Identificación automática de zonas de manejo en lotes productivos agr´ıcolas

13 Pages·2013·0.29 MB·Spanish

Identificacio´n autom´atica de zonas de manejo
en lotes productivos agr´ıcolas
Romina Galarza1, M. Nicol´as Mastaglia1, Enrique M. Albornoz1,3 y C´esar
Mart´ınez1,2
1 Centro de Investigacio´n en Sen˜ales, Sistemas e Inteligencia Computacional
(SINC(i))
Dpto. Informa´tica, Facultad de Ingenier´ıa - Universidad Nacional del Litoral
CC217, Ciudad Universitaria, Paraje El Pozo, S3000, Santa Fe, Argentina
2 Laboratorio de Cibern´etica, Fac. de Ingenier´ıa-Universidad Nacional de Entre R´ıos
3 CONICET, Argentina
[email protected], [email protected],
[email protected] y [email protected]
"
s Resumen LaAgriculturadePrecisio´nproveeunconjuntodeprincipios
a
col yherramientasquepermitenmanejarlavariabilidadespacio-temporalen
grí laproduccio´nagr´ıcola.Dentrodesusincumbenciasesta´laidentificacio´n
a
os de zonas de manejo en un lote productivo. E´stas son subregiones de un
v
cti lote, que poseen caracter´ısticas homog´eneas y para las cuales una pro-
u
d porcio´n de insumos resulta apropiada. El m´etodo desarrollado consiste
o
s pr enunprocesointegradorquecomprendetodalacadenadeidentificacio´n
ote yclasificacio´ndezonasdemanejo.Enprimerlugar,permitefusionaren
n l una estructura comu´n, datos de entrada georreferenciados provenientes
e
ejo de distintos sensores y con diferentes resoluciones. Luego, un algoritmo
an deagrupamientodelo´gicadifusapermiteidentificaryagrupardiferentes
m
e regiones.Medianteprocesamientodeim´agenessemejoranlosresultados
edu.ar/sinc)a de zonas d amlas´efitcnoodndoeappirdloiecvnaetceiifio´ucnnardarelcodhsoivsboiossrvhdaaerspieadbqeluel.easeszuotnialiszaddeomenanlaesjom.a´Fqiunianlamseangtre´ı,coe-l
h.unl.mátic Palabrasclaves: Zonasdemanejo,clustering,procesamientodeima´genes,
gnals, Systems and Computational Intelligence (ficM. Albornoz & C. E. Martínez; "Identificación autogroinformática (CAI) - 42da. JAIIO, sep, 2013. 1lmqatyupaidu/noe.raoeetmgnmecEomdenuplarIecadoaansncnid,exaeeuteoetglijrtlnmotmrtoopmciodeivder)dzalon.aoidaefnctdDerasuresuuruceeejeeccnoicmlo´nteeicnimybmscxbvit,ietro´oauiaiaenaesdnnnrnm[democ1sfitouh,]oioac.´oispnvieonlyooooneserntpdeaefiuicsoee,chonbssnieatneiedledpc´onrecopoamti.omoremmaoircdpd´apomreouseoaun´lc´erorltldtnetsoacigfirmpnoaiinsnslpiestdietusursaenaemertfdmanoucoecaonsdltaonnoe(sbcerlfdteeorzmerasamonttinqishpoelamuirosozsemraomqqtn.iuoanuatIegmyfleed´eospueinp,renyeeoenstreasestimnefimorpeciedtinoadnlaelsridaunisdblispnam,riiaflsemteiiratie´arealanerairyneztruoaaotlanoessrr,
sinc(i) Research Center for SiR. Galarza, N. Mastaglia, E. 5to Congreso Argentino de A
Elcontinuoavanceyperfeccionamientotecnol´ogicohaposibilitadoquecual-
quier sembradora o pulverizadora disponible en el mercado cuente con un sis-
tema tecnol´ogico de dosis variable que posibilita, mediante una computadora
incorporada, indicar cu´anto fertilizante usar y d´onde se lo debe aplicar. Empre-
sas como John Deere y Case/New Holland implementan en sus maquinarias los
sistemas integrales AMS y AFS respectivamente, que utilizan m´etodos para la
clasificaci´on que requieren un nu´mero preestablecido de ambientes. Para esto se
necesitatenerunconocimientopreviodelascaracter´ısticasdellote,loquepuede
incurrir en el error de sobre o subestimar la cantidad de zonas [2,3].
