Investigadores de la Universidad Estatal Paulista (Unesp), en su campus de Tupã, en Brasil, desarrollaron y probaron una nueva metodología de inteligencia geoespacial que puede contribuir de forma más rápida y precisa con proyectos de gestión del uso del suelo y de planificación territorial. Con esta herramienta fue posible delimitar con precisión áreas de bosque amazónico, vegetación de Cerrado (el bioma de sabana brasileño), pastizales y cultivos agrícolas en sistemas de doble cultivo, algo que puede proporcionar insumos para políticas públicas enfocadas en la producción agrícola y la conservación ambiental.
Combinando la arquitectura de cubos de datos (listos para análisis), difundida en el país a través del proyecto Brazil Data Cube, del Instituto Nacional de Investigaciones Espaciales (Inpe), y el enfoque Geobia (sigla en inglés de Geographic Object-Based Image Analysis), los científicos lograron identificar la vegetación y las prácticas de doble cultivo —como soja y maíz, por ejemplo— a lo largo de una temporada agrícola en el estado de Mato Grosso. Se utilizaron series temporales de imágenes satelitales del sensor MODIS (Moderate Resolution Imaging Spectroradiometer), de la NASA, la agencia espacial estadounidense.
Los resultados indicaron que la combinación propuesta, aliada a algoritmos de aprendizaje automático (inteligencia artificial), alcanzó un 95% de precisión en el mapeo.
Geobia es una técnica que permite el procesamiento de imágenes satelitales mediante segmentaciones que agrupan píxeles similares en geo-objetos y analiza sus características, como forma y textura, además de la reflectancia. Esto permite, en muchos casos, una interpretación más cercana a la realidad. Los cubos de datos, a su vez, almacenan información en dimensiones —tiempo y ubicación—, facilitando la agregación y visualización de informaciones relativas a un lugar específico en un periodo determinado, como áreas de cultivo en un año agrícola.
Actualmente, los mapeos se basan en análisis de imágenes por píxel individual, lo que termina generando problemas en los bordes, con indefinición en algunas áreas.
“Los trabajos científicos han señalado la confusión espectral en las zonas de borde entre diferentes usos del suelo como un aspecto a mejorar. Así que decidimos segmentar las imágenes y evaluar el objeto geográfico como unidad mínima de análisis, y no el píxel. Es como si la imagen se rompiera y clasificara de acuerdo a cada pieza. Con eso, fue posible reducir errores recurrentes de los bordes e identificar los objetivos con mayor adherencia, incluso usando resolución espacial moderada”,
explica el profesor de la Facultad de Ciencias e Ingeniería de la Unesp, Michel Eustáquio Dantas Chaves, autor correspondiente del artículo.
Chaves viene utilizando la arquitectura de cubos de datos desde hace algunos años para desarrollar herramientas que contribuyen al análisis con enfoque en el avance de la frontera agrícola, especialmente en el Cerrado.
Según el profesor, la metodología puede replicarse para analizar imágenes provenientes de otros satélites de observación de la Tierra, como Landsat y Sentinel, que proporcionan datos para estudios científicos, mapeo y monitoreo. Imágenes de ambos están siendo trabajadas actualmente por el equipo coordinado por el profesor.
El artículo describiendo la metodología fue publicado en la edición especial Research Progress and Challenges of Agricultural Information Technology, de la revista científica AgriEngineering. El estudio tuvo el apoyo de la FAPESP por medio de tres proyectos.
Aplicación en la práctica
Mato Grosso lidera la producción nacional de granos en Brasil, con el 31,4% del total del país, seguido por los estados de Paraná (12,8%) y Río Grande del Sur (11,8%). Se estima que el estado alcanzará 97,3 millones de toneladas en la cosecha 2024/2025, lo que representa un aumento del 4,4% con respecto a la anterior, según la Compañía Nacional de Abastecimiento (Conab). Prácticamente la mitad de esa producción (46,1 millones de toneladas) se espera que sea de soja.
Además, Mato Grosso es uno de los estados con mayor biodiversidad del país, albergando partes de tres de los seis biomas brasileños. Aproximadamente el 53% de su territorio pertenece a la Amazonía, el 40% al Cerrado y el 7% al Pantanal.
Debido a esta heterogeneidad en los usos del suelo y tipos de vegetación en su territorio, los investigadores aplicaron la nueva metodología en Mato Grosso utilizando datos de la cosecha estratégica 2016/2017, en la que Brasil produjo 115 millones de toneladas de soja, siendo 30,7 millones de toneladas en ese estado. Las clasificaciones de uso del suelo fueron asociadas a tierras agrícolas (barbecho-algodón, soja-algodón, soja-maíz, soja-barbecho, soja-mijo y soja-girasol), además de cultivos de caña de azúcar, áreas urbanas y cuerpos de agua.
Los resultados indicaron una precisión general del 95%, lo que demuestra el potencial del enfoque para ofrecer mapeos que optimizan la delimitación de bosques y tierras agrícolas. “Como el enfoque logra identificar los objetivos de forma adherente, la metodología puede aplicarse a la estimación de superficie incluso dentro de una misma cosecha, favoreciendo las estimaciones de productividad, acciones de planificación territorial y todo lo que esté relacionado con el uso y la cobertura del suelo para la toma de decisiones”, detalla Chaves sobre la aplicación de la herramienta.
El profesor explica que la metodología también permite analizar perturbaciones en bosques y otros tipos de vegetación natural:
“Es más rápido identificar la deforestación que la degradación. Este método permitió detectar esas variaciones de forma más rápida.”
En el artículo, los científicos rinden un homenaje a la profesora Ieda Del’Arco Sanches, investigadora en teledetección del Inpe, quien falleció en enero.
“Este artículo es una forma de agradecerle por sus enseñanzas y continuar con su legado. Ieda siempre trabajó para evaluar la superficie terrestre con precisión y tratar los datos de forma ética y responsable, mostrando cómo pueden contribuir a la construcción de políticas públicas”,
concluye Chaves.
El artículo Mixing Data Cube Architecture and Geo-Object-Oriented Time Series Segmentation for Mapping Heterogeneous Landscapes puede ser leído en: www.mdpi.com/2624-7402/7/1/19.
Fuente: Agencia Fapesp
Lo más destacado de la última edición:
