La delineación de cultivos (Field Boundaries – FB) es una herramienta clave en la agricultura moderna, particularmente en el ámbito de la agricultura de precisión.
Este producto de Planet, parte de sus Planetary Variables, como Crop Biomass, LST, SWC y Forest Carbon (todas ya revisadas en ediciones anteriores de Ojos en La Tierra) utiliza imágenes satelitales de Sentinel-2 y avanzados algoritmos de deep learning para identificar y trazar automáticamente los límites de parcelas agrícolas.
Este proceso permite monitorear el rendimiento de los cultivos, optimizar insumos y mejorar la planificación a largo plazo.
¿Cómo funciona Field Boundaries?
El proceso de delineación se basa en el análisis de imágenes multiespectrales con una resolución de 10 metros. El algoritmo de Planet emplea la similitud espacial, espectral y temporal de los píxeles que pertenecen a un mismo campo para definir con precisión sus bordes.
Este enfoque se soporta en la arquitectura de red neuronal U-Net, que genera mapas de probabilidad que se convierten en polígonos vectoriales que delimitan las parcelas.
Bandas espectrales utilizadas:
- B02 (azul): Ideal para el análisis de cuerpos de agua y calidad del aire.
- B03 (verde): Clave para identificar la salud de la vegetación.
- B04 (rojo): Esencial para evaluar la actividad fotosintética.
- B08 (infrarrojo cercano, NIR): Determina la biomasa y la cobertura vegetal
Especificaciones técnicas del producto
El producto final se entrega como un archivo vectorial GeoPackage, que contiene atributos clave como:
- ID del polígono: Identificador único de cada parcela.
- Área: Superficie del campo en hectáreas.
- MICD (Diámetro máximo de círculo inscrito): Métrica que indica el ancho del campo y su forma.
- Relación perímetro-área: Evalúa la geometría del campo.
- Atributo de calidad (QA): Clasifica la fiabilidad del polígono según su tamaño
Los campos con un MICD inferior a 30 metros se consideran menos confiables debido a las limitaciones de la resolución de 10 metros de Sentinel-2, lo que puede dificultar la identificación precisa de límites en campos estrechos
Fuente: FB superpuestos sobre imágenes de Sentinel 2, cerca de Codogno, Italia, comparación lado a lado
Aplicaciones y beneficios en la agricultura moderna
- Seguridad alimentaria y mitigación del riesgo El acceso a FB junto con imágenes satelitáles casi diarias como las de PlanetScope, permite a los gobiernos y ONGs estimar con precisión los rendimientos agrícolas, lo cual es clave para los sistemas de alerta temprana en regiones vulnerables.
Estas estimaciones ayudan a prevenir crisis alimentarias mediante una gestión anticipada de los recursos y el apoyo en situaciones de emergencia - Comercio de commodities y monitoreo de la cadena de suministro La delineación precisa de cultivos proporciona información esencial para el comercio de productos agrícolas.
Los datos satelitales permiten monitorear las áreas cultivadas y los ciclos de crecimiento, optimizando el análisis de commodities y la logística de la cadena de suministro.
Esto ayuda a mejorar la eficiencia en la distribución, reducir los riesgos y garantizar la trazabilidad del producto desde el campo hasta el mercado - Cumplimiento regulatorio y sostenibilidad La capacidad de mapear con precisión las parcelas agrícolas ayuda a los agricultores a cumplir con normativas sobre sostenibilidad.
Este proceso de delineación facilita el monitoreo de prácticas agrícolas sostenibles y el cumplimiento de estándares globales, como los acuerdos internacionales sobre cambio climático. Además, proporciona una base sólida para las prácticas de agricultura regenerativa - Benchmarking y optimización agrícola La automatización en la generación de límites de parcelas mejora la eficiencia en la comparación de rendimientos agrícolas entre diferentes regiones y temporadas de cultivo. Este proceso permite a los agricultores identificar oportunidades de mejora en sus productos, políticas y prácticas
Impacto global: Más allá del campo
El uso de tecnologías avanzadas como la teledetección y el aprendizaje automático ha transformado la agricultura. El acceso a datos casi en tiempo real desde cualquier parte del mundo permite una gestión eficiente de recursos agrícolas a gran escala, lo que es particularmente valioso en un contexto global de creciente demanda de alimentos.
Validación del producto y desafíos
La validación de la delineación de cultivos se realizó mediante dos grandes conjuntos de datos, ambos utilizados para medir la precisión del algoritmo de Planet. Los resultados muestran un desempeño significativamente mejor en campos de cultivo más grandes, donde los valores de IoU (Intersección sobre Unión) superan el 80%. Sin embargo, el rendimiento disminuye en campos pequeños, pastizales y cultivos permanentes, debido a las limitaciones de la resolución espacial y la falta de datos de entrenamiento específicos para esos entornos.
Otro desafío es la detección de parcelas en regiones áridas, donde los bordes de los campos pueden ser más difíciles de discernir. A pesar de estas limitaciones, la herramienta sigue siendo extremadamente útil para delinear campos agrícolas en entornos bien definidos y para ayudar a agricultores y empresas a optimizar sus actividades a nivel mundial
Para más detalles puedes consultar lo siguientes enlaces sobre la descripción técnica del producto y su validación
Fuente: Animación de FB superpuestos a imágenes de Sentinel 2, cerca de Codogno, Italia
La delineación automática de cultivos mediante imágenes satelitales y algoritmos de deep learning representa un avance transformador en la agricultura de precisión.
Si bien existen algunos desafíos en ciertas áreas, el acceso a datos satelitales de alta calidad está abriendo nuevas oportunidades para una agricultura más sostenible, eficiente y conectada. A medida que la tecnología continúa evolucionando, la capacidad de gestionar recursos agrícolas a gran escala se perfeccionará, permitiendo a los actores del sector maximizar sus rendimientos mientras minimizan su impacto en el medio ambiente.
Autor: Darío Ávila Briceño
Latam Sales Account Executive at Planet | Geocientífico | Imágenes satelitales | GIS | Agtech
