Estimación de la producción de fruto o cosecha utilizando técnicas de machine learning sobre imágenes de satélite, para la construcción de un explorador que permita estimar el potencial energético de biomasa residual agrícola

Abstract

Tras la pandemia del COVID-19 se observó que múltiples comunidades vulnerables sufrieron especialmente debido a no tener una independencia energética que les permitiera afrontar de mejor manera todos los problemas que la pandemia trajo consigo. Debido a esto, es de gran importancia apoyar a estas comunidades de forma que puedan alcanzar esta independencia energética. En buscar de dar apoyo surge entonces el Proyecto de Cooperación Triangular, que busca impulsar la reactivación económica de estas zonas mediante mapas interactivos de potencial energético para así poder tomar mejores decisiones en cuanto a la construcción y ubicación de plantas energéticas. En concreto, este proyecto se centrará en apoyar el desarrollo de una prueba de concepto para un explorador de Biomasa la cual permita identificar ciertos cultivos y a partir del área de cobertura identificada estimar los residuos de biomasa y con estos estimar el potencial energético. Específicamente, el objetivo de este proyecto fue crear modelos de machine learning que permitan identificar si un píxel, de una imagen satelital de Sentinel-2, es palma de aceite o no, ya que la prueba de concepto se centrará en este cultivo. Como resultado del proyecto se obtuvo un modelo de XGBoost entrenado con todas las bandas provistas por sentinel-2, 4 índices de vegetación calculados y 3 máscaras de textura. Este modelo se obtuvo tras probar diversos modelos, ajustarlos usando validación cruzada y analizar diferentes técnicas de pre-procesamiento de las imágenes encontradas en la literatura. Tras validar el modelo se concluyó que si bien sirve como apoyo a una primera prueba de concepto también cuenta con varios aspectos a mejorar que serán relevantes para un trabajo futuro.