El sistema de aprendizaje automático usado por CropID integra imágenes satelitales multiespectrales (de Deimos-1 y UK-DMC-2 con 22m de resolución), propiedades del suelo y características físicas del terreno. Los algoritmos de procesado de imágenes son usados para dividir los cultivos en función de su textura y reflectancia espectral, en base a un estudio de “realidad sobre el terreno”. Las imágenes satelitales obtenidas a lo largo del año permiten al sistema adquirir conocimiento sobre qué areas son adecuadas para cultivos específicos.

Los beneficios del uso del enfoque de teledetección adoptado por CropID para dar soporte a la producción de datos estadísticos en zonas agrarias son:

  • Rapidez – se proporciona un mapa de cultivos en la misma temporada de cultivo
  • Bajo coste – la clasificación se obtiene usando datos terrestres limitados y empleando una mayor automatización en la cadena de procesado
  • Precisión – los resultados son más fiables que las técnicas actuales de muestreo y análisis estadístico
  • Accesibilidad – la información de los cultivos es fácil de visualizer y explorar
  • Perspectiva – proporciona nuevas ideas para granjeros, agricultores, investigadores y responsables políticos

La clasificación de cultivos hortícolas es compleja, especialmente si se tiene en cuenta el enorme número de cultivos diferentes que existe y el hecho de que algunos tienen una “firma” muy similar. Los ciclos de crecimiento estacional de la vegetación pueden ser usados para ayudar a diferenciar tipos de vegetación y, potencialmente, tipos de cultivo.

Determinar el momento en el que ocurren fases de crecimiento clave en la vegetación puede ser útil para ayudar a su clasificación, dado que diferentes especies maduran a distinto ritmo. No obstante, un requerimento clave para que el satélite pueda diferenciar cultivos basados en características fenológicas es una alta resolución temporal.

CropID proporciona nuevos conocimientos a agricultores, productores, investigadores y reguladores