En el mercado inform´atico existe software comercial de manejo de informa-
ci´on agr´ıcola, como el caso de SSToolbox4 y Farm Works5. Este u´ltimo muestra
detalladamente la representaci´on gr´afica de las distintas variables analizadas,
pero carece de la posibilidad de realizar un an´alisis en profundidad sobre las
posibles zonas de manejo que se encuentran dentro de un lote [4]. El SSToolbox
posee diversas aplicaciones agron´omicas, entre ellas generaci´on, procesamiento
y manejo de informaci´on georreferenciada, an´alisis de la misma y generaci´on de
" recomendaciones de manejo agron´omico. Es un software complejo que delimita
s
ola las zonas de manejo u´nicamente por posici´on de paisaje [5].
c
grí En la Estaci´on Experimental Agropecuaria Paran´a del INTA (Entre R´ıos),
a
os el proceso de delimitaci´on de zonas de manejo se lleva a cabo actualmente en
v
cti varias etapas. Algunas de las mismas constituyen un laborioso trabajo manual
u
d
o y se realiza con el apoyo de software diverso, entre los cuales podemos nombrar:
pr
s MZA (Management Zone Analyst) [6], gvSIG, precesador de textos, procesador
e
n lot dec´alculos.ElsoftwaregratuitoMZAs´olorealizalaclasificaci´oneidentificaci´on
o e de las sub-regiones, lo cual implica el uso de otros programas para el pre y post
nej procesamiento de los resultados. Esto conlleva a una compleja y tediosa tarea
a
m para arribar al resultado final.
e
edu.ar/sinc)a de zonas d eidtaenpEtanisficemastceein´ocntiroadnbeaadljooasss,dedispetrsiednseteonsetlaaimneglbrideeesnsotaersdreoplrlloeossedndetaeutsnosemng´eeutonordrleoofteqeru.eneSceaiaupdtrooemsteahntadiszetaacloalnas
unl.átic esta herramienta unificar o minimizar el uso de diferentes programas a lo largo
ch.om detodoeltrabajo.Adem´as,sedeseaaportaralsectoragr´ıcolayalosusuariosde
d Computational Intelligence (fiE. Martínez; "Identificación autAI) - 42da. JAIIO, sep, 2013. lujpldeaauxsresoopsgAtcdEeeadrgrsulieritbcdmirilct´oeeeoiuensvsentliitnloddtduosdaeadrusltidaesmocyelysdano˜tmegrlsroaeeaPpsoeybruonrrealerdntjyeceoetafialsdesesabirlole´oreuiscrnlnogiuodcoraiuligadblranoadatdaeendddoxnioheszeaildaecddcrmotaeecrosdao´eml.mmaotcoDsoaaiodnneremnoeesuetcrbepaaunsidertriseonaslneotpottnatemsueelclcleniiaaolsgeanltnneaatoenur.sycptarueoLaase,nralstfiestteecsuiiSncnigpeeytuuiacnolraecabtdicleierir´oiln.´m´oıinqaddnFueao.3idmednLlipa,aopaarmlxoameaSispsemmieeejlbncoinbiciczrtltiaiiaaeeat´oc,nrneniltd´oeoleenno2as.l
gnals, Systems anM. Albornoz & C. groinformática (C l45ahhSttettcppc::i´o//n//ww4wwwws..esfsaentrsmcowufoetrnwktasrar.ecn.olcmaosm/csosntcoluosliboonxe.shtymtrabajos futuros.
sinc(i) Research Center for SiR. Galarza, N. Mastaglia, E. 5to Congreso Argentino de A
2. M´etodo propuesto
El m´etodo se divide en varias etapas consecutivas. Se utilizan conjuntos de
datosmultiparam´etricosquesonobtenidosatrav´esdediversossensores,talesco-
moim´agenessatelitalesovariablesmedidasenelcampo(conductividadel´ectrica,
altimetr´ıa, rendimiento, etc.). Esto obliga a fusionar la informaci´on de manera
tal que se adecue a una estructura comu´n mediante t´ecnicas de interpolaci´on,
las cuales establecen los valores que no han sido obtenidos experimentalmente.
