo de reducción de la dimensionalidad utilizado fue t-Distributed Stochastic Neighbor Embedding (t-SNE). Una de las herramientas utilizadas para el procesamiento de los datos georreferenciados y las imágenes satelitales es la moderna y potente plataforma de análisis geoespacial en la nube Google Earth Engine (earthengine.google.com). Con el uso de esta herramienta se generaron mapas a nivel nacional clasificados pixel a pixel. Combinando clasificación no supervisada con el algoritmo de t-SNE se desarrolló una técnica para identificar y depurar datos mal etiquetados, así como zonas sin agricultura dentro de las chacras. Para la clasificación supervisada se generaron modelos que en la dimensión espacial trabajan clasificando puntos georreferenciados, o a nivel nacional, pixel a pixel, y a nivel de cultivo estos indican si hay agricultura o no (modelos binarios) y el tipo de cultivo específico (maíz, soja o sorgo). De los algoritmos supervisados, Random Forest y XGBoost fueron los de mejor desempeño. Para los modelos de clasificación binaria, el mejor desempeño fue 98,5 de F1-Score. Para los modelos de cultivo a nivel de chacra, en maíz y sorgo, el mejor desempeño fue 75,3 y 77,5 de F1, y en soja 98,5, siendo este último superior al obtenido en varios trabajos internacionales. Otro de los objetivos específicos de este trabajo fue poder realizar el seguimiento de la condición de los cultivos en la chacra durante la zafra. Para ello se desarrolló una metodología que utilizando K-Means realiza la zonificación de la chacra en dos o más zonas de acuerdo con la evolución temporal del índice NDVI desde la siembra. Además, a partir de la firma fenológica mediana de la chacra, suavizada a paso diario, y con análisis de derivada primera, se extrajeron las métricas fenológicas de mínimo, punto de inflexión, máximo, días desde mínimo a máximo, amplitud de NDVI entre mínimo y máximo, entre otras. A partir de estás métricas se puede caracterizar una chacra y hacer comparaciones con otras. MenosEl presente trabajo tiene como principal objetivo el desarrollo de una metodología para la identificación de cultivos agrícolas de verano en Uruguay, a partir del uso de imágenes satelitales y aprendizaje automático. Para ello, como insumo se utilizaron bases de datos con información georreferenciada de campo, e imágenes satelitales de libre acceso. De las bases, dos fueron proporcionadas por organizaciones de productores agropecuarios y son de chacras con agricultura, y otras del Ministerio de Ganadería, Agricultura y Pesca de Uruguay (MGAP). Una con información de coberturas y usos del suelo, y otra de chacras con planes de uso para conservación del suelo por erosión. Los cultivos agrícolas presentes en las bases son maíz, soja y sorgo. Las imágenes utilizadas provienen de los satélites de tipo óptico, Sentinel 2 y Terra, y de Sentinel 1, que tiene un sensor radar de apertura sintética. De estos satélites, en particular de Sentinel 1 y 2, se obtuvieron series temporales de varias bandas del espectro electromagnético. El procesamiento de los datos se hizo a través del uso combinado de algoritmos de clasificación no supervisada, supervisada y de reducción de la dimensionalidad. De los no supervisados se evaluaron Gaussian Mixture Model (GMM), K-Means, Learning Vector Quantization (LVQ), Self Organizing Map (SOM) de Kohonen y Spectral Clustering. De los supervisados se evaluaron AdaBoost, Gradient Tree Boosting, Random Forest, Support Vector Machine (SVM) y XGBoost. El algori... Presentar Todo |
Palabras claves : |
APRENDIZAJE AUTOMATICO; CLASIFICACION SUPERVISADA Y NO SUPERVISADA; GOOGLE EARTH ENGINE; IMAGENES SATELITALES. |
Thesagro : |
AGRICULTURA. |
Asunto categoría : |
