Monitorización De La Caña De Azúcar En Brasil
Brasil es el primer exportador de azúcar del mundo, suministrando cerca del 50% de todo el azúcar del mundo. Las empresas agrícolas y los agricultores individuales elaboran el producto a partir de la caña de azúcar. El cultivo también se utiliza para producir etanol, un combustible renovable.
En este caso de estudio, descubriremos cómo EOS Data Analytics llevó a cabo un proyecto a medida sobre la monitorización de la cosecha de caña de azúcar para una empresa brasileña.
Descripción: La Producción De Azúcar En Brasil
Las empresas agrícolas del país empezaron a pasar de la quema manual de la precosecha, anticuada, costosa y perjudicial para el medio ambiente (quemar las hojas y las sumidades de la caña de azúcar, dejando sólo los tallos portadores de azúcar) a la cosecha de caña verde. Este enfoque alternativo consiste en utilizar máquinas con ventiladores para limpiar las hojas y las copas de los tallos, dejando la biomasa en el suelo para restaurar la tierra. Gracias a este cambio, los agricultores pueden agilizar las operaciones en el campo y la cosecha durante el año, incluida la temporada de lluvias. La aceleración de las actividades de producción de azúcar es especialmente oportuna dada la creciente demanda de alimentos y el mayor consumo de azúcar que conlleva. Pero los nuevos métodos de cultivo de caña de azúcar y su recolección requieren la adopción de tecnologías que permitan evaluar la producción y monitorizar continuamente las tierras de cultivo para detectar a tiempo los cambios.
Problema: La Intensidad De La Mano De Obra Necesaria Y El Alto Coste De Las Inspecciones Manuales En El Campo, Y La Monitorización De La Cosecha En El Terreno
Cuando se trata de monitorizar la cosecha a nivel regional o nacional, se necesita un método que solvente el problema de la limitación de cobertura de la monitorización con drones y sus inconvenientes, como los elevados costes de mantenimiento de los equipos de navegación de la maquinaria agrícola, asociados a la monitorización de la cosecha en tierra. El uso de datos satelitales para monitorizar el progreso de la cosecha en grandes áreas de campos de caña de azúcar puede ser una solución racional. Determinar las fechas de cosecha a nivel de campo es uno de los proyectos en los que EOS Data Analytics ha estado trabajando para un cliente brasileño.
Solución: Monitorización De Las Fechas De Cosecha Y Cálculo De Las Áreas Cosechadas Mediante Datos Satelitales, Meteorológicos Y Agronómicos
EOSDA calculó las fechas de cosecha y las áreas cosechadas para una empresa brasileña que necesitaba esta información para programar y optimizar sus operaciones logísticas. Este fabricante de azúcar gestiona campos en el estado de São Paulo, que representa el 60% de la producción de caña de azúcar del país.
El equipo estuvo trabajando en el proyecto piloto en 2019-2020 utilizando registros a partir de 2018 (es el año en que se plantó la caña de azúcar en los campos monitorizados).
El desarrollo de algoritmos para la monitorización de la cosecha de la caña de azúcar se justificó por la singularidad del cultivo y la diferencia de las señales de la cosecha en comparación con los cultivos de cereales.
La caña de azúcar se planta dos veces al año, en invierno (agosto-septiembre) y en verano (febrero-abril) en suelos muy húmedos. La planta crece durante un año o año y medio. En la mayoría de los casos, los agricultores cosechan la caña de azúcar cuando todavía está verde y durante los periodos secos del invierno, cuando la concentración de sacarosa en las plantas es más alta.
Los especialistas construyeron dos algoritmos independientes basados en árboles de decisión; el algoritmo 1 era adecuado para analizar series temporales de datos ópticos multiespectrales de Sentinel-2, mientras que el algoritmo 2 se utilizó para analizar series temporales de datos de radar de satélite de Sentinel-1 en combinación con datos ópticos.
EOSDA Crop Monitoring
Acceda a imágenes de satélite de alta resolución para conseguir una gestión eficaz de sus campos.
La decisión de utilizar ambos tipos de datos de satélite se basó en sus propiedades y en la disponibilidad parcial de los datos ópticos.
Los datos ópticos son una buena opción, ya que la caña de azúcar se cosecha cuando está verde. Además, entre los pros están el tiempo de revisita frecuente del satélite (cinco días) y la alta sensibilidad de los coeficientes de reflexión en las bandas espectrales a los cambios de vegetación dentro de los campos. La desventaja de las imágenes ópticas es que la nubosidad y la bruma no permiten captar las características espectrales de los distintos canales utilizados en el análisis. Es entonces cuando los datos del radar resultan útiles. Además, las imágenes de satélite de radar nos dan una mayor ventana de oportunidad porque podemos determinar el cambio de textura del campo. Por ejemplo, después de una cosecha, queda una zona de raíces en el campo (residuos de la cosecha), y su altura y estructura ya no son las mismas. El inconveniente de utilizar datos de radar es su resolución temporal: entre 10 y 12 días.
