Eficacia de diferentes métodos de clasificación de imágenes Landsat 8 OLI y TIRS para inventarios en el área cañera del departamento Lules, Tucumán, R. Argentina

Autores/as

  • Carmina Fandos Estación Experimental Agroindustrial Obispo Colombres (EEAOC). Sección Sensores Remotos y SIG
  • Marcelo L. Gandini Universidad del Centro de la Provinia de Buenos Aires. Facultad de Agronomía. Azul
  • Federico J. Soria Estación Experimental Agroindustrial Obispo Colombres (EEAOC). Sección Sensores Remotos y SIG

Palabras clave:

clasificación multiespectral, árbol de decisión, SIG, multispectral classification, decision tree

Resumen

La información de superficie y producción de caña de azúcar al comienzo de la zafra es fundamental para planear estrategias de cosecha, logística y comercialización. Su estimación mediante tecnologías basadas únicamente en relevamientos a campo implica costos altos. La teledetección espacial permite reducir los costos en las determinaciones de los usos y coberturas de la tierra. Los sensores Operational Land Imager (OLI) y Thermal Infrared Sensor (TIRS) a bordo del satélite Landsat 8, con sus bandas en el rango del visible al infrarrojo térmico, constituyen una alternativa para diferenciar coberturas vegetales, considerando que la vegetación presenta baja respuesta espectral en el visible, más elevada en el infrarrojo cercano y menor en el infrarrojo medio; y que las cubiertas vegetales presentan temperaturas más bajas que su entorno durante el día, lo que facilita su diferenciación de otras coberturas. Los objetivos fueron evaluar diferentes técnicas de clasificación multiespectral en las bandas correspondientes al rojo, infrarrojo cercano e infrarrojo medio del sensor OLI y en las bandas térmicas del sensor TIRS, y como producto del análisis estimar superficie y producción de caña de azúcar mediante procesamiento SIG. El estudio de las bandas 4, 5 y 6 permitió constatar la mayor separabilidad entre coberturas y niveles de producción de caña de azúcar en la banda 5. La combinación de bandas situadas en el infrarrojo medio y térmico mejoró la precisión de las clasificaciones. La clasificación de máxima probabilidad de las bandas 4, 5 y 6 restringida por la banda 10 sería la indicada para cañaverales con niveles de producción en proporciones similares, o con un predominio del nivel bajo. La clasificación por árbol de decisión de la banda 5 restringida por la banda 10 sería la más adecuada para zonas con predominio de niveles medio y alto de producción.

ABSTRACT

Efficacy of different methods of classification in images landsat 8 OLI and TIRS for inventories in the sugarcane planted area of the Lules department . Tucuman, R. Argentina

Information about sugarcane planted area and production at the beginning of the harvest is fundamental for the planning of harvesting strategies, logistics and marketing. Their estimation, using technologies based only on field surveys, involves considerable effort, and high costs. Spatial remote sensing allows to reduce costs in land use/land cover determinations. The Operational Land Imager (OLI) and the Thermal Infrared Sensor (TIRS) on board of Landsat 8 satellite, with their bands in the range from visible to thermal infrared, constitute an alternative for the discrimination of vegetation covers, taking into account that vegetation has a reduced spectral response in the visible, higher in the near infrared and lower in the mid infrared; and that vegetation covers present lower temperatures than their environment during the day, which facilitates their differentiation from other covers. The objectives were to evaluate different multispectral classification techniques using the red, near infrared and middle infrared bands of the OLI sensor, and the thermal bands of TIRS sensor, and as a product of the analysis, estimate crop area and sugarcane production by GIS processing. The study of bands 4, 5 and 6 showed that band 5 has the greatest separability between coverages and between sugarcane production levels. The combination of mid-infrared and thermal spectral bands achieved improved classification accuracy. Precision reached in the classification of different production levels indicates that the maximum likelihood classification restricted by band 10 would be adequate for the identification and quantification of sugarcane crops and production levels, in the case of similar proportions of the three production levels, or with a predominance of the low production level. The classification by decision tree of band 5 restricted by band 10 would be the most appropriate for areas with predominantly medium and high levels of production.

Biografía del autor/a

Carmina Fandos, Estación Experimental Agroindustrial Obispo Colombres (EEAOC). Sección Sensores Remotos y SIG

Ing. Agr. Investigadora Adjunta "B". Sección Sensores Remotos y Sistemas de Información Geográfica, EEAOC.

