Identificación basada en objetos de cultivos hortícolas bajo invernadero a partir de imágenes ópticas de satélite
- Autores: Abderraim Nemmaoui
- Directores de la Tesis: Manuel Ángel Aguilar Torres (dir. tes.), Fernando José Aguilar Torres (codir. tes.)
- Lectura: En la Universidad de Almería ( España ) en 2020
- Idioma: español
- Número de páginas: 148
- Títulos paralelos:
- Object based identification of under greenhouse horticultural crops using optical satellite imagery
- Tribunal Calificador de la Tesis: Jorge Delgado García (presid.), Diego Luis Valera Martínez (secret.), Elidia Beatriz Blázquez Parra (voc.)
- Programa de doctorado: Programa de Doctorado en Tecnología de Invernaderos e Ingeniería Industrial y Ambiental por la Universidad de Almería
- Materias:
- Enlaces
- Tesis en acceso abierto en: riUAL
- Resumen
- español
La agricultura bajo plástico representa un gran paso en la evolución de la agricultura tradicional a la agricultura industrial. Sin embargo, este modelo agrícola también es criticado por su impacto ambiental asociado a la generación de residuos de plástico, la contaminación del suelo, el impacto visual, la degradación de la biodiversidad y la alteración de la escorrentía local. En este sentido, el mapeo y monitoreo eficiente y preciso de los invernaderos y su evolución en el tiempo representa una buena estrategia para contribuir a la producción sostenible de cultivos y mejora de su rendimiento a diferentes escalas, la estimación y el manejo de los residuos, así como a la evaluación de su impacto visual y ambiental en general. Las metodologías convencionales para el desarrollo de inventarios de estructuras invernadas basadas en estudios in situ resultan costosas y poco eficientes, por lo que están siendo reemplazadas por metodologías semiautomáticas basadas en clasificaciones supervisadas realizadas sobre información digital georreferenciada (características o features) comúnmente extraídas de imágenes de satélite.
Muchos son los investigadores que vienen estudiando el monitoreo de invernaderos utilizando todo tipo de imágenes de satélite y diferentes enfoques de clasificación en busca de la mejor precisión de los productos finales. Sin embargo, pocos han ido un paso más allá y han intentado clasificar los cultivos que albergan estos invernaderos, debido principalmente al gran desafío técnico que ello supone.
En esta tesis doctoral se pretende afrontar el reto de la clasificación de los cultivos bajo invernadero, de manera completamente remota, a partir de series temporales de imágenes de satélite de media y muy alta resolución dentro de un contexto de análisis de imagen basado en objetos (Object-based image analysis; OBIA). Para ello, se desarrolla una metodología para la extracción de puntos de control tridimensionales a partir de datos auxiliares de cobertura global, disponibles gratuitamente, con el objeto de asegurar la correcta georreferenciación de las imágenes utilizadas. También se propone un flujo de trabajo para generar productos geoespaciales 3D de alto valor añadido, como son los Modelos Digitales de Superficie (Digital Surface Model; DSM) y los Modelos Digitales del Terreno (Digital Terrain Model; DTM), a partir de imágenes de satélite de muy alta resolución (Very High Resolution; VHR) sobre áreas de invernadero. Esta capa de información 3D podría ser muy valiosa como complemento de la información espectral 2D tradicional para mejorar el mapeo de los invernaderos a gran escala.
En la fase de segmentación se utiliza la herramienta de línea de comandos AssesSeg®, desarrollada en Python por nuestro grupo de investigación, y cuyo objeto es la evaluación de la calidad de la segmentación de imágenes digitales mediante la implementación de una versión modificada de la medida de discrepancia supervisada denominada Euclidean Distance 2 (ED2).
