Mejorando la toma de decisiones a partir de imágenes multiespectrales obtenidas con drone

Imagina que te dijera que todo lo que ves es igual a un montón de números.

¿Me creerías si te dijera que este hecho tiene un impacto inmediato en las industrias de la agroindustria y el transporte, así como en la defensa militar?

Al igual que en la película Matrix, vemos datos en bruto que son procesados e interpretados rápidamente por nuestro cerebro. Un conjunto de datos puede describirse como una imagen. Cada píxel de la imagen contiene uno o varios valores. Los componentes de una imagen se llaman píxeles. Están dispuestos en un orden específico para representar información de un tipo concreto. Cada píxel de una imagen tiene una coordenada única, al igual que el juego de la batalla naval. Esto da sentido a la imagen.

image to pixel

Los valores de los píxeles en la imagen anterior son números enteros que pueden ir de 0 a 255 (negro) y viceversa. Esto significa que se puede analizar, muestrear, predecir, parametrizar o hacer cualquier otra cosa con un conjunto de datos. El análisis de imágenes es una de las disciplinas más importantes del análisis de imágenes. porque proporciona algunas de las perspectivas más valiosas. Las imágenes de teledetección son un ejemplo más preciso. La Agricultura es uno de los temas más importantes de la industria digital moderna. Se ha hecho más popular gracias a la proliferación de satélites que proporcionan imágenes de alta resolución sin coste alguno y a la popularización de drones con grandes capacidades de obtención de información. La digitalización y la tecnología en la agricultura están abriendo nuevas oportunidades que no eran posibles hace años.

Los satélites y los vehículos aéreos no tripulados (UAV, o drones) toman ahora imágenes más precisas que nunca. La industria aeroespacial está cambiando de forma inesperada. No podemos predecir cómo cambiará la resolución espacial y temporal (frecuencia de las imágenes) en los próximos años. Ahora somos capaces de detectar monedas desde el espacio con nuestras avanzadas capacidades. Las imágenes más nítidas se producen aumentando la densidad de píxeles (o ppi). Esto significa que los archivos digitales pueden ser más grandes y detallados. Sin embargo, a medida que la densidad de píxeles disminuye, perdemos precisión y también tenemos menos requisitos de procesamiento, este es un compromiso fundamental en el análisis de imágenes digitales hoy en día cuando el número de imágenes disponibles aumenta tan rápidamente que es difícil seguir el ritmo de su procesamiento.

Las imágenes de teledetección pueden utilizarse en campos como la agricultura para hacer más eficientes distintas tareas como, por ejemplo:

  • Detectar y tratar las enfermedades de las plantas
  • Puede clasificar la cobertura del suelo (por ejemplo, bosque) y el uso del suelo (por ejemplo, agricultura
  • Reconocer diferentes cultivos para clasificar los tipos de cultivo, como la soja, el maíz, el trigo y otros.
  • Calcular el rendimiento esperado de un cultivo en una zona concreta para estimar el rendimiento de las cosechas
  • Reconocer las malas hierbas que amenazan a los cultivos sanos y su capacidad para absorber la luz solar y los nutrientes del suelo.
  • Monitorear la humedad del suelo y predecir su futuro detectando el estrés hídrico puede ayudarle a vigilar y predecir.
  • Evaluar la eficacia de los herbicidas, insecticidas y fungicidas
  • Identificar los contaminantes del suelo y de los cultivos
  • Supervisar la eficacia y la eficiencia del proceso de siembra

¿Cómo podemos extraer toda la información de una simple imagen? Parece demasiado. Las imágenes de teledetección no proporcionan un valor por píxel (por ejemplo, el valor del color), sino múltiples valores por píxel. Esto proporciona muchos más datos que pueden utilizarse para mejorar cualquier análisis o toma de decisiones. Primero debemos hablar de las imágenes espectrales para entender su funcionamiento.

Lo invisible es posible gracias a Computer Vision

Los seres humanos sólo vemos una pequeña porción del espectro electromagnético (lo que llamamos «luces visibles») y, en realidad, hemos convivido con el mundo a través de minúsculos candados durante siglos.

En 1800 William Herschel, el mismo que descubrió Urano, separó la luz del sol utilizando un prisma. También colocó termómetros debajo de cada color de luz. Descubrió que el termómetro que sobraba era el de mayor temperatura. El mundo pudo entonces ver por primera vez la luz infrarroja. Johann Wilhelm Ritter hizo el mismo experimento un año después y descubrió la luz ultravioleta. Se creó el espectro electromagnético.

Si cree que 13 bandas son pocas, puede considerarse la posibilidad de utilizar el hiperespectral. Las imágenes hiperespectrales pueden mostrar cientos de medidas de bandas (¡sí, cientos por imagen!). Todo el espectro electromagnético, lo que da una mayor sensibilidad a las variaciones sutiles en la observación. Las imágenes hiperespectrales contienen una mayor cantidad de datos que las generadas por las cámaras multiespectrales y ofrecen una mayor capacidad para detectar diferencias entre las características. Por otra parte, las imágenes hiperespectrales pueden utilizarse para cartografiar zonas forestales.