P40 Meteorología y climatología |
URL : |
https://bibliotecadigital.exactas.uba.ar/collection/tesis/document/tesis_n7436_CalAlvarez
|
Marc : |
LEADER 04729nam a2200193 a 4500 001 1064447 005 2024-02-01 008 2022 bl uuuu m 00u1 u #d 100 1 $aCAL, A. 245 $aMetodología automática para mapeo y seguimiento de la condición de cultivos agrícolas durante la zafra a partir de imágenes satelitales y aprendizaje automático en Uruguay. [Automatic methodology for mapping and monitoring the condition of agricultural crops during the season using satellite imagery and machine learning in Uruguay]. Tesis de Maestría.$h[electronic resource] 260 $aUniversidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales. https://hdl.handle.net/20.500.12110/tesis_n7436_CalAlvarez$c2022 300 $a151 p. 500 $aFecha de defensa: 28 de noviembre 2022. -- Grado Obtenido: Maestría. -- Título Obtenido: Magíster de la Universidad de Buenos Aires en el área de Explotación de Datos y Descubrimiento del Conocimiento. 520 $aEl presente trabajo tiene como principal objetivo el desarrollo de una metodología para la identificación de cultivos agrícolas de verano en Uruguay, a partir del uso de imágenes satelitales y aprendizaje automático. Para ello, como insumo se utilizaron bases de datos con información georreferenciada de campo, e imágenes satelitales de libre acceso. De las bases, dos fueron proporcionadas por organizaciones de productores agropecuarios y son de chacras con agricultura, y otras del Ministerio de Ganadería, Agricultura y Pesca de Uruguay (MGAP). Una con información de coberturas y usos del suelo, y otra de chacras con planes de uso para conservación del suelo por erosión. Los cultivos agrícolas presentes en las bases son maíz, soja y sorgo. Las imágenes utilizadas provienen de los satélites de tipo óptico, Sentinel 2 y Terra, y de Sentinel 1, que tiene un sensor radar de apertura sintética. De estos satélites, en particular de Sentinel 1 y 2, se obtuvieron series temporales de varias bandas del espectro electromagnético. El procesamiento de los datos se hizo a través del uso combinado de algoritmos de clasificación no supervisada, supervisada y de reducción de la dimensionalidad. De los no supervisados se evaluaron Gaussian Mixture Model (GMM), K-Means, Learning Vector Quantization (LVQ), Self Organizing Map (SOM) de Kohonen y Spectral Clustering. De los supervisados se evaluaron AdaBoost, Gradient Tree Boosting, Random Forest, Support Vector Machine (SVM) y XGBoost. El algoritmo de reducción de la dimensionalidad utilizado fue t-Distributed Stochastic Neighbor Embedding (t-SNE). Una de las herramientas utilizadas para el procesamiento de los datos georreferenciados y las imágenes satelitales es la moderna y potente plataforma de análisis geoespacial en la nube Google Earth Engine (earthengine.google.com). Con el uso de esta herramienta se generaron mapas a nivel nacional clasificados pixel a pixel. Combinando clasificación no supervisada con el algoritmo de t-SNE se desarrolló una técnica para identificar y depurar datos mal etiquetados, así como zonas sin agricultura dentro de las chacras. Para la clasificación supervisada se generaron modelos que en la dimensión espacial trabajan clasificando puntos georreferenciados, o a nivel nacional, pixel a pixel, y a nivel de cultivo estos indican si hay agricultura o no (modelos binarios) y el tipo de cultivo específico (maíz, soja o sorgo). De los algoritmos supervisados, Random Forest y XGBoost fueron los de mejor desempeño. Para los modelos de clasificación binaria, el mejor desempeño fue 98,5 de F1-Score. Para los modelos de cultivo a nivel de chacra, en maíz y sorgo, el mejor desempeño fue 75,3 y 77,5 de F1, y en soja 98,5, siendo este último superior al obtenido en varios trabajos internacionales. Otro de los objetivos específicos de este trabajo fue poder realizar el seguimiento de la condición de los cultivos en la chacra durante la zafra. Para ello se desarrolló una metodología que utilizando K-Means realiza la zonificación de la chacra en dos o más zonas de acuerdo con la evolución temporal del índice NDVI desde la siembra. Además, a partir de la firma fenológica mediana de la chacra, suavizada a paso diario, y con análisis de derivada primera, se extrajeron las métricas fenológicas de mínimo, punto de inflexión, máximo, días desde mínimo a máximo, amplitud de NDVI entre mínimo y máximo, entre otras. A partir de estás métricas se puede caracterizar una chacra y hacer comparaciones con otras. 650 $aAGRICULTURA 653 $aAPRENDIZAJE AUTOMATICO 653 $aCLASIFICACION SUPERVISADA Y NO SUPERVISADA 653 $aGOOGLE EARTH ENGINE 653 $aIMAGENES SATELITALES
Descargar
Esconder MarcPresentar Marc Completo |
Registro original : |
INIA Las Brujas (LB) |
|
Biblioteca
|
Identificación
|
Origen
|
Tipo / Formato
|
Clasificación
|
Cutter
|
Registro
|
Volumen
|
Estado
|
Volver
|
|
| Acceso al texto completo restringido a Biblioteca INIA La Estanzuela. Por información adicional contacte bib_le@inia.org.uy. |
Registro completo
|
Biblioteca (s) : |
INIA La Estanzuela. |
Fecha actual : |
21/09/2020 |
Actualizado : |
21/09/2020 |
Tipo de producción científica : |
Artículos en Revistas Indexadas Internacionales |
Circulación / Nivel : |
Internacional - -- |
Autor : |
HAACKER, E.M.K.; SHARDA, V.; CANO, A.M.; HROZENCIK, R.A.; NÚÑEZ, A.; ZAMBRESKI, Z; NOZARI, S.; SMITH, G.E.B.; MOORE, L.; SHARMA, S.; GOWDA, P.; RAY, CH; SCHIPANSKI, M.; WASKOM , R. |
Afiliación : |
ERIN M.K. HAACKER, Nebraska Water Center, University of Nebraska, Lincoln, Nebraska, USA.; VAISHALI SHARDA, Nebraska Water Center, University of Nebraska, Lincoln, Nebraska, USA.; AMANDA M. CANO, Department of Plant and Soil Sciences, Texas Tech University, Lubbock, Texas, USA.; R. AARON HROZENCIK, Department of Agricultural and Resource Economics, Colorado State University, Fort Collins, Colorado, USA.; AGUSTIN NUÑEZ RUSSI, INIA (Instituto Nacional de Investigación Agropecuaria), Uruguay; ZACHARY ZAMBRESKI, Department of Agronomy, Kansas State University, Manhattan, Kansas, USA.; SOHEIL NOZARI, Department of Civil and Environmental Engineering, Colorado State University, Fort Collins, Colorado, USA.; GARVEY ENGULU B. SMITH, Department of Soil and Crop Sciences, Colorado State University, Fort Collins, Colorado, USA; LACEY MOORE, Department of Agricultural and Resource Economics, Colorado State University, Fort Collins, Colorado, USA.; SUMIT SHARMA, Department of Plant and Soil Sciences, Oklahoma State University, Stillwater, Oklahoma, USA.; PRASANNA GOWDA, Grazinglands Research Laboratory, USDA Agricultural Research Service, El Reno, Oklahoma, USA.; CHITTARANJAN RAY, Nebraska Water Center, University of Nebraska, Lincoln, Nebraska, USA.; MEAGAN SCHIPANSKI, Department of Soil and Crop Sciences, Colorado State University, Fort Collins, Colorado, USA.; REAGAN WASKOM, Colorado Water Institute and Water Center, Colorado State University, Fort Collins, Colorado, USA. |
Título : |
Transitio pathways to sustainable agricultural water management: A review of integrated modeling approaches (Review). |
Fecha de publicación : |
2020 |
Fuente / Imprenta : |
Journal of the American Water Resources Association (JAWRA) , February 2019, Volume 55, Issue 1, Pages 6-23. DOI: https://doi.org/10.1111/1752-1688.12722 |
DOI : |
10.1111/1752-1688.12722 |
Idioma : |
Inglés |
Notas : |
Article history: Received August 1, 2018 /Accepted December 5, 2018.