Uso de datos ópticos. Para determinar la fecha de la cosecha utilizando series temporales de datos ópticos del satélite Sentinel-2, los especialistas analizaron las imágenes con el índice NDVI, ya que con él se aprecian las diferencias entre la reflectancia espectral de la vegetación verde, los residuos de los cultivos y el suelo sin vegetación. Los valores del índice aumentan gradualmente durante el crecimiento de la planta y disminuyen bruscamente después de la cosecha. Y como los campos de caña de azúcar se cosechan por partes (5-10 ha cada una), los campos grandes se dividieron en parcelas cuadradas para que la disminución del índice fuera más detectable.
Las mejores estimaciones de las áreas cosechadas por mes se obtuvieron para el período de marzo a agosto de 2018, cuando el porcentaje de píxeles nublados era inferior al 45% del área de la imagen.
Uso de datos SAR. Las imágenes de radar pueden utilizarse para aclarar las fechas de cosecha determinadas en base a los datos ópticos y, como hemos mencionado, para especificar las fechas de cosecha cuando las cámaras de los satélites ópticos no pueden captar las características espectrales de los canales necesarios debido a la nubosidad.
Para monitorizar la cosecha a partir de los datos SAR, utilizamos series temporales de coherencia generadas a partir de las imágenes de Sentinel-1 IW SLC. Una baja coherencia coincide con el periodo en el que se realizan los trabajos de cosecha. La coherencia crece rápidamente al finalizar la cosecha debido al suelo desnudo o a la escasa vegetación.
Además de datos de satélite, el equipo utilizó el calendario agrícola (fechas de siembra de la caña de azúcar) y datos meteorológicos, ya que su uso conjunto permite obtener un resultado más preciso.
Para calcular el tamaño de los campos cosechados, el equipo utilizó un mapa vectorial que contenía polígonos, cada uno de una superficie específica, y definió los cambios dentro de los límites de los campos utilizando imágenes de satélite de los mismos.
Con esta tecnología, podemos constatar la cosecha parcial de un campo si es necesario.
Resultado: Definición Del Estado De La Cosecha, Las Fechas Y La Superficie Cosechada De 30 Campos
El equipo preparó un mapa vectorial digital con 30 campos específicos divididos en 574 parcelas, el estado de su cosecha, la superficie cosechada y las fechas de cosecha. La superficie total de los campos fue de 3.745 ha. Los territorios cosechados identificados mediante interpretación visual coinciden con el algoritmo basado en datos ópticos (algoritmo 1) en un 97% y con el algoritmo basado en datos ópticos y de radar (algoritmo 2) en un 90%.
Los científicos lograron una mayor precisión en la definición de las fechas de cosecha cuando trabajaron con datos ópticos porque el tiempo de revisita del satélite Sentinel-2 era más corto (5 días) que el de Sentinel-1 (10-12 días). Por lo tanto, estaba justificado utilizar los datos obtenidos tanto por los satélites ópticos como por los de radar.
Una vez finalizado el proyecto piloto en 2020, el cliente solicitó monitorizar el progreso de los trabajos de cosecha en otra provincia.
Acerca del autor:
Natalia Ivanchuk tiene un máster en Matemáticas aplicadas en la Universidad Nacional de Ingeniería del Agua y del Medioambiente. Es autora de más de 60 publicaciones científicas, monografías y otros trabajos científicos. Su experiencia y constante deseo de aprender diferentes lenguajes de programación (C++, C#, JavaScript, Python) ha sido muy beneficioso para EOS Data Analytics.
Artículos recientes
Mercados De Carbono: Tipos Y Cómo Funcionan
Los mercados de carbono son donde ecología y economía se juntan. Descubra cómo estos mercados incentivan la reducción de emisiones y por qué la agricultura es clave en una economía baja en carbono.
Agribest Confirma Su Investigación Con Teledetección
EOSDA Crop Monitoring está ayudando a Agribest a confirmar y fortalecer sus datos y mostrar los efectos de sus productos a sus clientes e impulsar la innovación en la agricultura mexicana.
Fertilizantes Fosfatados: Tipos E Impacto En Las Plantas
Clave para optimizar el rendimiento y calidad de los cultivos, los fertilizantes fosfatados son indispensables en la agricultura. Conozca sus tipos, métodos de aplicación e impacto medioambiental.