Marcelo L. Gandini, Universidad del Centro de la Provinia de Buenos Aires. Facultad de Agronomía. Azul

Dr. Lic. en Cs. Biol. Docente - Investigador Facultad de Agronomía de Azul - Centro de Investigaciones Integradas sobre Sistemas Agronómicos Sustentables (CIISAS).

Federico J. Soria, Estación Experimental Agroindustrial Obispo Colombres (EEAOC). Sección Sensores Remotos y SIG

Lic. en Geog. Investigador Asociado A, Jefe de Sección. Sección Sensores Remotos y SIG, EEAOC.

Citas

Andrade Abe, C.; V. Souza Martins y E. Bertol Rosa. 2017. Evaluation of two supervised classification techniques and the influences of thermal band application on target distincion: a case study of Santa Catarina Island, Brazil. En: Actas Simpósio Brasileiro de Sensoriamento Remoto (SBSR), XVIII, Santos, SP Brasil, pp. 40-47.

Bappel, E.; A. Bégué; P. Degenne; V. Lebourgeois y B. Siegmund. 2005. Real-time sugarcane harvest monitoring using spot 4 and 5 satellite data. International Society of Sugar Cane Technologists (ISSCT), XXV Congress, Jan. 30- Feb. 4 2005, Guatemala.

Cechim Júnior, C.; R. Paloschi y J. Johan. 2015. Uso de técnicas de geoprocessamento aplicadas ao mapeamento da cultura de cana-de-açúcar com imagens Landsat-8 no estado do Paraná. En: Actas Simpósio Brasileiro de Sensoriamento Remoto (SBSR), XVII, João Pessoa-PB, Brasil, pp. 5117-5124.

Chuvieco, E. 2000. Fundamentos de Teledetección Ambiental. 3º ed. Revisada. Ediciones RIALP, SA, Madrid.

Fandos, C.; P. Scandaliaris; J. I. Carreras Baldrés y F. J Soria. 2014a. Superficie cultivada con soja y maíz en la campaña 2013/2014 en la provincia de Tucumán. Comparación con campañas precedentes. Reporte Agroindustrial Relevamiento satelital de cultivos en la provincia de Tucumán 92, 8pp. [En línea] Disponible en https://www.eeaoc.gob.ar/?publicacion=ra92-superficie-cultivada-consoja-y-maiz-en-la-campana-20132014-en-la-provincia-de-tucuman-comparacion-con-campanasprecedentes (consultado 19 junio 2017). Ediciones EEAOC. Tucumán.

Fandos, C.; P. Scandaliaris; J. I. Carreras Baldrés y F. J Soria. 2014b. Área implantada con cítricos en Tucumán en 2014 y comparación con años anteriores. Reporte Agroindustrial Relevamiento satelital de cultivos en la provincia de Tucumán 97. [En línea] Disponible en https://www.eeaoc.gob.ar/?publicacion=ra97-area-implantada-con-citricos-en-tucuman-en-2014-y-comparacion-conanos-anteriores. (consultado 19 junio 2017). Ediciones EEAOC. Tucumán.

Giancola, S. I.; J. L. Morandi; N. Gatti; S. Di Giano; V. Dowbley y C. Biaggi. 2012. Causas que afectan la adopción de tecnología en pequeños y medianos productores de caña de azúcar de la provincia de Tucumán. Enfoque cualitativo. Serie: Estudios socioeconómicos de la adopción de tecnología 1. [En línea] Disponible en http://inta.gob.ar/documentos/causas-que-afectan-la-adopcion-de-tecnologia-enpequenos-y-medianos-productores-de-cana-deazucar-en-la-provincia-de-tucuman-enfoque-cualitativo/ (consultado 26 junio 2014). Ediciones INTA. Buenos Aires.

NASA, 2014. Landsat Science. Landsat 8 [En línea] Disponible en http://landsat.gsfc.nasa.gov. Actualizado 20 junio 2014 (consultado 23 junio 2014).

Moreira, M. A. 2012. Fundamentos do sensoriamento remoto e metodologías de aplicação. 4ª edição atualizada e ampliada. Editora Universidad Federal de Viçosa (UFV) Viçosa, Brasil.

