“El problema que enfrentábamos es que hasta ahora tenemos esta información gracias a las imágenes del PNOA (Plan Nacional de Ortofotografía Aérea) que tienen una gran resolución espacial, pero que se actualizan cada tres años, por lo que tenemos una vista muy desplazada en el tiempo”, ha explicado la investigadora del Departamento de Ingeniería Gráfica y Geomática de la UCO Isabel Castillejo.
Para salvar esta problemática, el equipo ha apostado por el uso de imágenes Sentinel-2 (misión de observación terrestre desarrollada por la ESA) que están disponibles de forma gratuita cada cinco días. Sin embargo, según ha informado la UCO, estas imágenes tienen una resolución espacial menor que hace más difícil la identificación de patrones ya que en las imágenes no se observan las copas de los árboles directamente. Y ahí entran las redes neuronales convolucionales (CNN), que son un tipo de técnica de análisis Deep Learning que se usa para tareas de reconocimiento avanzado de patrones en datos.
“Entrenamos tres algoritmos de aprendizaje diferentes para detectar los sistemas de plantación usando estas imágenes satelitales y encontramos que el mejor de los tres (el enfoque B) tenía una precisión del 80%, un porcentaje muy alto teniendo en cuenta la dificultad del problema y la resolución de las imágenes de entrada”, ha precisado Cristina Martínez, investigadora del Departamento de Ingeniería Electrónica y de Computadores de la UCO.
Para las investigadoras, hay otra cuestión determinante de este método y es que está todo automatizado: “sólo con introducir un archivo de texto con el código de la parcela o la referencia catastral, se delimita la parcela a través de sus lindes y con esa información se identifican y se descargan las imágenes satelitales para el periodo solicitado y se introducen en la red que determina el tipo de olivar. Todo de manera automatizada”.
Según la UCO, con este método innovador “se elimina la dependencia de los métodos tradicionales, que suelen implicar visitas de campo y muestreos aleatorios, ofreciendo así una alternativa más eficiente y precisa para la gestión y el seguimiento de los olivares”.
El equipo ya investiga para aplicar este tipo de procesamiento con redes neuronales e imágenes satelitales al estudio y predicción del estrés hídrico en el olivar.