El m´etodo busca identificar y agrupar los elementos que poseen caracter´ısti-
cassimilaresatrav´esdelautilizaci´ondelalgoritmodeclusteringdel´ogicadifusa
Fuzzy C-Means [7]. El mismo ser´a validado mediante indicadores que midan la
calidad de la clasificaci´on realizada.
Mediante t´ecnicas de procesamiento digital de im´agenes se filtran los resul-
tados obtenidos en el clustering y se eliminan las zonas que posean un taman˜o
menoraunadeterminadasuperficie.Luegosedetectanlosbordesdecadazona,
para finalmente crear un archivo shape, formato est´andar que reconocen las
"
as m´aquinas agr´ıcolas dedicadas a aplicaci´on de dosis variable en un campo.
ol
gríc Se utiliza el lenguaje de programaci´on C++ para la impletaci´on del m´etodo
s a y adem´as la librer´ıa QT6 para el desarrollo de la interfaz gr´afica del prototipo.
o
v
cti
u
d
o
pr 2.1. Definici´on de los datos de entrada
s
e
ot
n l
o e Los datos de entrada del m´etodo se pueden obtener utilizando diversas tec-
nej nolog´ıastalescomolateledetecci´on(porejemplo,im´agenestomadasporsat´elites)
a
m o medici´on de muestras en el lote (por ejemplo, rendimiento, altimetr´ıa, con-
e
unl.edu.ar/sinc)ática de zonas d dhdenueetbceetesrintvougisdd´eeanirodec.ooesml´ecbcotinnriacddaiaf,esurpenoattreraasc)rr.eeEparrsetusaensnum´tanecidciooicnimeosnoeddsieglcoitoaenlsdepsuacyceinarleasdoecluolacnijgournnieltlsoa,sdladesepcudunaattlooesss
h.m Un inconveniente en el manejo de datos es que cada fabricante de m´aquina
co
gnals, Systems and Computational Intelligence (fiM. Albornoz & C. E. Martínez; "Identificación autgroinformática (CAI) - 42da. JAIIO, sep, 2013. afapeEvdsd6oenaglriengrsorhrmtbtudliobtProraanipteliasvbosebopeteralmlpus:oceorn/uuissslsapdo/oanseproqfqsrtnoodsauttiofraga-ereosimurrtnpricarin(nftmracoepumaocoutgm´ıea,oojxlaurrtarespseseoloprcaealpneseetotrtsrsas.mrpidte.o)bamo´aase.beAirenrfidlbntginaddneidit/tv´eaneeeqaanemrniducerdeins.es´asa´odouEssnpemsoesludslmptr´aeeeeoarsnsdtesospideauptgpcasiesroaactsrraaoesominodmr,gdt.bodereusaPsiaelesatlmoisartplddreeiarzacermosoeaobrttnpeodnpeerncsidaoeeusolirtolcpudemaasicnmeo´odriotriantoaorneen˜o,arsnndotlnutqareseernasultaxaysxpeidipmtnupa,odoecne.´arsridosrtittgagnPtsooaetroivsronnin,pebryelanaaougsnsicudecieGsnnnariynv´´oıfreeta.oncsorleirahaTsgmrdidlteevmieoeffnagom,eceusqqnirall´ouudaaatsneeeesrr.
sinc(i) Research Center for SiR. Galarza, N. Mastaglia, E. 5to Congreso Argentino de A
Formato de los archivos de entrada.
Seutilizancomodatosdeentradalosarchivostxt,dat ycsv queensuinterior
contengan el valor de la coordenada (latitud y longitud con Datum WGS84) y
el valor de la variable en cada punto, separados por coma.
Cadaunodeestosarchivoscontienelasmuestrasdeunavariableenparticular
ysepuedeingresartantosarchivoscomovariablessetenga.Losdatosdentrode
cada archivo se ordenan de la siguiente manera: Longitud, Latitud, Valor.
Encuantoalprocesamientodeim´agenes,setrabajau´nicamenteconim´agenes
georeferenciadas debido a la necesidad de contar con informaci´on de la local-
izaci´on espacial de los p´ıxeles. Este tipo de im´agenes se representa mediante el
formato tiff (GeoTiff, es decir tiff con coordenadas).
