Classification of soil salinity using satellite images and artificial neural networks
Lic. Rolando Renee Badaracco Meza y Dr. Joel Rojas Acuña
Universidad Nacional Mayor de San Marcos, Ap. Postal 14-0149.Lima, Perú
DOI: https://doi.org/10.33017/RevECIPeru2013.0001/
Resumen
Los procesos de cambio climático han llamado obligatoriamente la atención de la ciencia en las últimas décadas, situaciones como la desertificación y sequia son temas de gran importancia. De aquí se desprendió la necesidad de estudiar la salinidad de los suelos y el índice de vegetación de diferencia normalizada (NDVI) usando imágenes de los sensores ETM+ y TM, estas imágenes fueron procesados usando el software ENVI 4.5 y el lenguaje de programación IDL. Para este propósito se implementó una red neuronal artificial con arquitectura de retropropagación de error, que permita clasificar la salinidad en los suelos, usando como datos de entradas imágenes de NDVI, y datos de entrenamiento de conductividad eléctrica del suelo. Las áreas de estudio fueron la comisión de regantes Muy Finca y los distritos de Lambayeque y Mórrope que pertenecen a la región Lambayeque-Perú. Para la arquitectura de la red neuronal se utilizó 2 capas ocultas presentando un error de entrenamiento de 0.27, estos resultados fueron evaluados usando la matriz de confusión, el índice de kappa y el índice de exactitud global, obteniéndose un índice de kappa de 0.92 y el índice de exactitud global fue de 94.74%. Finalmente se obtuvo una imagen clasificada de la distribución espacial de la salinidad en los suelos, la clasificación tuvo como resultado 3196.26 has como suelos muy fuertemente salinos, 2818.53 has como suelos fuertemente salinos, 3918.96 has como suelos moderadamente salinos, 10296.63 has como suelos ligeramente salinos y 2349.36 has como suelos no salinos.
Descriptores: Red Neuronal, NDVI, TM y ETM+
Abstract
The change climate processes have called attention of science in recent decades; situations such as desertification and drought are issues of great importance. Where it was the interest to study the soil salinity and the Normalized Difference Vegetation Index (NDVI) from images of the ETM + and TM sensors, these images were processed using the software ENVI 4.5 and IDL programming language. For this purpose, we implemented an artificial neural network with error back propagation architecture, for classifying soil salinity, using as input data of images NDVI and data soil electrical conductivity for the training. The areas studies were the commission irrigation Muy Finca and the districts of Morrope and Lambayeque belonging to the region Lambayeque-Peru. For the neural network architecture using 2 hidden layers presenting a training error of 0.27, these results were evaluated using the confusion matrix, Kappa index and overall accuracy rate, obtaining a kappa index of 0.92 and over all accuracy rate was 94.74%. Finally we obtained a classified image of the spatial distribution of salinity in soils, classification has resulted 3196.26 as strongly saline soils, 2818.53 you as strongly saline soils, 3918.96 you as moderately saline soils, 10296.63 you as slightly saline soils and 2349.36 have as non-saline soils.
Keywords: Neural Network, NDVI, TM and ETM +