Estimación espacial de anomalías agronómicas de un cultivo con técnicas de segmentación en imágenes de sensores remotos : caso aplicado para Maíz (Zea mays L) en Cumaribo – Vichada

Abstract

La presente investigación propone un protocolo para la estimación de anomalías agronómicas mediante segmentación orientada a objetos, con el objetivo de cuantificar y visualizar dichas anomalías a lo largo del ciclo fenológico del cultivo de maíz (Zea mays L) en el municipio de Cumaribo, Vichada. La metodología se fundamentó en el uso de imágenes satelitales Sentinel-2 correspondientes al periodo comprendido entre el 13 de diciembre de 2023 y el 14 de abril de 2024. La adquisición y procesamiento de los datos satelitales se llevó a cabo a través de la plataforma en la nube Google Earth Engine (GEE); la delimitación de parcelas se realizó con el complemento Segment Anything Model (SAM), y la segmentación se ejecutó mediante Orfeo Toolbox (OTB) en el entorno del software Quantum Geographic Information System (QGIS). La clasificación de anomalías contempló cinco clases diferenciadas para cada fase fenológica del cultivo. Los resultados de la validación de la clasificación semiautomática obtenida mediante el segmentador OTB, frente a la segmentación manual, arrojaron un coeficiente Kappa global de 0,90 lo que evidencia un nivel de concordancia casi perfecto. En su conjunto, el esquema metodológico propuesto constituye un marco replicable y escalable a otros ciclos fenológicos, con alto potencial para incorporar sensores de mayor resolución, así como variables climáticas y edáficas complementarias. Su capacidad para identificar desde anomalías leves hasta zonas críticas de estrés resalta su utilidad como herramienta para el diseño de intervenciones agronómicas oportunas, focalizadas y basadas en evidencia (Texto tomado de la fuente).

This research proposes a protocol for estimating agronomic anomalies through object-based image segmentation, aiming to quantify and visualize such anomalies throughout the phenological cycle of maize (Zea mays L) in the municipality of Cumaribo, Vichada. The methodology was based on the use of Sentinel-2 satellite imagery for the period between December 13, 2023, and April 14, 2024. Satellite data acquisition and processing were conducted using the Google Earth Engine (GEE) cloud platform; plot delineation was performed with the Segment Anything Model (SAM), and segmentation was executed using the Orfeo Toolbox (OTB) within the Quantum Geographic Information System (QGIS) environment. The anomaly classification regarded five distinct categories for each phenological phase of the crop. Validation results of the semi-automated classification obtained through the OTB segmenter, compared to manual segmentation, yielded a global Kappa coefficient of 0,90 indicating an almost perfect level of agreement. Overall, the proposed methodological framework provides a replicable and scalable approach applicable to other phenological stages, with strong potential for the integration of higher-resolution sensors and complementary climatic and edaphic variables. Its ability to detect both minor and critical stress anomalies highlights its applicability as a decision-support tool for timely and targeted agronomic interventions.