2.2. Transformaci´on de coordenadas
Se cuenta con dos grupos diferentes de datos de entrada, por un lado est´an
las im´agenes georreferenciadas con formato GeoTiff representadas mediante co-
"
s ordenadas planas y por otro los datos extra´ıdos de los GPS, que se encuentran
a
col representados en coordenadas geogr´aficas.
agrí Aunquelautilizaci´ondelascoordenadasgeogr´aficasresultadegranutilidad
s
vo en geodesia, su uso resulta inc´omodo para emplearlo en determinadas aplica-
ucti ciones. Teniendo en cuenta que estas coordenadas se expresan en unidades an-
d
pro gulares (grados, minutos y segundos de latitud y longitud), cuando se pretende
es determinardistanciasentrepuntosodireccionesdefinidaspor´estos,sepresentan
ot
n l limitaciones [8].
e
o En efecto, las coordenadas geogr´aficas necesitan una transformaci´on a co-
ej
n ordenadas planas para que todos los datos de entrada queden expresados en
a
m
e un mismo sistema geogr´afico. Esto permite operar r´apida y f´acilmente sobre la
edu.ar/sinc)a de zonas d dcii´osntPaGnarcaaiuapsdsa-esKalrroudsgepecuron[o9tro].dseE.nnadAarsgegneotignra´afisecalsaaadcoooprtd´oeanapdaartsiprldaena1s92se5e[l1i0g]e,ldaapdrooyqeuce-
unl.átic en territorios extendidos en direcci´on Norte-Sur son adecuadas las proyecciones
h.m cil´ındricas transversales.
co
gnals, Systems and Computational Intelligence (fiM. Albornoz & C. E. Martínez; "Identificación autgroinformática (CAI) - 42da. JAIIO, sep, 2013. aad2itlLnaenre.astnc3ltehge.dLESvprriaaveeavusirnoitounceirFarsantrnu,iquoebdeaettualstianrmensaeiaduso´oapenu.plnnnadasedoafesetgsoedtgsielrrrleeareoimenplirsallerllraaldaooaomcsoellscaloeis.eacsssmpdsdmopoacaaooa.cootrcitosooPdaiorbasleaqmdljnrcueedacoaaetnoemdidacevnaaoldue´olsmuoanndu,nsptoenyalsr(taieelaeqfiadnnrducitiamtnsiaaerstttraiurecn(dierdanabapld-doulomaloracoltnaiapse´ocgnlu-noalieantnrssuedctutqohdoeesuli)cvdeviioyeoneannsslgoptotmrdobeareendeetcssistgaioecarasndorddielseeatae)locsmdvsoujuveamaneanlnnsorotpueriolarassadabarapes´alllqieeumdtscuvnoaceaetqditolu´ouarossnnoeesr.
sinc(i) Research Center for SiR. Galarza, N. Mastaglia, E. 5to Congreso Argentino de A
por parte del usuario. Luego se procede a interpolar los nuevos puntos a partir
de la generaci´on de una red irregular de tri´angulos cuyos v´ertices coinciden con
los puntos muestreados. Dicha malla se obtiene mediante la triangulaci´on de
Delaunay. La interpolaci´on de puntos dentro de la topolog´ıa obtenida se realiza
suponiendo que dichos puntos pertenecen a la superficie plana de primer orden
que se apoya en los v´ertices de cada tri´angulo [11]. S´olo se calculan aquellos
puntos del mallado regular que caen dentro de la envolvente convexa que forma
cadavariable.Parainterpolarsepuedeelegirentrelosm´etodosdeinterpolaci´on
que proporciona la librer´ıa CGAL [12]: interpolaci´on Lineal, Cuadr´atica, Farin,
Sibson y Sibson con ra´ız cuadrada.
La salida de esta etapa consiste en un archivo (formato separados por coma)
que contiene todos los puntos del mallado regular. Cada uno consta de su re-
spectivaubicaci´onespacial(x,y)ylosvaloresqueposeecadavariable,obtenidos
en la interpolaci´on.
