Extraer, corregir y agrupar datos (mining data)

• Extraer datos espectrales para crear una base de datos por fecha (años), porcentaje de nubes, etc

• Extraer las coordenadas de los polígonos del archivo .shp

• Calcular el área de los pixeles dependiendo del área de los polígonos (hectáreas / en el archivo .dbf está calculada el área del polígono)

• Cambiar el sistema de coordenadas WGS84 UTM a Latitude,Longitude (Estandar decimal simple)

• Con la ayuda de una API servidor de imágenes satelitales extraer los valores de las bandas espectrales por fechas. Api Google engine, api sentinel, Planet's Python Client, etc.

• Validar datos – reconocimiento y segmentación correcta de los cultivos. (Hay zonas que no representan ningún cultivo o el poligono está un poco desubicado referente a las coordenadas de los cultivos). Ejemplo imagen 10.jpg.

• Extender la base de datos con la base de datos de la nube, solo donde se interceptan los polígonos [login to view URL]

[login to view URL]

[login to view URL]

• Dependiendo de las fechas encontrar valores climáticos, asi como la temperatura máxima, media y mínima, velocidad del aire humedad. Api [login to view URL]

• Calcular los índices de vegetación.

Calcular y combinar los índices de vegetación para encontrar la combinación más óptima para la predicción del rendimiento de los cultivos

Normalized Difference Vegetation Index - NDVI

Soil Adjusted Vegetation Index – SAVI

Atmospherically Resistant Vegetation Index - ARVI

Enhanced Vegetation Index - EVI

Green Chlorophyll Index - GCI

Structure Insensitive Pigment Index – SIPI

And Others

Example:

Ndvi+Savi vs Savi+Sipi vs ….

Graficar la serie temporal de los índices vegetativos para ver las diferentes etapas fenológicas de un cultivo

• Calcular la diferenciación de los índices de vegetación en un período de tiempo determinado

Indexes and correlation plot

• Para las fotos que hay mucha nube sobre los polígonos, detectarlos con algún método de aprendizaje automático, hacer una máscara, poner el porcentaje de nube en la región. • Grafico de training/validation accuracy and loss

Obtener datos como en el ejemplo, Nombre de la zona, coordenadas, latitud, etc

Entrada de datos Deep Learning Machine Learning (ML) Python

Nº del proyecto: #26104525

Sobre el proyecto