Enrique Willington

Comparison of Regression and Neural Networks Models to Estimate Solar Radiation

La radiacion solar incidente en el suelo es una variable importante usada en aplicaciones agronomicas, ademas es relevante en hidrologia, meteorologia y fisica del suelo, entre otros. Para estimarla se han desarrollado modelos empiricos que utilizan distintos parametros meteorologicos y, recientemente, modelos de pronostico y prediccion basados en tecnicas de inteligencia artificial tales como redes neuronales. El objetivo de este trabajo fue desarrollar modelos lineales y de redes neuronales, del tipo perceptron multicapa, para estimar la radiacion solar global diaria y comparar la eficiencia de los mismos en su aplicacion para una region de la Provincia de Salta, Argentina. Se utilizaron datos de heliofania relativa, temperaturas maxima y minima, precipitacion, precipitacion binaria y radiacion solar astronomica provistos por la Estacion Experimental Salta, Instituto Nacional de Tecnologia Agropecuaria (INTA), Argentina, correspondientes al periodo 1996-2002. Tanto para los modelos de redes neuronales como para las regresiones lineales se consideraron tres alternativas de combinaciones de los parametros meteorologicos, obteniendose buenos resultados con ambas metodologias de prediccion, con valores de la raiz del error cuadratico medio variando desde 1.99 a 1.66 MJ m-2 d-1 y coeficientes de correlacion de 0.88 a 0.92. Se concluye que ambos, los modelos de redes neuronales y las regresiones lineales, pueden ser usados para predecir en forma adecuada la radiacion solar global diaria; si bien las redes neuronales produjeron mejores resultados.

Neural Network Model for Land Cover Classification from Satellite Images

Los datos de cobertura de suelo representan informacion ambiental clave para aplicaciones cientificas y politicas, por esto su clasificacion a partir de imagenes satelitales es importante. Las redes neuronales (NN) constituyen una herramienta valiosa para clasificar imagenes satelitales pues no requieren hipotesis sobre la distribucion de los datos. Los objetivos de este trabajo fueron desarrollar modelos de NN para clasificar datos de cobertura de suelo a partir de informacion proveniente de imagenes satelitales y evaluarlos cuando se utilizan diferentes variables de entrada. Se utilizaron imagenes satelitales MODIS-MYD13Q1 y datos de 85 parcelas en Cordoba (Argentina). Se disenaron cinco NN del tipo perceptron multicapa feed-forward. Cuatro de ellas recibieron como patrones de entrada valores de NDVI (Normalized Difference Vegetation Index), EVI (Enhanced Vegetation Index), de reflectancias en la bandas roja (RED) y en infrarroja cercana (NIR), respectivamente. La quinta NN tuvo como valores de entrada las reflectancias RED y NIR. La validacion, permitio concluir que todos los modelos presentan un buen desempeno. El modelo que muestra mejor comportamiento es aquel que considera conjuntamente valores de reflectancias RED y NIR, cuya precision en la clasificacion es del 93% con un estadistico Kappa excelente. Las redes construidas individualmente a partir de valores de NDVI y EVI tienen un comportamiento similar (86 y 83% de exactitud, respectivamente), con estadisticos Kappa muy bueno y bueno, respectivamente. Las NN que incluyen solo valores de RED o NIR presentaron los menores porcentajes de exactitud (76 y 81%, respectivamente) con indices Kappa regular y bueno, respectivamente.

Estimating soybean ground cover from satellite images using neural-networks models

The ground cover is a necessary parameter for agronomic and environmental applications. In Argentina, soybean (Glycine max (L.) Merill) is the most important crop; therefore it is necessary to determine its amount and configuration. In this work, neural-network (NN) models were developed to calculate soybean percentage ground cover (fractional vegetation cover, fCover) and to compare the accuracy of the estimate from Moderate-Resolution Imaging Spectroradiometer (MODIS) and Landsat satellites data. The NN design included spectral values of the red and near-infrared (NIR) bands as input variables and one neuron output, which expressed the estimated coverage. Data of fCover were acquired throughout the growing season in the central plains of Córdoba (Argentina); they were used for training and validating the networks. The results show that the NNs are an appropriate methodology for estimating the temporal evolution of soybean coverage fraction from MODIS and Landsat images, with coefficients of determination (R 2) equal to 0.90 and 0.91, respectively.

Neural network and crop residue index multiband models for estimating crop residue cover from Landsat TM and ETM+ images

Crop residues on the soil surface provide not only a barrier against water and wind erosion, but they also contribute to improving soil organic matter content, infiltration, evaporation, temperature, and soil structure, among others. In Argentina, soybean (Glycine max (L.) Merill) and corn (Zea mays L.) are the most important crops. The objective of this work was to develop and evaluate two different types of model for estimating soybean and corn residue cover: neural networks (NN) and crop residue index multiband (CRIM) index, from Landsat images. Data of crop residue were acquired throughout the summer growing season in the central plains of Córdoba (Argentina) and used for training and validating the models. The CRIM, a linear mixing model of composite soil and residue, and the NN design, included reflectance and digital numbers from a combination of different TM bands to estimate the fractional residue cover. The results show that both methodologies are appropriate for estimating the residue cover from Landsat data. The best developed NN model yielded R2 = 0.95 when estimating soybean and corn residue cover fraction, whereas the best fit using CRIM yielded R2 = 0.87; in addition, this index is dependent on the soil and residue lines considered.