• 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
Hi,
Would you like to see a quick demo of your Database created with Extracted Spectral data before you award the project? You can consider it professionally done in a few hours.
Rather than fill this proposal with a list of qualifications, I want to complete a part of this project as a proof of concept before you award this project. This is so that you can be confident of the hands you will entrust this task. If you are satisfied with the result, you can go ahead and award the project.
I’d love to discuss more on what would make this project a success for you. Can we have a quick chat?
Thanks for your time
Hola, estoy interesado en participar en este proyecto de data mining.
Tengo experiencia en Data Analysis y data visualization con Big Data y python.
Un cordial saludo.
Buenas tardes, poseo habilidad en python, machine learning, arcGIS (Mi proyecto de Tesis es algo similar); en mi caso, a partir de Imágenes satelitales de Landsat 8, creé un script en python para generar muestras (archivos en extensión .shapefile) y posteriormente entrenar un Perceptron Multicapa Clasificador para detectar tipos de coberturas (Agua, vegetación, suelos desnudo, etc). Me resulta interesante el tema, y estoy 100% dispuesto a ampliar mis conocimientos en el área y poder contribuir con ustedes.