En la sede de CentroGeo Yucatán contamos con grupos de investigadores en diversas áreas como la Geointeligencia Computacional (GIC), los Sistemas Socioecológicos (SSE) y la Percepción Remota (PR).

Los proyectos de esta sede procuran trabajos de investigación conjuntos entre estos grupos.

Una muestra de este trabajo colaborativo que se ha desarrollado entre las áreas de SSE y PR, refiere al monitoreo de sistemas agroalimentarios que se caracterizan por ser contenedores de una gran agrodiversidad.

Este proyecto se enfoca en la milpa Maya, que es el agrosistema tradicional predominante en la Península de Yucatán y que es de gran importancia ambiental, social y cultural en esta región.

La milpa es un mosaico compuesto por una gran diversidad de cultivos y el bosque tropical en la que se encuentra inmersa. Aunado a ello, las parcelas de milpa tienen una superficie promedio de 3 has., ambas características implican un reto para la estimación de la superficie total de este sistema, no sólo en la Península de Yucatán, sino en todo el territorio mexicano.

Este proyecto plantea la posibilidad de identificar y monitorear las zonas de milpa por medio de sensores remotos satelitales de tipo multiespectral (Sentinel-2), incluyendo la alternativa de utilizar sensores satelitales tipo radar, como lo es Sentinel-1.

Es importante destacar que el monitoreo mediante el uso de imágenes satelitales permite estudiar las variaciones espacio-temporales de este sistema, que es de gran importancia para la seguridad alimentaria en la península.

Para este estudio, se ha recurrido a un arduo esfuerzo de nuestro equipo de trabajo. Por una parte, el trabajo de campo permite la obtención de datos georreferenciados reales que corresponden a la localización de diversas parcelas milperas, así como entrevistas a los dueños de estas parcelas para recoger información para la caracterización de cada una de las milpas, como la edad, los cultivos, épocas de cultivo y cosecha.

Estos datos permiten generar los criterios para la selección de las imágenes de satélite que se utilizarán en los análisis posteriores.

La información obtenida en campo permite “entrenar” a rutinas de clasificación basadas en aprendizaje de máquina. En particular, el estudio en cuestión se abordó considerando principalmente la técnica conocida como máquinas de soporte vectorial, un método para clasificar objetos en una imagen, que concibe a las clases como “vectores”, elementos matemáticos que, al ser interpretados como simples puntos, se pueden separar mediante superficies.

Es importante destacar que estudios o investigaciones de esta índole requieren de datos de campo (los polígonos georreferenciados) para propósitos de entrenamiento y validación de las técnicas de clasificación; estos datos no son del todo fáciles de obtener ya que se requiere de una gran cantidad de ellos y, una vez obtenidos, éstos requieren de algunos pre-procesamientos previo a su análisis.

Además, la implementación de los algoritmos de clasificación demanda de tiempo considerable en la interpretación de líneas de código de las rutinas programadas en diversos lenguajes, sumado a la etapa de descarga de las imágenes satelitales y el pre-procesamiento de estas matrices de información, así como la generación de nuevos algoritmos o adaptaciones de los códigos pre-programados, para mejorar la calidad de los resultados al momento de trabajar con determinado tipo de datos.

En efecto, no solo se requiere dominar las herramientas de cómputo, sino también de un amplio conocimiento en detalles técnicos referentes al objeto de estudio (las milpas), el sensor, y los métodos matemáticos involucrados con el procesamiento y la visualización de los resultados, a través de mapas.

Lógicamente, esta demanda de habilidades no puede tomar lugar únicamente en una sola persona o grupo de investigación, se requiere del conocimiento y del talento de varios expertos en distintas áreas.

Aunque esta investigación está todavía en una etapa preliminar, actualmente se están elaborando algunas pruebas con otras técnicas más robustas en el contexto del aprendizaje de máquina y la inteligencia artificial, de las cuales se esperan obtener resultados prometedores ante el problema de investigación previamente citado.

Dada la naturaleza compleja de la milpa, la obtención de una clasificación óptima aún no es posible. Nuestros esfuerzos ahora se están enfocando en solventar estas dificultades mediante la inclusión de datos adicionales de referencia, que permitan incrementar la precisión de nuestros clasificadores. Por ejemplo, la adición de alguna imagen satelital radar (colectada por Sentinel-1), o la implementación conjunta de algoritmos de clasificación alternativos diseñados para esta problemática en particular.

En conclusión, la investigación interdisciplinaria es relevante para desarrollar herramientas robustas de monitoreo y estimación de superficie para un sistema tan importante como lo es la milpa en México.

* Los doctores Alejandro Téllez Quiñones, Juan Carlos Valdiviezo Navarro, Adán Salazar Garibay, son investigadores Cátedra CONACYT, adscritos al área de Percepción Remota del CentroGeo.

Las doctoras María Elena Méndez López y Lilian Juárez Téllez, son investigadoras Cátedra CONACYT adscritas al área de Sistemas Socio-ecológicos.

La doctora Karla Juliana Rodríguez Robayo pertenece a Agrosavia.