Análisis supervisado de imágenes aéreas usando técnicas de aprendizaje profundo aplicado a detección de cultivos tropicales

Abstract

En la actualidad, el enorme volumen de datos accesibles sobre diversas áreas de conocimiento y los modelos matemáticos, junto al poder de procesamiento de los computadores, están dando pie a numerosas aplicaciones que aprovechan la información que se puede obtener a partir del estudio de estos datos, para crear e incluso mejorar procesos realizados por seres humanos. En este sentido, el dominio de aplicación de la agricultura no es una excepción, sino que está emergiendo como línea de desarrollo de software centrado en el tratamiento y el análisis de datos. De manera particular, el análisis de datos provenientes de imágenes de dispositivos de Observación de la Tierra y la tele-detección por sensores remotos está proporcionando un marco de trabajo idóneo donde el uso de las técnicas automáticas de aprendizaje máquina están tomando un papel central. Un ejemplo de este tipo de aplicaciones es el proyecto Green-Senti del I Plan Propio Smart Campus de la Universidad de Málaga, mediante el que se analizan las zonas verdes del campus universitario mediante imágenes multi-espectrales para estudiar su evolución, aprovechando los datos abiertos de los satélites Sentinel 2. Este trabajo de Fin de Grado (TFG) viene motivado por la línea abierta en el proyecto Green-Senti, aunque explorando un enfoque complementario. En concreto, se realiza un servicio de clasi ficación mediante imágenes aéreas de cultivos, gracias a la generación de un repositorio de imágenes etiquetadas y el entrenamiento de un modelo de Redes Neuronales Convolucionales. El análisis llevado a cabo se ha centrado en los cultivos tropicales del Mango y del Aguacate, de gran importancia en la comarca malagueña de la Axarquía. El objetivo es proporcionar a la industria agroalimentaria de aplicaciones novedosas para la traza de la evolución de estos cultivos, de cara al soporte estratégico...