Permitiendo que los satélites "comprendan" los cultivos: Descubriendo los secretos de la tecnología de segmentación de imágenes hiperespectrales de muestras pequeñas.

En la agricultura moderna, la tecnología de teledetección está cambiando gradualmente la forma en que percibimos y gestionamos la tierra. La teledetección hiperespectral, en particular, es como darles una nueva vida a los satélites."Olfato químico" Puede identificar diferencias sutiles en las plantas. En comparación con las cámaras tradicionales que solo pueden registrar rojo, verde y azul, las cámaras hiperespectrales pueden registrar cientos de bandas espectrales continuas, lo que permite "ver" con precisión las diferencias entre distintos cultivos, suelos e incluso plagas y enfermedades.

Sin embargo, la aplicación generalizada de esta tecnología en la agricultura aún enfrenta un gran desafío: la insuficiencia de muestras etiquetadas. Por ejemplo, entrenar un modelo para identificar qué parcelas de tierra cultivan maíz y cuáles están afectadas por enfermedades requiere una gran cantidad de muestras etiquetadas manualmente, lo cual es laborioso y costoso. Especialmente en zonas rurales remotas o países en desarrollo, recolectar suficientes muestras es prácticamente imposible.

Esto ha dado lugar a una nueva tecnología:Segmentación de imágenes hiperespectrales de muestra pequeña Su objetivo es lograr más con menos: entrenar un modelo capaz de identificar automáticamente tipos de cultivos o áreas afectadas por plagas y enfermedades utilizando una cantidad mínima de datos etiquetados. Los investigadores han diseñado redes neuronales similares a la "corteza visual del cerebro", como las estructuras 3D-CNN, GCN y Transformer, mediante la fusión de información espacial y espectral. Esto permite que el modelo comprenda las características espectrales de los píxeles, así como que reconozca la forma y la textura de las regiones.

Además, los científicos han introducido una estrategia de "aprendizaje por transferencia", que permite al modelo "aprender conocimientos básicos" a partir de datos de teledetección disponibles públicamente, y luego "ajustarlo" utilizando pequeñas muestras agrícolas para lograr una rápida adaptación. Otros investigadores han diseñado métodos de "aumento de datos", que permiten al modelo "practicar por sí mismo" mediante la rotación y la perturbación de los datos.

En el futuro, esta tecnología ayudará a los agricultores a obtener información casi en tiempo real sobre la salud de los cultivos, predecir las cosechas e identificar zonas problemáticas mediante teléfonos móviles o drones. Mejorará la inteligencia y la precisión de la gestión agrícola y proporcionará nuevas herramientas para garantizar la seguridad alimentaria.