Nguyen, T. T. H. and T. T. T. Pham. 2016. Incorporating ancillary data into Landsat 8 image classification process: a case study in Hoa Binh, Vietnam. Environ Earth Sci 75, 430. [En línea] Disponible en https://link.springer.com/article/10.1007/s12665-016-5278-1 (consultado 12 agosto 2020).

Noonan, M. 1999. Classification of fallow and yields using Landsat TM data in the sugarcane lands of the Herbert River catchment. Herbert Resource Information Centre.

Ostengo, S.; M. A. Espinosa; J. V. Díaz; E. R. Chavanne; D. Costilla y M. Cuenya. 2014. Distribución de variedades comerciales de caña de azúcar en la provincia de Tucumán, R. Argentina. Avance Agroindustrial 35 (4): 10-14.

Romero, E. R.; J. Scandaliaris; P. A. Digonzelli; M. F. Leggio Neme; J. A. Giardina; J. Fernández de Ulivarri; S. D. Casen; M. J. Tonatto y L. P. G. Alonso. 2009. Capítulo 1: La caña de azúcar, características y ecofisiología. En: Romero, E. R.; P. A. Digonzelli y J. Scandaliaris (Eds.), Manual del cañero, EEAOC. Argentina, pp.13-21.

Rudorff, B. F. T. and G. T. Batista. 1990. Yield estimation of sugarcane based on agrometeorological spectral methods. Remote Sensing of Environment 33 (3):183-192.

Silva Dias, B. A.; L. Castro Brumano Vicoso e J. Dos Santos Rosendo. 2017. Atualização da área plantada com cana-de-açúcar no município de Ituiutaba-MG no ano de 2015 com imagens da série Landsat. En: Actas Simpósio Brasileiro de Sensoriamento Remoto (SBSR), XVIII, Santos, SP Brasil, pp. 2323-2330.

Sobrino, J. A.; N. Raissouni; Y. Kerr; A. Olioso; M. J. López-García; A. Belaid; M. H. El Kharraz; J. Cuenca y L. Dempere. 2000.Teledetección. Sobrino, J. A. (Ed.), Servicio de Publicaciones, Universidad de Valencia. Valencia, España.

Soria, F.; C. Fandos y J. Scandaliaris. 2000. Determinación por imágenes satelitales del área cultivada con citrus y granos, y producción de caña de azúcar. Rev. Ind. y Agríc. de Tucumán 77 (1): 49-69.

Soria, F.; C. Fandos; J. Scandaliaris; M. Morandini yD. Perez. 2007. Evaluación de los datos del sensor ASTER para estimar la superficie cultivada y los niveles de producción de caña de azúcar en Tucumán, Argentina. Rev. Ind. y Agríc. de Tucumán 84(1): 23-26.

Veiga de Camargo, F.; F. De Carvalho Alves; M. Goussain; J. Campos Moraes y R. De Cassia Santos Goussain. 2015. Spectral signature of Diatraea saccharalis attack in sugarcane using Landsat 8 image and in-situ data. En: Actas Simpósio Brasileiro de Sensoriamento Remoto (SBSR), XVII, Joao Pessoa, Brasil, pp. 4322-4328.

Volante, J.; P. Benedetti; H. Paoli; R. Moreno y D. Fernandez. 2004. Monitoreo de cultivos del Noroeste Argentino a partir de Sensores Remotos. Campaña Agrícola 2004 – CAÑA DE AZUCAR. [En línea]. Disponible en: https://inta.gob.ar/sites/default/files/script-tmp-informe_final_caa2004.pdf. Argentina. (consultado 20 junio 2017). INTA, EEA SALTA.

Zuccardi, R. B. y Fadda, G. S. 1985. Bosquejo Agrológico de la Provincia de Tucumán. Miscelánea 86. 63 p. Facultad de Agronomía y Zootecnia de la U.N.T. Tucumán. Argentina.

Descargas

Publicado

28/06/2021

Cómo citar

Fandos, C., Gandini, M. L., & Soria, F. J. (2021). Eficacia de diferentes métodos de clasificación de imágenes Landsat 8 OLI y TIRS para inventarios en el área cañera del departamento Lules, Tucumán, R. Argentina. Revista Industrial Y Agrícola De Tucumán, 98(1), 21–31. Recuperado a partir de https://publicaciones.eeaoc.gob.ar/index.php/riat/article/view/46

Número

Sección

Artículos Científicos

Categorías

Artículos más leídos del mismo autor/a