2.4. Clasificaci´on de las variables
"
s
a
col Una vez obtenido el archivo interpolado se comienza con el proceso de clasi-
agrí ficaci´on e identificaci´on de las zonas de manejo presentes en el lote productivo
s
vo analizado.
ucti El an´alisis de agrupamiento o clustering se define como la tarea de agrupar
d
pro un conjunto de objetos en grupos, de modo que los objetos en el mismo grupo
es son m´as similares entre s´ı (en algu´n sentido) que al resto de los grupos.
ot
n l FuzzyC-Means(FCM)esunm´etododeagrupamientodelestadodelarteen
e
o reconocimiento de patrones [13,14] que ha demostrado su eficacia en este tipo
ej
an de tareas, actualmente utilizado en programas como MZA. El mismo permite
m
e que un dato pertenezca a dos o m´as grupos y se basa en la minimizaci´on de la
unl.edu.ar/sinc)ática de zonas d siguiente funci´on objetivo:Jm =(cid:88)N (cid:88)C umij (cid:107)xi−cj(cid:107)2, (1)
h.m i=1j=1
co
gnals, Systems and Computational Intelligence (fiM. Albornoz & C. E. Martínez; "Identificación autgroinformática (CAI) - 42da. JAIIO, sep, 2013. cfcedcduuelloeannannrptclFdiu´qrideC´oeomuranstMi1deeedrorn<doebsenelenjdmoeglcelrotrlimiseau<vpvpgaouda∞ornequ(at1cupoxej)ecosi,sapsecdebu,oxonenoxrpnl:ire´aıceunlleoassditgnejriraejac=ullucevaptni´e-udsk(cid:88)ots´eaiCoe=smdlji1ipmd,ezi(cid:18)loeaciountcj(cid:107)(cid:107)duniddxx´oaedeaiinsptrt−o−erao1ednsocl,ecdtcci´orkcjeCelen(cid:107)e(cid:107)slano(cid:19)lcldtomaoirismtnfoaceu2−djtarusd1aranoniet,ttztloiqivodsdguoarmeemdudedpepedddeeoiterioddetdpoegro-tmn,rdsiumeuiiymnpnmiijcoazeeiaslnealcsacsyiuie´oeofni|nlanj|tlga·rtdyrola|e,a|.(lddNo2eloaess)
sinc(i) Research Center for SiR. Galarza, N. Mastaglia, E. 5to Congreso Argentino de A
N
(cid:88)
um·x
ij i
c = i=1 . (3)
j
N
(cid:88)
um
ij
i=1
Elprocesosedetienecuandomax (cid:8)|uk+1−uk|(cid:9)<ε,dondeεesuncriterio
ij ij ij
de finalizaci´on entre 0 y 1, mientras que k es la iteraci´on. Este procedimiento
converge a un m´ınimo local.
Todoelprocesodeclasificaci´onserealizaconfigurandolossiguientespar´amet-
ros: exponente difuso, criterio de convergencia, m´aximo nu´mero de iteraciones
y cantidad m´ınima y m´axima de grupos. Adem´as, se calculan tres´ındices que
permiten al usuario realizar una evaluaci´on acerca de la calidad de cada grupo.
Estos se pueden dividir en dos categor´ıas, la primera utiliza s´olo los valores de
pertenencia de la matriz u de la partici´on de datos difusa (PC y PE). El otro
ij
grupo implica tanto la matriz u como el conjunto de datos (XB), los cuales se
ij
"
as explican a continuaci´on.
ol
c El coeficiente de partici´on PC, se define como [15]:
grí
a
vos 1 (cid:88)N (cid:88)C
ucti PC = N u2ij, (4)
d
o i=1j=1
pr
s
ote donde los agrupamientos encontrados tienen mayor separaci´on a medida que
n l PC →1.
e
ejo Elcoeficientedeentrop´ıadelapartici´onPE esotro´ındicedeestacategor´ıa.
n
a Se define como [15]:
m
e N C
edu.ar/sinc)a de zonas d donde el grupo obtenidoPesEm=´asN1de(cid:88)ifi=n1id(cid:88)j=o1cuuiajn·dloogPaEuij→, 0. (5)
h.unl.mátic Sea (cid:80)σi la variaci´on total del conjunto de datos, donde σi es la varianza
d Computational Intelligence (ficE. Martínez; "Identificación autoAI) - 42da. JAIIO, sep, 2013. dsdeoelndide−efi´nedseiijmeelos´ıncdonicjeunXtoB, dcaodmaop[o1dr6i:]j:=σiu=ij(cid:88)j(cid:107)N=x1jd−2ij,ci(cid:107), ((67))
gnals, Systems anM. Albornoz & C. groinformática (C donde dmXinB==mi(ndm(cid:107)πciin−)2,cj(cid:107) ((89))
sinc(i) Research Center for SiR. Galarza, N. Mastaglia, E. 5to Congreso Argentino de A
ylacantidadπ = σ sellamacompactaci´ondelconjuntodedatos.Aqu´ı,valores
N
pequen˜os de XB son esperados para grupos compactos y bien separados.
