XX International Symposium of Electrical Engineering
SIE 2023
Abstract
Agricultural productivity is affected by the presence of pests and diseases, with weeds being one of the main biotic components of such damage. Their identification in sugar cane crops using satellite imagery allows their exact geolocation, enabling what is known in precision agriculture as Site-Specific Weed Management (SSWM), a precise and resource-efficient approach that adapts weed management to variations in their location, density and composition within each field, leading to productive and sustainable farming practices. Several computational tools have recently been published for the purpose of hyperspectral unmixing of satellite images, enabling their decomposition into spectral characteristics and abundance maps of each component of their pixels. One such tool is non-negative matrix factorisation (NMF), which was used in this work to geolocate the weed known in Cuba as Don Carlos (Sorghum halepense L.), which invades sugar cane (Saccharum spp.) plantations. The main contribution was to evaluate two blind NMF methods: Minimum Volume Beta Divergence via multiplicative updates (MVBD-MU) and Group sparse Joint Nonnegative Matrix Factorization on Orthogonal subspace (GJNMFO), not created for satellite images. The results show that despite the low spatial resolution of the Sentinel-2 satellite images, with 10 m per pixel, as well as the fact that it is not a hyperspectral sensor but a multispectral sensor with only 10 bands, these methods are effective in discriminating between the weed and other components present in the images.
Resumen
La productividad agrícola se ve afectada por la presencia de plagas y
enfermedades, siendo las malas hierbas uno de los principales componentes
bióticos de dichos daños. Su identificación en cultivos de caña de azúcar
mediante imágenes satelitales permite su geolocalización exacta, posibilitando
lo que en agricultura de precisión se conoce como Manejo de Malezas en Sitios
Específicos (Site-Specific Weed Management, SSWM), un enfoque preciso y
eficiente en recursos que adapta el manejo de malezas a las variaciones en su
ubicación, densidad y composición dentro de cada campo, conduciendo a prácticas
agrícolas productivas y sostenibles. Recientemente se han publicado varias
herramientas computacionales para la desmezcla hiperespectral de imágenes de
satélite, que permiten descomponerlas en características espectrales y mapas de
abundancia de cada componente de sus píxeles. Una de estas herramientas es la
factorización de matrices no negativas (NMF), que se utilizó en este trabajo
para geolocalizar la maleza conocida en Cuba como Don Carlos (Sorghum halepense
L.), que invade las plantaciones de caña de azúcar (Saccharum spp.). La
principal contribución fue evaluar dos métodos NMF ciegos: Mínimo Volumen Beta
Divergencia vía actualizaciones multiplicativas (MVBD-MU) y Factorización
Conjunta de Matrices No Negativas Group sparse sobre subespacio ortogonal
(GJNMFO), no creados para imágenes satelitales. Los resultados muestran que, a
pesar de la baja resolución espacial de las imágenes del satélite Sentinel-2,
con 10 m por píxel, así como del hecho de que no se trata de un sensor
hiperespectral, sino de un sensor multiespectral con sólo 10 bandas, estos
métodos son eficaces para discriminar entre la maleza y otros componentes
presentes en las imágenes.
About The Speaker
Ruben Orozco-Morales
Discussion