El siguiente paso consiste en la clasificación binaria de invernaderos (i.e., objetos invernaderos vs objetos no-invernaderos) en un ambiente OBIA a través del uso combinado de datos satelitales de muy alta resolución (WorldView-2), series temporales de Landsat-8 (Operational Land Imager; OLI) y Sentinel-2 (Multi Spectral Instrument; MSI), usando árboles de decisión. Una vez desarrollado el flujo de trabajo para la clasificación de los invernaderos, se afronta el desafío de clasificar los cultivos que éstos albergan. Al igual que en la fase anterior, i.e. clasificación binaria de invernaderos, se configuran árboles de decisión robustos y consistentes que emplean características espectrales, preferiblemente en forma de índices que combinan varias bandas espectrales, para la clasificación de los objetos previamente segmentados (aproximación OBIA).
Los resultados obtenidos son muy prometedores, alcanzando unas precisiones globales en la clasificación de invernaderos en el rango del 92% al 94%, mientras que en el caso de la clasificación de cultivos la precisión global oscila entre el 74% y el 76%, variando según la clase de cultivo objetivo. Por ejemplo, los resultados para la clasificación de invernaderos con sandía o melón alcanzaron un valor del ratio Fβ superiores al 95%, mientras que en el caso del pimiento los valores Fβ se situaron en el rango del 66% al 87%, oscilando entre un 68% y un 75% para el cultivo de tomate.
- English
Agriculture under plastec covered greenhoses represent a step forward in the evolution from traditional to industrual farming. However. this agricultural model has been also criticized for its associated enviromental impacts suchs as plastic residue, soil pollution, viusal impact, biodiversity degradation and local runoff alteration. In this sense, timely and effective greenhouses mappong is the only way to help for yield estimation at different scales, sustainable crop production, estimation and management of residue and the visual and environmental impact in general. Conventional approaches based on in-situ surveys, which are costly and time consuming, are being replaced by supervised classificación of digital information (features) extracteed for satellite images.
There are many researches that have been studying the monitoring and mapping of greenhouses using a sort of satellite images and differtent approaches for classificatión, trying to reach the best classification accuracy in the final products. However, few of them have gone a step further and have tried to classify the under greenhose crops, mainly due to the big technical challenge that this spatio-temporal monitoring system entail.
In this doctoral thesis we intented to face the callenge of completely remotely classifying under greenhouse crops from time series of medium and very high resolution satellite images by applying an approach based on Object Based Image analysis (OBIA). In this way, we first devise a methodology for the extraction of three-dimensional ground control points from auxiliary free available data of global coverage in order to guarantee the correct georeferencing of the images used. We also propose a workflow to produce high value-added 3D geospantial products such a s Digital Surface Models (DSM) and Digital Terrain Models (DTM) from very high resolution (VHR) satellite images over greenhoses areas. This 3D information layer could be very valuable, as a complement to the traditional 2D spectral data, to improve large-scale mapping of greenhouses.
Within the segmentation stage, the command line tool AsseSeg®, coded in Python to carry out a supervised evaluation of the digital image segmentation quality. is development by implementing a modified version of the supervised discrepancy measure called Euclidean Distance 2 (ED2).
The next step was the binary classification of greenhouses (i.e., greenhouse vs non-greenhouse) in an OBIA environment throughout the combined use very high resolution satellite data (WorldView-2), Landsat-8 Operational Land Imager (OLI) and Sentinel-2 Multi Spectral Instrument (MSI) and using decision tree classifier. Once the workflow for the classification of greenhouses has benn devided, the callenge of classifying the crops that they house is faced. As in the previous phase (i.e., binary classification of greenhouses), robust decision trees are built from several indices extracted from multitemporal satellite imagery and applied to classify the objects previously segmented (OBIA approach).
The results obtained are very promising, reaching overall classification accuracies ranging from 92% to 94% in the case of greenhouses classification, while they were ranging between 74% and 76% in the case of under greenhouse crops classification, turning to be very variable depending on the kind of crops, presenting Fβ value above 95%. The Fβ value for pepper ranged between 66% and 87%, while in the case of tomato the value Fβ ranged between 68% and 75%.
- español