Todos los resultados obtenidos en esta etapa (resultados de agrupaciones e
´ındices de validaci´on) son guardados en un archivo. Para continuar con la etapa
siguiente es necesario que el usuario indique qu´e cantidad de zonas elige para
diferenciar su lote.
2.5. Procesamiento de im´agenes
En esta etapa se realiza el procesamiento de los resultados del clustering
paraobtenerzonasbiendefinidasyconunasuperficiemayorqueundeterminado
valor.Setrabajacont´ecnicasdeprocesamientodigitaldeim´agenesquecontienen
diferentes m´etodos y algoritmos que manipulan y transforman una imagen en
una sen˜al con informaci´on de utilidad.
Filtrado de im´agenes
"
s
a
ol Se utilizan filtros estad´ısticos de orden: filtros espaciales no lineales cuya
c
grí respuesta se basa en el ordenamiento (ranking) de los p´ıxeles contenidos en una
a
s porci´on de la imagen. Las m´ascaras utilizadas tienen taman˜o de 3×3, 5×5
o
v
cti ´o 7×7 pixeles y, a continuaci´on, se sustituye el valor del p´ıxel central con el
u
d valor que resulte segu´n el criterio de clasificaci´on [17].
o
s pr Seag(x,y)laimagenaprocesaryfˆ(x,y)laimagenresultante,seaplicanlos
e
ot siguientes procesos considerando los pixeles (s,t) de una vecindad S centrada
n l xy
e sobre cada pixel (x,y) original:
o
ej
n
ma Filtro de mediana: reemplaza el valor del p´ıxel por la mediana estad´ıstica
unl.edu.ar/sinc)ática de zonas de doreigloinsavladleolreps´ıxdeel einntfeeˆn(lxsci,´odyma)dp=uetn(os,)ut,)n∈saSexgvyu´emncienddiaadnad{egl(sp,´ıxt)e}l.(incluyendo el v(a1lo0r)
h.m
co Filtro de moda: es el valor ma´s frecuente de la zona, calculado como
gnals, Systems and Computational Intelligence (fiM. Albornoz & C. E. Martínez; "Identificación autgroinformática (CAI) - 42da. JAIIO, sep, 2013. EslielmtnelagiinemruELPtneeaas´agitntrnnoiocaoeaasandacipedfi.eciasu´oelPtcrnbnrmoeitdrogrii´adsafiireosdceslunalogonedsrnr,sauea,anppnqdcuoadeauenrtmreseteesfiliplcbr,ofcjmruˆiusboia(lesiaxrcasntsres,eialms´afiycapdont)ceaoeaddn=qrqoostuetusueses(eeispnese,ptcnee˜fe)eqeorr∈naqficunSgstucesxuriieivyuesnan˜omt.ppoesoclsoiresedcinsntaaceeo{pralungairgot(ersissmluu,epizpptn´ara)aeeqc}drriue.afielipncfide´ıianxeetiiseqdarlpuuegosriee´dıqtPcooauo.delsiaomn˜Luabapnpsrouoetqrl´geseuciicsoevn(rn1oieincn1e.coas)--
sinc(i) Research Center for SiR. Galarza, N. Mastaglia, E. 5to Congreso Argentino de A
comienza a partir de p´ıxeles iniciales llamados “semillas” y se van incorporando
los p´ıxeles vecinos que cumplen con una propiedad P seleccionada. El criterio
es comprobado sobre una vecindad de 8 vecinos. El proceso termina cuando no
existen m´as p´ıxeles que cumplan con P. De esta manera, se logra identificar a
cada zona junto a la cantidad de p´ıxeles que la conforma, resultando directo el
c´alculo de la superficie ya que se conoce a priori el taman˜o f´ısico que representa
cada p´ıxel.
