Comparación de la clasificación de cultivos en datos de un solo período de Xiguang No. 1 05 (Tianxianpei No.) y datos de Sentinel-2.

Introducción a los antecedentes

La identificación y diferenciación de la distribución de diversos tipos de cultivos mediante imágenes de teledetección permite una gestión más precisa y un monitoreo macroscópico de la producción agrícola. Este monitoreo proporciona datos para la alerta temprana de plagas y enfermedades. Además, los resultados de la clasificación por teledetección, combinados con información meteorológica, hidrológica y edáfica, ofrecen una base científica para la estimación del rendimiento agrícola, la evaluación de pérdidas por desastres y la toma de decisiones en materia de seguridad alimentaria. Su importancia radica en impulsar la transformación de la agricultura tradicional hacia la digitalización, la informatización y la inteligencia artificial, mejorando la eficiencia de la producción agrícola y el aprovechamiento de los recursos, reduciendo los costos de los levantamientos manuales y logrando un monitoreo dinámico y una gestión precisa de grandes extensiones agrícolas. Asimismo, los resultados de la clasificación de cultivos pueden proporcionar datos fundamentales para la formulación de políticas agrícolas nacionales, la protección de tierras cultivables y la evaluación del secuestro de carbono, lo que tiene profundas implicaciones para garantizar la seguridad alimentaria y promover el desarrollo agrícola sostenible.

Las imágenes multiespectrales suelen contener un número reducido de bandas anchas (p. ej., de 4 a 13), que reflejan principalmente las características generales de los accidentes geográficos en bandas clave como la luz visible y el infrarrojo cercano. Son adecuadas para la clasificación y el monitoreo de accidentes geográficos a macroescala, como el uso del suelo y la cobertura vegetal. Por otro lado, las imágenes hiperespectrales se utilizan en…Muestreo continuo en decenas o cientos de bandas estrechas.Los datos hiperespectrales permiten capturar las características de reflectancia fina de los elementos del terreno en el espectro, lo que posibilita la identificación de diferencias sutiles que no pueden distinguirse mediante métodos multiespectrales. Por ejemplo, las variaciones en diferentes variedades de cultivos, los estados fisiológicos de la vegetación o la composición mineral pueden capturarse con precisión en datos hiperespectrales. Al comparar ambos tipos de datos, se puede revelar el impacto de la resolución espectral en la precisión de la identificación y extracción de elementos del terreno, lo que permite clarificar el esquema óptimo de selección de datos para diferentes tareas.

Principios y métodos

Este experimento se realizó utilizando datos de los satélites Xiguang-1 05 (también conocido como Tianxianpei) y Sentinel-2. Primero, se calcularon el Índice de Vegetación de Diferencia Normalizada (NDVI), el Índice de Vegetación de Relación (RVI) y el Índice de Vegetación Mejorado (EVI) para los datos hiperespectrales y multiespectrales. Luego, para los datos hiperespectrales, se utilizó un algoritmo de luciérnagas modificado para seleccionar bandas con alta correlación y reducir la dimensionalidad de las bandas. Finalmente, se utilizó una Máquina de Vectores de Soporte (SVM) para clasificar los cultivos en ambos conjuntos de datos.

Análisis de resultados

Figura 1. Resultados de la clasificación hiperespectral

Figura 2. Resultados de la clasificación multiespectral.

En este experimento de clasificación de cultivos, se utilizaron tres índices —NDVI, RVI y EVI— junto con bandas altamente correlacionadas con los cultivos. Se empleó el algoritmo SVM para minimizar la influencia del clasificador. Las figuras 1 y 2 muestran los resultados de la clasificación. Los resultados de la clasificación hiperespectral de un solo período fueron superiores a los de la clasificación multiespectral. Las imágenes multiespectrales presentan bordes borrosos, numerosos puntos y menor precisión, mientras que las imágenes hiperespectrales ofrecen una identificación de características del terreno más precisa y estable.

En la clasificación de la cobertura del suelo, los datos hiperespectrales presentan ventajas significativas sobre los datos multiespectrales. Las imágenes hiperespectrales registran las características de reflectancia de la cobertura del suelo en múltiples bandas estrechas y continuas, lo que permite una caracterización más detallada de las diferencias espectrales entre los distintos tipos de cultivos en la superficie terrestre. A menudo, muestran características interespectrales distinguibles en el espacio hiperespectral, lo que mejora significativamente la precisión de la clasificación y la separabilidad de las clases. Mediante datos hiperespectrales, los métodos de coincidencia de características espectrales pueden lograr una diferenciación precisa y una identificación de alta confianza de tipos complejos de cobertura del suelo. En cambio, los datos multiespectrales tradicionales tienen menos bandas y un ancho de banda mayor, lo que proporciona información espectral limitada. Son propensos a la superposición espectral entre diferentes tipos de cobertura del suelo, lo que genera límites de clasificación difusos y errores de clasificación. Además, los datos multiespectrales son inestables en entornos superficiales complejos (como tipos de cobertura del suelo mixtos, sombras e interferencia del fondo del suelo), lo que dificulta la captura efectiva de diferencias sutiles. Por lo tanto, desde las perspectivas de precisión de la clasificación, robustez e interpretabilidad, los datos hiperespectrales presentan ventajas significativas en las tareas de clasificación de la cobertura del suelo y constituyen una fuente de datos importante para lograr una extracción de información de la superficie terrestre de alta precisión.