Procesamiento de imágenes espectrales y aprendizaje profundo para la identificación de cultivo de arroz

Resumen

El monitoreo preciso de los ciclos agrícolas es necesario para garantizar la seguridad alimentaria y optimizar la gestión de recursos hídricos en regiones productoras de cereales. Esta investigación aborda la problemática de la clasificación automatizada de coberturas vegetales mediante el diseño y validación de un modelo avanzado de identificación de cultivos de arroz basado en el aprendizaje profundo y el procesamiento de imágenes satelitales multiespectrales. La metodología empleó una arquitectura de red neuronal convolucional, U-Net, optimizada para la segmentación semántica de datos geoespaciales provenientes de la misión Sentinel-2. Se procesaron tensores de entrada compuestos por cuatro bandas espectrales estratégicas, lo que permitió a la red generar máscaras binarias de alta precisión asociadas exclusivamente a las regiones de producción arrocera. El estudio integró una fase comparativa donde se evaluaron diversas configuraciones de hiperparámetros para determinar la arquitectura de mayor convergencia. Los resultados experimentales mostraron un rendimiento sobresaliente del modelo durante la fase de entrenamiento, con una exactitud del 92,3 %. Asimismo, la robustez de la segmentación fue validada mediante la métrica de Intersección sobre la Unión (IoU) con un 86 % y un coeficiente Dice del 89 %, valores que superan los umbrales convencionales en la identificación de cultivos complejos. Se concluye que la integración de arquitecturas U-Net con datos multiespectrales de libre acceso constituye una herramienta técnica viable y escalable para la teledetección agrícola de precisión. Estos resultados permiten proponer el modelo desarrollado como una solución eficiente para el inventario de cultivos a gran escala, como soporte para la toma de decisiones gubernamentales y la predicción de cosechas en entornos climáticos variables.