Cómo identificar zonas de cultivo de palma aceitera utilizando datos de teledetección satelital

La palma aceitera es un cultivo de gran importancia económica, y la información sobre su distribución es crucial para el monitoreo agrícola, la evaluación del uso de la tierra y la gestión de recursos. Este artículo propone un método de teledetección multifuente que combina datos de Sentinel-1 y Sentinel-2 para la extracción de información de alta precisión sobre la distribución de la palma aceitera. Sentinel-1 proporciona imágenes de radar en cualquier condición meteorológica y a cualquier hora, sin verse afectado por las condiciones climáticas; Sentinel-2 proporciona imágenes ópticas con información detallada, como índices de vegetación y características de textura. La complementariedad de estas dos fuentes ofrece condiciones favorables para la identificación de la palma aceitera.

Métodos de investigación

Se seleccionó una región específica de Indonesia como área de estudio (Figura 1). Se extrajo la superficie de plantación en esta región para el año 2025, y el período de selección de datos abarcó desde el 1 de junio de 2024 hasta el 31 de mayo de 2025. Los datos se preprocesaron utilizando la plataforma GEE, incluyendo la extracción de bandas, el cálculo de índices y la eliminación de ruido de los datos SAR, como se muestra en la Figura 2. Posteriormente, los datos se remuestrearon a una resolución de 10 metros, con el sistema de coordenadas WGS84.

Figura 1 Área de estudio

Figura 2(a) VV

Figura 2(b) NDVI

La Figura 3 muestra las características de los datos ordenadas mediante coeficientes de Gini. Se seleccionaron un total de 14 características de los datos de Sentinel-1 y Sentinel-2 para los coeficientes de Gini, con 8 características de Sentinel-2 y 6 de Sentinel-1. Al utilizar datos SAR como característica principal para la clasificación, las bandas VH y VV y sus diferencias mostraron una alta correlación en el modelo de clasificación, lo que hace que estas características sean cruciales para la detección de plantaciones de palma aceitera. Además, la información de textura y los índices de vegetación también pueden utilizarse para la clasificación de la vegetación; las características de textura mejoraron la precisión de detección de la palma aceitera de manera más efectiva que los índices de vegetación.

Figura 3. Clasificación de los coeficientes de Gini

Resultados de la extracción

Se seleccionaron VV, VH, B3, B8 y NDVI, junto con la entropía de textura y el contraste, para la construcción de características. Posteriormente, se extrajeron las regiones de palma aceitera dentro del área de estudio mediante el algoritmo de bosques aleatorios. Los resultados de la extracción se muestran en la Figura 4.

Figura 4. Resultados de la extracción en la zona de plantación de palma aceitera.

Este artículo utiliza un método de fusión de datos que combina datos de Sentinel-1 y Sentinel-2 para extraer áreas de plantaciones de palma aceitera. Mediante técnicas de construcción de características y bosques aleatorios, se logra una identificación de alta precisión de dichas áreas. La investigación indica que la fusión de datos de teledetección de múltiples fuentes es una dirección importante para mejorar las capacidades de identificación de la vegetación agrícola. En trabajos futuros se podrían explorar métodos de segmentación semántica basados ​​en aprendizaje profundo para mejorar la precisión de los límites y las capacidades de análisis dinámico de series temporales.