spot_img

La publicación agraria líder

jueves, agosto 11, 2022
spot_img
InicioPortada APPInteligencia artificial para tener una ‘foto fija’ del suelo de Castilla y...

Inteligencia artificial para tener una ‘foto fija’ del suelo de Castilla y León

El mapa de cultivos de Castilla y León supone una excelente fuente de información estadística, que permite planificar regadíos y controlar las ayudas agrícolas

El Mapa de Cultivos y Superficies Naturales de Castilla y León es un mapa de cobertura suelo, obtenido a través de imágenes de satélite y actualizado anualmente con dos versiones semestrales. El objetivo es disponer de una cartografía de ocupación del suelo que represente los cambios en los cultivos herbáceos anuales, mayoritarios en la comunidad autónoma, y en las superficies de vegetación natural.

El proyecto comenzó en el año 2013, y desde entonces se han generado mapas desde el año 2011 hasta la actualidad.

Además, desde el 2020 se publicaron dos capas diferenciadas, una con el tipo de cultivo o superficie identificada y otra con el sistema de explotación (secano/regadío) identificado por teledetección.

Para la elaboración del mapa se han usado imágenes de los Satélites Deimos-1 (2011-2016), Landsat 8 (2013-2016), Sentinel-2 (2016-actualidad). A partir de 2017 se han usado imágenes Sentinel-2A y Sentinel-2B lo que conlleva una mejora en la resolución espacial del producto de 20m a 10m.

Para la clasificación se utiliza un algoritmo de aprendizaje automático que usa además otras capas de información accesoria, como son datos LIDAR, la elevación del terreno, la pendiente, la pluviometría media anual, y el uso del suelo clasificado en SIGPAC. Para el aprendizaje se utilizan multitud de bases de datos con información puntual de ocupación del suelo.

El proyecto está liderado por el Instituto Técnológico Agrario de Castilla y León y cuenta con la colaboración de la Consejería de Fomento y Medio Ambiente y la Consejería de Agricultura, Ganadería y Desarrollo Rural para el suministro de casos de entrenamiento.

Este trabajo nos ha permitido formar parte de los consorcios de distintos proyectos de investigación del programa Horizonte 2020 de la Comisión Europea. Entre otros, Sentinels Synergy for Agriculture (SENSAGRI) tuvo como objetivo explotar las capacidades de los sensores ópticos (S-2) y radar (S-1) de los satélites de la constelación Sentinel para el desarrollo de prototipos para la monitorización de la actividad agraria.

Asimismo, es de destacar la importancia que este mapa de gran detalle temático está teniendo en el proceso de los Controles por Monitorización en el ámbito de la gestión de ayudas por superficie de la PAC en Castilla y León.

La precisión global del mapa fue de un 89% para el total de clases consideradas (más de 25 clases de cultivos específicos), siendo en términos generales superior para las clases de cultivos permanentes que para el resto de cultivos y de vegetación natural. En el mapa definitivo de 2021 esta precisión ha alcanzado el 94%.

Asimismo, la precisión obtenida en el Mapa Binario de Regadío Efectivo de Castilla y León en 2021 era de un 96% en su versión provisional.

Regadío efectivo

El mapa elaborado por Itacyl tiene la capacidad de discriminar cultivos herbáceos en regadío, lo que ha permitido obtener una estimación de la superficie efectivamente regada de cultivos herbáceos en todo el territorio de la comunidad autónoma. Desde este año está disponible el visor de datos, un mapa binario de regadío efectivo, que identifica superficie realmente regadas y localizadas por teledetección.

Como recuerdan desde Asaja, desde hace una década el Itacyl recoge en un mapa el uso de toda la superficie de Castilla y León. Se trata de una excelente fuente de información estadística, así como para planificar regadíos y controlar las ayudas agrícolas, entre otras utilidades.

Su precisión es muy alta, de entorno al 89%, y no solo es capaz de distinguir el trigo de la cebada, sino que aporta multitud de detalles. “Y los avances no cesan”, recalcan desde la organización.

ÚLTIMAS NOTICIAS
spot_img
spot_img
spot_img