Citation: Haacker, E.M.K., V. Sharda, A.M. Cano, R.A. Hrozencik, A. Nunez, Z. Zambreski, S. Nozari, G.E.B. Smith, L. Moore, S. Sharma, ~
P. Gowda, C. Ray, M. Schipanski, and R. Waskom. 2019. ?Transition Pathways to Sustainable Agricultural Water Management: A Review of
Integrated Modeling Approaches.? Journal of the American Water Resources Association 1?18. https://doi.org/10.1111/1752-1688.12722. |
Contenido : |
Each of these disciplines has developed numerous process?based and empirical models for AWM. However, models that simulate all major hydrologic, water quality, and crop growth processes in agricultural systems are still lacking. As computers become more powerful, more researchers are choosing to integrate existing models to account for these major processes rather than building new cross?disciplinary models. Model integration carries the hope that, as in a real system, the sum of the model will be greater than the parts. However, models based upon simplified and unrealistic assumptions of physical or empirical processes can generate misleading results which are not useful for informing policy. In this article, we use literature and case studies from the High Plains Aquifer and Southeastern United States regions to elucidate the challenges and opportunities associated with integrated modeling for AWM and recommend conditions in which to use integrated models. Additionally, we examine the potential contributions of integrated modeling to AWM ? the actual practice of conserving water while maximizing productivity. Editor's note: This paper is part of the featured series on Optimizing Ogallala Aquifer Water Use to Sustain Food Systems. See the February 2019 issue for the introduction and background to the series. |
Palabras claves : |
AGUA SUBTERRÁNEA; DECISION SUPPORT SYSTEMS; GESTION SOSTENIBLE DEL AGUA AGRICOLA; GROUNDWATER; IRRIGATION; SOIL HEALTH; WATER CONSERVATION; WATER SCARCITY ECONOMICS. |
Thesagro : |
CONSERVACION DE AGUAS; IRRIGACION. |
Asunto categoría : |
-- |
Marc : |
LEADER 03098naa a2200421 a 4500 001 1061330 005 2020-09-21 008 2020 bl uuuu u00u1 u #d 024 7 $a10.1111/1752-1688.12722$2DOI 100 1 $aHAACKER, E.M.K. 245 $aTransitio pathways to sustainable agricultural water management$bA review of integrated modeling approaches (Review).$h[electronic resource] 260 $c2020 500 $aArticle history: Received August 1, 2018 /Accepted December 5, 2018. Citation: Haacker, E.M.K., V. Sharda, A.M. Cano, R.A. Hrozencik, A. Nunez, Z. Zambreski, S. Nozari, G.E.B. Smith, L. Moore, S. Sharma, ~ P. Gowda, C. Ray, M. Schipanski, and R. Waskom. 2019. ?Transition Pathways to Sustainable Agricultural Water Management: A Review of Integrated Modeling Approaches.? Journal of the American Water Resources Association 1?18. https://doi.org/10.1111/1752-1688.12722. 520 $aEach of these disciplines has developed numerous process?based and empirical models for AWM. However, models that simulate all major hydrologic, water quality, and crop growth processes in agricultural systems are still lacking. As computers become more powerful, more researchers are choosing to integrate existing models to account for these major processes rather than building new cross?disciplinary models. Model integration carries the hope that, as in a real system, the sum of the model will be greater than the parts. However, models based upon simplified and unrealistic assumptions of physical or empirical processes can generate misleading results which are not useful for informing policy. In this article, we use literature and case studies from the High Plains Aquifer and Southeastern United States regions to elucidate the challenges and opportunities associated with integrated modeling for AWM and recommend conditions in which to use integrated models. Additionally, we examine the potential contributions of integrated modeling to AWM ? the actual practice of conserving water while maximizing productivity. Editor's note: This paper is part of the featured series on Optimizing Ogallala Aquifer Water Use to Sustain Food Systems. See the February 2019 issue for the introduction and background to the series. 650 $aCONSERVACION DE AGUAS 650 $aIRRIGACION 653 $aAGUA SUBTERRÁNEA 653 $aDECISION SUPPORT SYSTEMS 653 $aGESTION SOSTENIBLE DEL AGUA AGRICOLA 653 $aGROUNDWATER 653 $aIRRIGATION 653 $aSOIL HEALTH 653 $aWATER CONSERVATION 653 $aWATER SCARCITY ECONOMICS 700 1 $aSHARDA, V. 700 1 $aCANO, A.M. 700 1 $aHROZENCIK, R.A. 700 1 $aNÚÑEZ, A. 700 1 $aZAMBRESKI, Z 700 1 $aNOZARI, S. 700 1 $aSMITH, G.E.B. 700 1 $aMOORE, L. 700 1 $aSHARMA, S. 700 1 $aGOWDA, P. 700 1 $aRAY, CH 700 1 $aSCHIPANSKI, M. 700 1 $aWASKOM , R. 773 $tJournal of the American Water Resources Association (JAWRA) , February 2019, Volume 55, Issue 1, Pages 6-23. DOI: https://doi.org/10.1111/1752-1688.12722
Descargar
Esconder MarcPresentar Marc Completo |
Registro original : |
INIA La Estanzuela (LE) |
|
Biblioteca
|
Identificación
|
Origen
|
Tipo / Formato
|
Clasificación
|
Cutter
|
Registro
|
Volumen
|
Estado
|
Volver
|
Expresión de búsqueda válido. Check! |
|
|