El mayor proveedor mundial de imágenes hiperespectrales de alta resolución es Satellogic. Satellogic proporciona una ventaja competitiva a las empresas de agricultura, construcción y cartografía medioambiental. También proporcionan datos hiperespectrales de forma gratuita para la investigación científica abierta y las causas humanitarias.

Las diferentes bandas de Landsat fueron explotadas como capas de piel de cebolla, junto con las correspondientes longitudes de onda de las bandas espectrales y los nombres comunes. Fuente: NASA

Ciencia de los datos en agricultura de precisión: Por qué es un cambio de juego

Se puede pensar en utilizar las imágenes como conjuntos de datos para realizar operaciones matemáticas.

Es posible combinar diferentes longitudes de onda con álgebra utilizando bandas espectrales para resaltar ciertas características como los tipos de vegetación, las zonas quemadas o la presencia de agua. También se pueden combinar bandas de diferentes fuentes (como los satélites) para obtener una visión más profunda. Por ejemplo, imagine que combina diferentes bandas de reflexión de la luz con la humedad del suelo y las características de elevación del terreno. Si cada banda o imagen tiene el mismo número de filas y columnas, los píxeles de esa banda caerán exactamente en la misma ubicación espacial que los de la otra banda. Cada píxel puede ser geocodificado para añadir capas de información en cualquier lugar.

Esto no es tan difícil como parece. El motor de Google Earth ofrece petabytes en imágenes de satélite y datos geoespaciales alimentados por sus propios centros de datos. Todo ello está disponible en una plataforma fácil de usar que permite a cualquiera crear y probar sus propios modelos. Mientras se ejecuta en la nube a gran velocidad, puede realizar operaciones matemáticas y geométricas, así como clasificar píxeles y reconocer objetos. Google ha simplificado y reducido lo que hace años era extremadamente complicado y costoso.

Las imágenes de teledetección son tan abundantes que se han podido añadir dimensiones temporales. Gracias al aumento de los satélites activos y sus tiempos de revisita, podemos incorporar una fuerte información temporal a cualquier modelo. El análisis de series temporales de imágenes nos permite ir más allá de la información monotemporal, que sólo ofrece una visión en el tiempo, y entrar en un nuevo concepto en el que las propiedades cambian con el tiempo y se pueden observar diferentes tendencias y ciclos.

Es difícil sacar conclusiones de los big data. Esto se debe a que ninguno de los datos tendría sentido si no fuera posible procesarlos. ¿Cómo se pueden interpretar y gestionar miles de millones de píxeles?

La ciencia de los datos es una revolución en este ámbito, y está causando una profunda perturbación en sectores como el agrícola. La Ciencia de los datos se trata de una disciplina relativamente nueva que se centra en la extracción de conocimientos significativos a partir de los datos para utilizarlos en la toma de decisiones estratégicas, el desarrollo de productos, el análisis de tendencias, las previsiones y otras áreas. Los conceptos y métodos de la ciencia de datos se derivan de la ingeniería de datos, la estadística, el aprendizaje automático, el almacenamiento de datos, el procesamiento del lenguaje natural y el aprendizaje automático. Estas disciplinas son extremadamente eficientes a la hora de tratar la actual explosión de datos. Los científicos de datos son expertos en descubrir cosas nuevas en los datos.

Pero, de todas las subdisciplinas de la ciencia de datos creo que el aprendizaje automático merece una mención especial. Estos algoritmos aprenden de los datos y no están programados específicamente para ello. Representan la mejor solución al problema del exceso de datos. Este ámbito de la ciencia de datos es el que más beneficios tangibles y directos puede aportar en un futuro próximo.

PropellerMx utiliza el aprendizaje automático para transformar las imágenes en fuentes de análisis procesables.

Esto les permite rastrear los cambios en el uso del suelo y las infraestructuras con una resolución espacial y temporal mayor que la de los satélites.

Hay muchos algoritmos de aprendizaje automático en el vasto universo. Las CNN (Redes Neuronales Computacionales), se están utilizando en campos como la agricultura para cambiar la forma de hacer las cosas. Las CNN son una técnica prometedora que supera a otros métodos de procesamiento de imágenes en cuanto a precisión y exactitud.

C2-A2, el primer agrodroide del mundo, utiliza las CNN para proteger a los equipos y a las personas contra todas las colisiones posibles. C2-A2 es un cerebro artificial que aspira a ser el sistema de control universal de maquinaria agrícola autónoma como cosechadoras y pulverizadores.

Estas disciplinas están mejorando las capacidades humanas a un ritmo extraordinario. La tecnología está cambiando nuestra forma de interactuar con el mundo. Es posible imaginar sistemas que puedan procesar entradas complejas y tomar sus propias decisiones, lo que supondría una ventaja para los recursos humanos y el tiempo.

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *