Publication:

Monitorización híper-temporal de olivos con imágenes áreas y deep learning

La monitorización de cultivos de gran extensión es de una gran utilidad para afrontar problemas como el cambio climático o el control de plagas. Sin embargo, se trata de una tarea altamente costosa y resulta inviable realizarla manualmente o con métodos tradicionales. Un ejemplo de ello es el conteo de olivos viejos (antigüedad mayor a 60 años) que desea realizar el gobierno de Navarra para la asignación de subvenciones. Por ello, el objetivo de este trabajo es abordar este problema concreto desde una perspectiva tecnológica en la que mediante el uso de la computación y las últimas técnicas de inteligencia artificial, se pueda monitorizar grandes olivares mediante imágenes aéreas híper-temporales y determinar qué olivos de los existentes en 2020 son viejos, cuales son replantados y cuales nuevos. Para lograr este objetivo, se he realizado un etiquetado manual de ciertos olivares para crear un conjunto de datos con el que entrenar una red neuronal convolucional que sea capaz de segmentar y detectar los olivos en las imágenes aéreas. A continuación, se ha construido una serie temporal para cada olivo con la segmentación obtenida por la red y mediante un algoritmo determinista, se ha clasificado cada serie temporal en “nuevo”, “viejo” o “replantado”.

Large-scale crop monitoring is extremely useful to address problems such as climate change or pest control. However, this is a highly costly task and it is not feasible to do it manually or with traditional methods. An example of this is the counting of old olive trees (older than 60 years) that the government of Navarra wishes to carry out for the allocation of subsidies. Therefore, the aim of this work is to address this specific problem from a technological perspective in which, through the use of computation and the latest artificial intelligence techniques, large olive groves can be monitored using hyper-temporal aerial images and determine which of the olive trees existing in 2020 are old, which are replanted and which are new. To achieve this goal, a manual labelling of certain olive groves has been carried out to create a dataset with which to train a convolutional neural network capable of segmenting and detecting the olive trees in the aerial images. Then, a time series was constructed for each olive tree with the segmentation obtained by the network and using a deterministic algorithm, each time series was classified as “new”, “old” or “replanted”.