Descripción
El monitoreo del crecimiento de los cultivos es importante para poder evaluar la producción de alimentos, optimizar el uso de tierra y contribuir a la formulación de políticas agrícolas. Los métodos de teledetección basados en sensores ópticos y/o de radar se han convertido en un medio importante para extraer información sobre los cultivos. Los datos ópticos están relacionados con las propiedades químicas de la vegetación, mientras que los datos de radar están relacionados con la estructura y la humedad de la vegetación. Radar también puede obtener imágenes de la superficie de la Tierra a pesar de la nubes o sin importar si es de día o de noche.
Esta capacitación avanzada de tres partes está basada en capacitaciones agrícolas de ARSET anteriores. Aquí presentamos técnicas de teledetección de radar más avanzadas usando polarimetría y un modelo dinámico de la estructura del dosel para monitorear el crecimiento de los cultivos. Esta capacitación también cubrirá cómo aplicar métodos de aprendizaje automático para clasificar tipos de cultivos usando una serie temporal de imágenes de Sentinel-1 y Sentinel-2. Esta serie incluirá ejercicios prácticos usando la plataforma de aplicaciones de Sentinel (Sentinel Application Platform o SNAP) y código de Python escrito en Python Jupyter Notebooks, un entorno de desarrollo interactivo basado en línea para computación científica y aprendizaje automático.
Esta capacitación es una colaboración entre ARSET, el Centro de Agricultura y Agroalimentación de Canadá (AAFC), La Agencia Espacial Europea (ESA), La Universidad de Stirling, La Universidad de Liubliana, y el Grupo de Trabajo sobre Capacitación y Democracia de Datos (WGCapD) del Comité de Satélites de Observación de la Tierra (CEOS).
Esta capacitación también está disponible en inglés.
- Fundamentos de la Percepción Remota (Teledetección)
- Introducción al Radar de Apertura Sintética
- Clasificación de Cultivos Agrícolas con Radar de Apertura Sintética y Teledetección Óptica
- Mapeo de Cultivos y sus Características Biofísicas con SAR Polarimétrico y Teledetección Óptica
Software Necesario:
- SNAP
- PolSARpro
- QGIS
- Jupyter
Al final de esta capacitación los participantes podrán:
- Monitorear el crecimiento de los cultivos con datos de series temporales polarimétricas de Sentinel-1 SAR
- Analizar el crecimiento de los cultivos usando un modelo dinámico de la estructura del dosel y series temporales de imágenes de Sentinel-1
- Clasificar tipos de cultivos usando una serie temporal de imágenes de radar y ópticas (Sentinel-1 y Sentinel-2)
Este webinar está dirigido a organizaciones locales, regionales, federales (centrales) y no gubernamentales de agencias relacionadas con la agricultura y la seguridad alimentaria para que utilicen datos de teledetección de radar y óptica en el ámbito de la agricultura para el mapeo y monitoreo de cultivos.
- Tres sesiones de dos horas y media
- La sesión matutina será en inglés: 10:00 AM – 12:30 PM Hora Este de EE.UU. (16:00 – 18:30 CET)
- La sesión de la tarde será en español: 13:00 – 15:30 Hora Este de EE.UU. (19:00 – 21:30 CET)
Instructores: Sean McCartney y Erika Podest
Instructores Invitados: Armando Marino (Universidad de Stirling)
- Identificación de cultivos con series temporales de SAR Polarimétrico (PolSAR) de Sentinel-1 usando Random Forest y otros algoritmos de aprendizaje automático en Python Jupyter Notebook
- Preguntas y respuestas
Opcional para la 1ra Parte: Aunque no es un prerrequisito, en la 1ra Parte va a haber una demostración de Python Jupyter Notebooks usando Anaconda Distribution para identificar cultivos con datos de series temporales de SAR polarimétrico (PolSAR).
Si desea replicar la demostración de la 1ra Parte, por favor siga las instrucciones para el software aquí provistas para instalar Anaconda en su máquina.
La grabación de esta demostración estará disponible dentro de 48 horas después de la presentación para que usted la haga a su propio ritmo.
Materiales:
Instructores: Sean McCartney y Erika Podest
Instructores Invitados: Krištof Oštir y Matej Račič (Universidad de Ljubljana)
- Detección de tipos de cultivos con aprendizaje automático y datos de series temporales de imágenes de Sentinel-1 y Sentinel-2
- Preguntas y respuestas
Opcional para la 2da Parte: Aunque no es un prerrequisito, en la 2da Parte va a haber una demostración de cómo detectar el tipo de cultivo con aprendizaje automático y datos de series temporales de imágenes de Sentinel-1 y Sentinel-2 .
Materiales:
Instructores: Sean McCartney y Erika Podest
Instructores Invitados: Heather McNairn, Emily Lindsay y Xianfeng Jiao (AAFC/AAC)
- Monitoreo del crecimiento de los cultivos usando un modelo dinámico de la estructura del dosel y series temporales de imágenes SAR de Sentinel-1
- Preguntas y respuestas
Opcional para la 3ra Parte: Aunque no es un prerrequisito, en la 3ra Parte va a haber una demostración del monitoreo del crecimiento de los cultivos usando un modelo dinámico de la estructura del dosel y series temporales de imágenes de Sentinel-1. Si desea replicar la demostración de la 3ra Parte, por favor:
Quienes asistan necesitarán tener acceso a Google Drive y Google Colab. Para poder acceder a estos recursos, deben usar un correo que termine en ‘gmail.com’.
Materiales:
- Diapositivas de la Presentación
- Carmen_CornForRegression.csv
- SLC Data
- SCL metadata
- Tarea (25 de abril de 2023)
- Transcripción de Preguntas y Respuestas
