Crop Type Mapping in Smallholder and Complex Agricultural Landscapes Using Multi-Temporal Sentinel-2 Imagery on the Google Earth Engine Platform

Imagina intentar clasificar una caja gigante y desordenada de LEGO donde cada pieza se ve casi idéntica, pero algunas deberían ser coches rojos y otras camiones azules. Ahora, imagina hacer esto no con tus manos, sino desde el espacio, mirando hacia abajo a una colcha de retazos de granjas donde los diminutos campos están enredados entre sí como un nudo de lana. Este es el desafío del "mapeo de tipos de cultivos" en la agricultura de pequeña escala. Los científicos usan satélites para tomar fotos de la Tierra, pero cuando los agricultores plantan diferentes cultivos uno al lado del otro en parcelas pequeñas e irregulares, los colores (o "firmas espectrales") de las plantas a menudo se mezclan. Es como intentar distinguir la diferencia entre una fresa y una frambuesa solo mirando una foto borrosa desde una milla de distancia. Para resolver esto, los investigadores necesitan ser inteligentes sobre cuándo toman la foto. Así como una oruga se ve diferente a una mariposa, los cultivos cambian su "atuendo" (color y forma) a medida que crecen a través de las estaciones. Al esperar el momento perfecto en el ciclo de vida de la planta y usar computadoras potentes para analizar los datos, los científicos pueden desenredar el lío y ver exactamente qué está creciendo dónde. Esto importa porque saber qué cultivan los agricultores nos ayuda a gestionar el agua, predecir el suministro de alimentos y proteger el medio ambiente.

---

La Gran Historia del Detective de Cultivos: Desenredando el Rompecabezas Agrícola de Irán

En el corazón de la provincia de Chaharmahal-Va Bakhtiari, en Irán, se encuentra el condado de Saman, un lugar famoso por sus almendros y duraznos. Pero aquí está el truco: el paisaje es un caos hermoso. Imagina una ensalada gigante donde los huertos de árboles frutales se mezclan con campos de trigo, arroz y cebada, todo apretado en parcelas diminutas e irregulares. Para un satélite que mira hacia abajo, esto parece un confuso borrón verde. Los árboles y los cultivos de grano a menudo se ven tan similares que las fotos satelitales estándar no pueden distinguirlos. Es como intentar identificar a una persona específica en una multitud donde todos visten la misma sudadera verde.

Un equipo de investigadores decidió descifrar este código usando un patio de juegos digital superpotente llamado Google Earth Engine (GEE). Piensa en GEE como una biblioteca masiva basada en la nube que contiene casi todas las fotos que los satélites Sentinel-2 han tomado jamás. En lugar de descargar terabytes de datos a una sola computadora, los investigadores usaron este gigante de la nube para filtrar años de imágenes instantáneamente.

El "Cuándo" Importa Más que el "Qué"

El primer gran obstáculo fue el tiempo. Si tomas una foto de un duraznero y un campo de trigo en pleno invierno, ambos se ven marrones y latentes. Si tomas una foto a principios de la primavera, ambos podrían verse como manchas verdes genéricas. Los investigadores se dieron cuenta de que, para distinguirlos, tenían que atraparlos en el momento exacto en que sus "personalidades" divergían.

Trataron a los cultivos como actores en un escenario, cada uno con su propio horario. Algunos cultivos, como las cerezas y las nueces, alcanzaron su punto máximo temprano en el verano (mayo a julio) y luego comenzaron a desvanecerse a medida que eran cosechados. Otros, como los duraznos y los almendros, fueron los que florecieron tarde, manteniéndose silenciosos en el principio del verano y luego explotando con un crecimiento verde en agosto y septiembre. Las uvas fueron las constantes, creciendo lenta y steadily durante toda la temporada.

Para encontrar el momento perfecto para tomar la foto, el equipo utilizó una herramienta matemática llamada índice de Divergencia Transformada (TD). Puedes pensar en el TD como un "medidor de diferencia". Mide qué tan diferentes se ven dos grupos de cultivos entre sí. Si el medidor marca bajo, los cultivos se ven demasiado similares (malo para clasificar). Si marca alto, se ven distintos (excelente para clasificar).

