Uso de la inteligencia artificial y el aprendizaje automático con datos multiespectrales

Los innovadores métodos de aprendizaje automático pueden utilizarse en múltiples aplicaciones de teledetección. Contar y obtener una evaluación precisa de una zona son dos de ellas.

Cuando Nate Krause, director de operaciones de Swans Trail Farms, nos invitó a sobrevolar su huerto de calabazas en Snohomish (Washington, EE.UU.) para cuantificar y clasificar con precisión todas las calabazas.

En el pasado, los algoritmos de IA/ML requerían datos de una cámara RGB independiente. Ahora podemos tomar compuestos RGB de alta resolución e imágenes multiespectrales al mismo tiempo, gracias a las bandas pancromáticas de nuestros sensores para drones RedEdge-P o Altum-PT.

Para esta misión se seleccionó el sensor multiespectral y pancromático RedEdge-P de la serie MicaSense, con el dron DJI Matrice 300 y el planificador de misiones Measure Ground Control. El sitio de 23 acres / 9 ha se voló a 60 m / 196 pies AGL, para lograr 2 cm – 0.7 in/pixel GSD en los datos pan-sharpened.

Tratamiento y clasificación de los datos

Una vez finalizado el vuelo, llegó el momento de procesar los datos y contar y calibrar las calabazas. Para procesar y enfocar los datos se utilizó Agisoft Metashape.

A continuación, extrajimos el Geotiff multiespectral de cinco capas de 2 cm – 0,7 in /pixel y lo llevamos a QGIS para obtener una visión general del parche de calabaza. Las calabazas se clasificaron semiautomáticamente mediante técnicas sencillas de umbralización multiespectral en un pequeño subconjunto del ortomosaico.

Aunque este enfoque basado en píxeles era eficaz para la clasificación general, no podía segmentar instancias individuales de calabazas cercanas entre sí. Para resolver este problema, editamos manualmente cualquier detección agrupada y construimos un modelo de aprendizaje profundo con TensorFlow utilizando las detecciones semiautomatizadas ya generadas como datos de entrenamiento de entrada.

El modelo se alimentó con imágenes RGB panorámicas de 2 cm / 0,7 pulgadas del RedEdge-P junto con nuestras detecciones de polígonos. Los datos de alta resolución eran fundamentales para que el modelo aprendiera eficazmente y tuviera la capacidad de distinguir entre casos de calabazas muy cercanos pero separados.

Nos interesaba generar recuentos precisos de calabazas y obtener una estimación de su tamaño y de la superficie del campo. Esto podría ayudarnos a generar predicciones sobre los posibles beneficios/pérdidas del cultivo, permitir comparaciones temporales entre años, determinar las tasas de recuento a lo largo del tiempo y las tasas de germinación.

Las técnicas utilizadas aquí son versátiles y fácilmente transferibles a otros sectores.

Por ejemplo, podríamos realizar este mismo proceso de análisis para los recuentos de rodales forestales, detectando la aparición temprana de maíz u otras plantas pequeñas de interés. Podemos detectar características, obtener recuentos o estadísticas basadas en la reflectancia de las características detectadas. Esto nos permitirá controlar y gestionar las explotaciones agrarias, los bosques y nuestros recursos medioambientales de forma más eficiente y eficaz.