Cultivo de soja en Uruguay: zafra 2015-2016. Mapa temático Landsat aplicando método experimental RICN (Reducción de Impacto de Cobertura Nubosa)

PROYECTO

En este ensayo presentamos los primeros resultados obtenidos mediante la aplicación de nuestro método experimental RICN (Reducción de Impacto de Cobertura Nubosa), especialmente ideado para el monitoreo, detección, clasificación y análisis de cultivos estacionales de cobertura espacial amplia (soja, maíz, trigo, cebada, por ejemplo). Como hemos mencionado, el RICN es hoy por hoy una metodología absolutamente experimental, cuyos resultados, como veremos, han sido validados hasta el momento en forma parcial, y cuyo desarrollo involucra una combinación de técnicas de procesamiento y análisis muy complejas, que van desde la aplicación de inteligencia artificial hasta otras técnicas más tradicionales como detección de cambios y clasificadores estadísticos.

A) Objetivo: quienes trabajamos en Percepción Remota Satelital con información proveniente se sensores satelitales multiespectrales (Landsat, Spot, MODIS -Terra-Aqua- etc.) sabemos que una de las principales dificultades que debemos enfrentar a la hora de emprender un proyecto consiste, en la mayoría de los casos, en la capacidad incierta de disponer de las imágenes satelitales necesarias para el satisfactorio alcance de nuestros objetivos, máxime cuando dicho proyecto implica necesariamente la aplicación de la técnica de "detección de cambios" (set de imágenes multitemporales), que es precisamente el caso del estudio de cultivos de período corto (o estacionales), concretamente soja en nuestro ensayo, siendo la cobertura nubosa (total o parcial) sobre nuestras áreas de estudio, el principal obstáculo.
En esta ocasión utilizamos imágenes LANDSAT puesto que consideramos que son las más adecuadas y económicas para un monitoreo a gran escala, ya que abarcan una superficie de 185km x 185km y cuentan con una resolución espacial de 30 metros por pixel (30m x 30m) que resulta ideal para la medición de áreas cultivadas extensivas.
Ahora bien, las imágenes Landsat presentan ventajas y desventajas:

Ventajas: Las mismas se obtienen gratuitamente a nivel global a través de la interface web del servidor del USGS (United States Geological Survey). La naturaleza gratuita de estas imágenes representa una reducción de costos básicos sustancial a la hora de elaborar un presupuesto de proyecto, ya que los costos de estas imágenes "raw" (sin procesar) no se transfieren a un eventual cliente.

Desventajas: A la fecha (Noviembre 2016) existen sólo dos satélites Landsat operativos:

Landsat-8: puesto en órbita en 2013, está operando a full y enviando imágenes de altisima calidad

Landsat-7: puesto en órbita en 1999, funcionó normalmente hasta 2003, año en el que una falla irreparable en el sensor, resultó en que sus productos presentan un patrón a franjas (zonas en donde se pierde información), lo que hace muy engorroso trabajar con esas imágenes en forma adecuada. No obstante, en determinadas ocasiones puntuales, dichas imágenes Landsat-7 pueden resultar de mucha utilidad.

En resumen, en este momento contamos con solamente un satélite Landsat cuyos productos son 100% fiables y, teniendo en cuenta que según el tiempo de "revisita" (resolución temporal) de Landsat-8 es de 15 días, contamos con dos chances mensuales de obtener imágenes libres de cobertura nubosa, hecho que los analistas en percepción remota consideramos un "golpe de suerte" (salvo que los objetos bajo estudio se encuentren en áreas desérticas, que no es precisamente nuestro caso).
Teniendo en cuenta que de acuerdo al calendario NASA, la puesta en órbita del Landsat-9 está prevista para el año 2023 (de no haber atrasos), el desarrollo de un método  alternativo-probabilístico de rescatar toda la información posible de imágenes "semi-nubladas" adquiere vital relevancia. Y de eso se trata el desarrollo de nuestro método. Como ya mencionamos, recién en 2023 podríamos contar con una resolución temporal de una semana, lo que duplicaría las chances favorables de obtener buenas imágenes  provenientes de la constelación Landsat, siempre y cuando Landsat-8 todavía este operativo para esa fecha, obviamente.

Nuestra experiencia nos a enseñado que para realizar una adecuada detección, monitoreo y clasificación (y ulteriores análisis) de cultivos de soja, se requieren no menos de 3 IMAGENES LANDSAT por zafra, especialmente en las etapas de siembra, evolución, y desarrollo vegetal pleno. Teniendo además en cuenta de que existen cultivos de soja de 1ra y 2da siembra, consideramos conveniente añadir alguna imagen más a ese set basico de 3 imágenes POR CUADRANTE, debido a la alta variablibidad que podemos encontrar entre diferentes parcelas (variabilidad que además puede ser influenciada por "desajustes" climáticos, variedades sembradas, manejo, etc.) a lo largo del desarrollo de la zafra. Pues bien, si a todas estás dificultades inherentes al cultivo de soja le adicionamos la carencia de imágenes causadas por la cobertura nubosa en puntos críticos de su proceso evolutivo, los márgenes de error pueden dispararse "por las nubes" (valga la redundancia), o peor aún, puede hacer totalmente inviable un proyecto.


B) Desarrollo

En este ensayo sobre cultivo de soja en Uruguay (2015-2016) hemos cubierto una superficie correspondiente a 5 cuadrantes Landsat seleccionados en base a un mapa de "Área de Actividad Agrícola" (AAA) realizado previamente y a "grosso modo" con imágenes provenientes del sensores MODIS de los satélites Aqua y Terra (ver mapas #1 y #2)
 

MAPA #1

 

MAPA #2



Teniendo en cuenta (y como mencionamos en le punto A), que precisamos de mínimo 3 Landsat imágenes por cuadrante, tenemos como resultado que deben adquirirse 15 imágenes Landsat libres de cobertura nubosa (en nuestro ensayo utilizamos 4 por cuadrante, un total de 20 imágenes). De acuerdo a lo ya expresado se desprende que, obtener 15 imágenes Landsat (o peor, 20) libres de nubes en un lapso de 5 meses, es literalmente imposible. Entonces es allí en donde aplicamos nuestra primera versión del RICN.

Contemplada en base departamental (mapa #3) , el área cubierta corresponde a:

Colonia 100%
Soriano 100%
Río Negro 100%
San José 100%
Flores 100%
Paysandú (litoral)
Salto (litoral)
Durazno (centro-oeste)
Florida (oeste)

MAPA #3



Una vez obtenido el clasificador estadístico final (o mapa temático final), mediante el análisis de los "perfiles de evolución zafral" del NDVI (índice verde) de cada clase, de acuerdo a experiencia analítica y cotejo de muestreo (verdad terrestre o parcelas testigo) se intenta determinar cuáles clases son soja y cuales no, y se obtiene el mapa de soja definitivo.


C) Resultados:

Dependiendo de las fuentes, ya sean organismos estatales o privados, estamos acostumbrados a que los resultados finales de las campañas de soja nunca coincidan 100%, ya sea en área sembrada/cosechada como en rendimientos, lo que resulta lógico teniendo en cuenta las enormes superficies cultivadas, no obstante esos guarismo siempre se mantienen "en el orden" de la realidad. Independientemente de ello, nosotros expondremos aquí los resultados obtenidos para el área contemplada (no incuyendo zonas este y noreste), y haciendo hincapié en que estos números responden a los resultados de la aplicación de, hasta lo que sabemos, un método totalmente inédito en percepción remota satelital.

En cuanto al resultado de la validación soja/no-soja, cotejando el mapa sojero obtenido y las muestras disponibles de verdad terrestre (de las cuales tenemos certeza), los primeros resultados son por demás alentadores dando un margen de error de apenas 6%.

En cuanto a la superficie de soja cultivada para el área contemplada en nuestro ensayo (ver mapa #4) el resultado obtenido es de 1.182.000 Has

MAPA #4



No contando con rendimientos de parcelas testigo, en esta ocasión nos resulta imposible estimar rendimientos.

Del mismo modo en que hemos realizado en otros ensayos, adjuntamos a este informe los links para descargar gratuitamente algunas subescenas (mapas #5, #6 y #7) en formato vectorial KML (Google Earth) y/o SHP (Arcview) para que potenciales interesados en nuestro trabajo puedan validar en campo nuestros resultados, a saber:

MAPA #5

 

MAPA #6

Descargar la zona de validación #1 en formato KML (gratis) 1.48 Mb
Descargar la zona de validación #1 en formato SHP (gratis)  214 kb

MAPA #7

Descargar la zona de validación #1 en formato KML (gratis) 2.35 Mb
Descargar la zona de validación #1 en formato SHP (gratis) 345 kb



D) Conclusiones:

El RICN (Reducción de Impacto de Cobertura Nubosa), no es, ni pretende ser, un método mágico. En TELEDET SRL no somos magos. Rigor científico mediante, sabemos muy bien que cuando la cobertura nubosa se interpone entre el sensor del satélite de observación y la superficie terrestre, esa información se pierde, del mismo modo que el sensor ETM+ de Landsat-7 pierde información debido a su falla técnica. Nosotros les llamamos a esas regiones "zonas muertas". No obstante, el fundamento teórico de nuestro método en desarrollo es que en imágenes parcialmente "nubladas" (que en otras circunstancias se descartarían), además de "zonas muertas", también existen "zonas vivas" (sin nubes), de las cuales se puede extraer valiosa información la cual, mediante la aplicación de algoritmos muy complejos, es incorprada como información TEORICAMENTE VALIDA al set de imágenes multitemporales, información imprescindible para el monitoreo de cultivos estacionales, de período corto o mediano.
En resumen, tanto este como futuros ensayos de similares características, serán quienes validarán o no la viabilidad del RICN. Por ese motivo, habremos de reiterar un ensayo similar para la campaña 2016-2017 en la región sojera de Paraguay, aprovechando para poner a prueba el método en una zona con caranterísticas climáticas, de suelo y de manejo, diferentes a las de Uruguay.


IMPORTANTE: LOS RESULTADOS PRESENTADOS EN ESTE ENSAYO SON EL PRODUCTO DE UN METODO EXPERIMENTAL TODAVIA NO VALIDADO DE FORMA ADECUADA. TELEDET SRL NO SE HACE RESPONSABLE POR PERJUICOS OCASIONADOS POR EL USO INADECUADO DE ESTA INFORMACION.

CONSULTE POR NUESTROS SERVICIOS:

 

También, al pie de este informe, adjuntamos algunos mapas en formato JPG discriminando los resultados en base departamental.

Departamentos:

Colonia (mapa #8)
Soriano (mapa #9)
Río Negro (mapa #10)
Flores (mapa #11)
San José (mapa #12)

 

MAPA #8

<< VOLVER A DEPARTAMENTOS

 

MAPA #9

<< VOLVER A DEPARTAMENTOS

 

MAPA #10

<< VOLVER A DEPARTAMENTOS

 

MAPA #11

<< VOLVER A DEPARTAMENTOS

 

MAPA #12

<< VOLVER A DEPARTAMENTOS

 

 

 

<< Volver a galería de imágenes satelitales