Clasificación de un cultivo de trigo y de cebada mediante imágenes satelitales usando herramientas de aprendizaje automático | Classification of a wheat and barley crop using satellite imagery and machine learning tools | Classificació d'un cultiu de blat i d'ordi mitjançant imatges satel·litàries usant ferramentes d'aprenentatge automàtic

[ES] La seguridad alimentaria constituye uno de los grandes desafíos en Agricultura por la necesidad de aumentar la producción de alimentos en las próximas décadas. Entre los cultivos más importantes a nivel mundial se encuentran los cereales, destacando el trigo y la cebada. De acuerdo con las estimaciones de la FAO, su producción deberá aumentar hasta en un 70% en 2050 para garantizar la suficiencia alimentaria. A esta preocupación, debe añadirse la incertidumbre en los mercados de cereales a nivel mundial por la inseguridad de suministro y por la volatilidad en los precios. Por tanto, resulta necesario conocer la superficie de cultivo y llevar a cabo estimaciones de la producción. La correcta diferenciación entre trigo y cebada reviste especial interés en un escenario marcado por el incremento de la demanda, la variabilidad climática y la necesidad de implementar políticas de uso racional del suelo. Disponer de información espacialmente explícita sobre la distribución de estos cultivos a lo largo de múltiples campañas permite no solo evaluar patrones temporales y espaciales, sino también mejorar los sistemas de predicción de rendimientos y las estrategias de comercialización. El presente Trabajo Fin de Máster tiene como objetivo principal el desarrollo de una metodología para la clasificación precisa de los cultivos de trigo y cebada mediante el análisis de imágenes satelitales multiespectrales. Para ello, se utilizarán datos correspondientes a campañas agrícolas comprendidas entre los años 2021 y 2024 en parcelas localizadas en las provincias de Burgos y Soria. La teledetección aplicada al sector agrícola ha demostrado ser una herramienta de gran valor para el monitoreo, análisis y gestión de los cultivos, permitiendo abordar con mayor eficacia problemáticas relacionadas con la productividad, el uso eficiente de recursos y la sostenibilidad de los sistemas agrarios. En este contexto, la clasificación automática de cultivos a partir de imágenes multiespectrales representa una solución tecnológica avanzada que puede optimizar significativamente los procesos de planificación agronómica y toma de decisiones tanto a nivel nacional como global.

[EN] : Food security is one of the significant challenges in agriculture due to the need to increase food production in the coming decades. Among the most important crops worldwide are cereals, especially wheat and barley. FAO estimates that their output will increase by up to 70% by 2050 to guarantee food sufficiency. In addition to this concern, there is uncertainty in the world cereal markets due to insecurity of supply and price volatility. Knowing the area under cultivation and carrying out production estimates is necessary. The correct differentiation between wheat and barley is of special interest in a scenario marked by increased demand, climate variability, and the need to implement rational land use policies. Having spatially explicit information on the distribution of these crops over multiple seasons makes it possible to evaluate temporal and spatial patterns and improve yield prediction systems and marketing strategies. The main objective of this Master Thesis is the development of a methodology for accurately classifying wheat and barley crops through the analysis of multispectral satellite images. For this purpose, data corresponding to agricultural campaigns between 2021 and 2024 have been used in wheat and barley plots in Burgos and Soria's provinces. Sentinel-2 satellite images were collected in all the reflectance bands of the spectrum. Subsequently, data preprocessing was performed, including atmospheric correction, segmentation by plots, and normalization of the relevant bands. Once the data sets were defined, spectral variables were extracted to identify distinctive characteristics between the crops using Principal Component Analysis. The classification phase was approached by implementing Machine Learning algorithms: Support Vector Machines, XGBoost, K-Nearest Neighbor, and Random Forest. Analyzing correlations between reflectance values made it possible to know the collinearity between the variables studied. With the principal component analysis in the wheat and barley database study, it was possible to select the physical variables with the most significant weight in each component of the analysis. With these Machine Learning analyses, study scenarios were selected from the electromagnetic bands as future variables of the model, which did not correspond to the totality of the bands, thus facilitating the calculation procedure. Of the models studied for the classification of wheat and barley, the best classification was obtained with the SVM model, obtaining an Accuracy of 85.0% in the validation with 20% of the data and 98.2% in the 2024 test at 60 days before harvesting and with variables B6. B8. B8A, B11 and B12. The results obtained with these Machine Learning models made it possible to represent the classification images at the intra-plot level before harvesting the crop.

Moreno Leal, M. (2025). Clasificación de un cultivo de trigo y de cebada mediante imágenes satelitales usando herramientas de aprendizaje automático. https://riunet.upv.es/handle/10251/223960

TFGM