Al ejecutar este "medidor de diferencia" en datos mensuales de 2020 a 2022, descubrieron una ventana dorada: de mayo a septiembre. Durante estos cinco meses, los cultivos estaban en su punto más distintivo. El "medidor de diferencia" mostró que los cultivos se estaban separando claramente, haciendo posible distinguir un duraznero de un campo de trigo con alta confianza. Descubrieron que no necesitaban cada una de las fotos disponibles; solo cinco instantáneas mensuales cuidadosamente elegidas fueron suficientes para hacer el trabajo, reduciendo el volumen de datos en aproximadamente un 6 \text{0}% mientras mantenían la precisión por las nubes.

Añadiendo la Pista de la "Topografía"

Pero incluso con el tiempo perfecto, algunos cultivos todavía se veían demasiado parecidos. Los almendros y las cerezas, por ejemplo, o las nueces y las manzanas, pueden verse muy similares desde el espacio. Así que los investigadores añadieron un arma secreta: la topografía.

Imagina el paisaje como un pastel gigante e irregular. Algunas partes son planas, otras son empinadas, y algunas miran hacia el sol mientras otras se esconden en la sombra. Los investigadores se dieron cuenta de que diferentes cultivos tienen "lugares favoritos" específicos en este pastel.

• El arroz solo crece en los lugares bajos y planos donde el agua se acumula (como una bañera inundada).
• Los duraznos aman las laderas soleadas orientadas al sur.
• Las nueces prefieren los lados más frescos orientados al norte para mantener la humedad.
• Los almendros son resistentes y pasan el rato en las laderas calientes y secas del sur a elevaciones más altas.

Al alimentar a la computadora con un mapa de la altura del terreno (DEM), la pendiente y la dirección (aspecto), los investigadores le dieron al algoritmo una "memoria geográfica". Ya no estaba simplemente adivinando basándose en el color; estaba diciendo: "Este parche verde está en una colina empinada orientada al norte, así que probablemente sea una nuez, no una manzana". Esta capa adicional de información ayudó a desenredar los cultivos que todavía se veían demasiado similares.

El Algoritmo Mágico: Random Forest

Con el tiempo perfecto y las pistas topográficas en mano, el equipo utilizó un algoritmo de aprendizaje automático llamado Random Forest (RF). Si imaginas un bosque de tomadores de decisiones, cada uno haciendo una pregunta simple como "¿Es mayo?" o "¿Es la pendiente pronunciada?", el Random Forest es una multitud de cientos de estos tomadores de decisiones votando juntos. Debido a que tantos "árboles" están votando, la decisión final es increíblemente inteligente y resistente a los errores.

Entrenaron este bosque digital utilizando 1,500 puntos del mundo real que visitaron en el terreno con dispositivos GPS. Le mostraron a la computadora el 70% de estos puntos para aprender los patrones, y luego la probaron con el 30% restante para ver si podía adivinar correctamente sin ayuda.

Los Resultados: Una Tasa de Éxito del 95%

El resultado fue un mapa asombrosamente preciso de todo el condado. La computadora identificó correctamente los tipos de cultivos el 95% de las veces. Ese es un éxito masivo para un paisaje tan desordenado y complicado.

• Los almendros fueron los reyes de la colina, cubriendo más del 65% de las tierras de cultivo.
• Los duraznos y las nueces ocuparon el segundo y tercer lugar.
• Los cultivos anuales como el arroz y el trigo/cebada fueron las piezas más pequeñas y dispersas del rompecabezas.

Los investigadores incluso verificaron su trabajo con los registros oficiales del gobierno (el Anuario Estadístico Agrícola). El mapa que crearon coincidía casi perfectamente con las cifras del gobierno, con un puntaje de correlación de 0.96. Esto significa que el mapa no era solo una imagen bonita; era una herramienta confiable que podía usarse para contar los cultivos con precisión.

Por Qué Esto Importa

Este estudio demuestra que no necesitas un sistema supercomplejo y costoso para mapear granjas pequeñas y desordenadas. Al combinar un tiempo inteligente (esperar a la estación adecuada), conocer el relieve de la tierra (topografía) y usar una poderosa computadora en la nube, puedes desenredar incluso los paisajes agrícolas más confusos.

Los investigadores demostraron que al filtrar las casas y los ríos (que pueden parecer cultivos y confundir a la computadora) y enfocarse en los meses específicos cuando los cultivos se ven más diferentes, se puede obtener una imagen clara de lo que se está cultivando. Esto ayuda a los planificadores locales a gestionar mejor el agua, predecir las cosechas y asegurar que la tierra se utilice de manera sostenible. Es un recordatorio de que, a veces, la mejor manera de ver el bosque entero es esperar a la estación adecuada y mirar los árboles desde el ángulo correcto.