Este estudio de investigación muestra una comparación entre el rendimiento de diferentes algoritmos de procesamiento de imágenes digitales basados en métodos de segmentación de imagenes para procesar imágenes multiespectrales satelitales de Índice de Vegetación de Diferencia Normalizada NDVI con el fin de estimar el rendimiento de las tierras de cultivo como una propuesta para apoyar las decisiones de planificación espacial. Las imágenes multiespectrales NDVI fueron capturadas del satélite Sentinel-2 L2-A con características distintivas, para ser procesadas a través de estos algoritmos implementados en una interfaz de software propia y amigable desarrollada en MATLAB App Designer. Estos se basan en la detección del color de la imagen, utilizando tres técnicas: el método de umbralización rectangular, el método de umbralización simple y la segmentación mediante el clasificador discriminante Mahalanobis. Las imágenes segmentadas se utilizaron para calcular el rendimiento de las tierras de cultivo en función de las variaciones del NDVI y las características de cada imagen analizada mediante un modelo lineal que asignaba un rendimiento a cada área segmentada en función de rangos de valores NDVI. La precisión del algoritmo se determinó en función del rendimiento esperado de las tierras de cultivo. Los resultados muestran que el método de umbralización rectangular tiende a promediar el valor del rendimiento de las tierras de cultivo en imágenes poco uniformes. En cambio, los métodos de umbralización por píxel y Mahalanobis mostraron un mejor rendimiento en imágenes NDVI muy poco uniformes, con desviaciones inferiores al 8% en comparación con el rendimiento esperado. Se puede concluir que el método de umbralización rectangular podría ser una herramienta de menor costo computacional, aunado al hecho de que la demarcación de áreas rectangulares es más fácil para delimitar e identificar para un agricultor en cualquier área cultivada real, facilitando la implementación de planes de apoyo para planificación espacial. Se propone utilizar el método de umbralización rectangular como herramienta de planificación, mientras los demás métodos pueden utilizarse para realizar estimaciones más precisas.
This research study compares the performance of different digital image processing algorithms based on computer vision segmentation methods to process satellite multispectral images of Normalized Difference Vegetation Index (NDVI) to estimate agricultural cropland yield as a proposal for supporting spatial planning decisions. NDVI multispectral images were collected from Sentinel-2 L2-A satellite with distinctive features to be processed through these algorithms implemented in an owned and friendly software interface developed in MATLAB App Designer. These are based on image color detection, using three techniques: rectangular thresholding method, simple thresholding method, and segmentation through Mahalanobis discriminant classifier. The segmented images were used to estimate cropland yields as a function of NDVI variations and the characteristics of each analyzed image, employing a linear model that assigned a yield to each segmented area as a function of a specific NDVI range. Algorithm accuracy was determined as a function of expected cropland yield. Results show that the rectangular thresholding method tends to average cropland yield value in slightly non-uniform images. In contrast, thresholding by pixel and Mahalanobis methods performed better on highly non-uniform NDVI images, with deviations less than 8% compared with the expected cropland yield. The rectangular thresholding method could be a more straightforward tool regarding computational cost since, e.g., the demarcation of rectangular areas is easier in any cultivated area, facilitating the implementation of spatial support plans for farmers. The proposal is to use the rectangular thresholding method as a planning tool, as the other methods may be used for more accurate estimations.
© 2001-2024 Fundación Dialnet · Todos los derechos reservados