2.6. Determinaci´on de los pol´ıgonos de las zonas de manejo
Paracrearelarchivoshape senecesitaquelospuntosqueconformanelborde
de cada zona est´en ordenados. Para encontrar el trazado del contorno de cada
zonayas´ıdeterminarelpol´ıgono,sedesarrollaunarutinabasadaenelalgoritmo
de Moore [17].
Este algoritmo comienza su funcionamiento a partir de una regi´on binaria R
o su contorno, y se ejecutan los siguientes pasos:
"
olas 1. Tomar el punto inicial b0, que es el punto superior izquierdo de la imagen
c con valor 1. Designamos c al vecino oeste de b . Claramente, c siempre es
grí 0 0 0
a un punto del fondo. Se examinan los 8 vecinos de b comenzando con c y
s 0 0
ductivo cpornosvigauloiern1d,oyecn1seesnteildpouhnotora(rdioe.lSfoenddeos)iginnmaebd1iaatlapmriemnteerpvreeccinedoeenntecoantbr1adeno
pro la secuencia. Se almacenan las ubicaciones de b0 y b1 para usarse en el paso
es 5.
ot
n l 2. Tomar b=b1 y c=c1.
e
o 3. Los 8 vecinos de b, comenzando por c y prosiguiendo en el sentido horario,
ej
man se denominan n1, n2, ..., n8. Encontrar el primer nk con valor 1.
edu.ar/sinc)a de zonas de 54.. scRTeooeanmpsbeta1tirt.irubLyla=oessenelpckacuosyeonnscjcu=i3natyndoke4o−pr1hdu.aensnttaoadsqobudeeenbcpou=nnttbroa0sdyadeecllucasoingndutooierennltoea.lpguornittomdoesecodnettoirennoe
unl.átic
h.m La Figura 1 ilustra los pasos del algoritmo descripto anteriormente.
co
d Computational Intelligence (fiE. Martínez; "Identificación autAI) - 42da. JAIIO, sep, 2013. (a) (b) (c) (d) (e)
gnals, Systems anM. Albornoz & C. groinformática (C Foriigguinraal1a.naIlliuzsatdraa;ci(o´bn)dpealsoal1g;o(rcit)mpoasdoe2;tr(adz)apdaosode4;c(oen)tofirnnod:el(pa)assoec5c.io´n de imagen
sinc(i) Research Center for SiR. Galarza, N. Mastaglia, E. 5to Congreso Argentino de A
Creaci´on del archivo shape
Para crear un archivo shape una vez obtenidos los pol´ıgonos que delimitan
las zonas de manejo, se utiliza la librer´ıa Shapefile C Library [18] con licencia
LGPL. La misma ofrece la posibilidad de leer, escribir y actualizar el Shapefile
y el archivo de atributo asociado (dbf).
De manera resumida, el proceso consiste en crear un objeto del tipo Shape
Polygon al cual pasarle como par´ametro las coordenadas (x,y) de los puntos
que forman los pol´ıgonos que delimitan las zonas. Luego se crea el archivo dbf
medianteunafunci´ondelalibrer´ıaalacualselepasaporpar´ametrolosatributos
que tiene cada pol´ıgono. Estos datos representan la dosificaci´on variable que se
aplicar´a a cada zona del lote.
3. Experimentos y resultados
Pararealizarlaspruebasseutilizaunconjuntodedatosdeunloteperteneciente
" alaEstaci´onExperimentalAgropecuariaParan´adelINTA(EntreR´ıos).Ellote
s
a
ol analizado posee una superficie de 110 hect´areas y en la campan˜a analizada es-
c
grí taba sembrado con trigo. Se cuenta con una imagen satelital de 74×69 p´ıxeles,
a
os un mapa de rendimiento con 120000 muestras y la altimetr´ıa con 4687 valores,
v
cti ambos distribuidos irregularmente sobre el lote.
u
od Como primer paso se ingresan los archivos de rendimiento y altimetr´ıa para
pr
s proceder a realizar la transformaci´on de las coordenadas. Para crear la malla
e
ot regularseeligeunaseparaci´onde10metrosentrepuntoypunto,luegoseprocede
n l
e a realizar la interpolaci´on con el m´etodo de interpolaci´on cuadr´atica, con el que
o
ej se obtuvieron mejores resultados en pruebas preliminares.
n
a
m En la configuraci´on de la etapa de clasificaci´on se fijan los siguientes valores:
e
edu.ar/sinc)a de zonas d ecmxr´aiptxeoirnmieoondtneeu´dcmoifneurvsoeordg=eeni1tc,ei7ar;a=cio0n,e0s00=1;300;
unl.átic cantidad m´ınima de grupos = 2 y
h.m
gnals, Systems and Computational Intelligence (ficM. Albornoz & C. E. Martínez; "Identificación autogroinformática (CAI) - 42da. JAIIO, sep, 2013. ´ıLtcsdrtdmniieeoeaaved´aarmbdnasliFLLemmlcecoadcieoaagspeleespsnaeucnnTote´rgalXıtrtsianaarugeaeditsbdbB.riaecipr2luiifinudaCclrpiceuym´aeadaama1cslncaducmiPteae´aadmiaeis´onxpEicsernudtatieioenmemreelbrlstsa´osatnleaoaatepacaaul´rsglnoitdlcna.pm´oeisaemmnnPoolmnerorbgaariezmds´sırorj,slanmeeuaauurrat´oipelmoeicqmuptcsvosoauanutoaatsamdimerqlsmgmqt=aourpalbuy,esuoaerdiin5pocondPodtc.lomsaaesealeCnamriicduignsssaliiuernoeasmefiultnasndeclaep´aiotecafinnixmooscdccttdi.siieam´arid´o´o,osaecnninmssofieei´oeml.fioosofirnmecPse´ana.acsnesaaouocntrlddcielga´ooleis2deafinrr,oe´r,cıcinab3advalld,slaonoaaieir4sdccrilpcaeaoveypaordsabsuncrr5lrpanteseiled,atgdosdorerlusbaeaasulduu´tpıcccqnsanouladcuddaas´aadeeio,slcaimsqrefiqgpesucdrucaosuaeaenepdynpdeellrntoooor´clıiooaassss--
sinc(i) Research Center for SiR. Galarza, N. Mastaglia, E. 5to Congreso Argentino de A
(a) Clasificaci´on en 2 grupos. (b) Clasificaci´on en 3 grupos.
"
s
a
ol
c
grí
a
s
o
v
cti
u
d
o
pr
s
e
ot
n l
o e (c) Clasificaci´on en 4 grupos. (d) Clasificaci´on en 5 grupos.
ej
n
a
m
e Figura2. Resultado de la clasificaci´on del lote en distinto nu´mero de grupos.
unl.edu.ar/sinc)ática de zonas d ´ındices. Se recalcula PC2 = 1/PC de manera que el valor m´ınimo en los tres
h.m ´ındices represente la mejor elecci´on (Tabla 1). Adem´as se divide cada uno por
co
gnals, Systems and Computational Intelligence (fiM. Albornoz & C. E. Martínez; "Identificación autgroinformática (CAI) - 42da. JAIIO, sep, 2013. pea(dccdz3ee5lloolud-oeeaa0nncfirosms)0fllsaDl´i.ıeast0´afiiusdcgsereMmxctecaubnaiiaiovdlmiei2oociedabod)zni(noro´osab(cid:112)ie(itdeanraiFspearenebXvauinr(teqgilaeFrenmesBuuaandsieergll´ae2painlaeuszgfial+onifiaareennr3rannll´ai-mtcPeldcdema3rtlg)saaeoEaa-i.eTbsnsdlnti2e,id)eaazfiorn.er+cabocpAoerla3measandPcdntrgoeicoeC2a´osraddmc.enus2p2acucoupD)´aoatqsepcosonzneuyoe,lsrttoedrneeieasesfinesxsepsmcu´tivsrensialsaauoelt´aaoeirledmsmlomnquecuberciauabn´eciınzcernnesieoaiacnlieonaermamern,dnalcdaeeaatsipeeF,t´ojrlooacClenes7iaromrpesM×0ntalesmialotselyubs7eapsetinagledanga1esaajocuno.ecruiseiritsSasadeb.oautleynou,lapTlsitasczeecesoeacaaroe.ndcaclfimlocsooopcsmuonsnpiuubblecsaeaepelruidpcusddelslttiieseearcaooliqrnao´osseadudshnsiero(oeatsveFn˜bqactpasyaatitsurulge´anooeqlpuinrrctmpueoreeailiaaaaesrr---
sinc(i) Research Center for SiR. Galarza, N. Mastaglia, E. 5to Congreso Argentino de A