Clasificación automática de coberturas forestales a partir de imágenes Sentinel-2 y datos auxiliares mediante Google Earth Engine

  1. Teijido-Murias, Iyán 1
  2. Barrio Anta, Marcos 1
  3. López Sánchez, Carlos Antonio 1
  1. 1 Departamento de Biología de Organismos y Sistemas de la Universidad de Oviedo.
Zeitschrift:
Cuadernos de la Sociedad Española de Ciencias Forestales

ISSN: 2386-8368,  1575-2410

Datum der Publikation: 2023

Ausgabe: 49

Nummer: 2

Seiten: 161-184

Art: Artikel

DOI: 10.31167/CSECFV5I49.19935 GOOGLE SCHOLAR lock_openOpen Access editor

Andere Publikationen in: Cuadernos de la Sociedad Española de Ciencias Forestales

Ziele für nachhaltige Entwicklung

Zusammenfassung

El objetivo de este trabajo fue realizar una clasificación automática de coberturas forestales con una resolución espacial de 10 m/pixel-1 en Asturias (Norte de España). Esta región tiene una vocación eminentemente forestal con una gran superficie de plantaciones forestales de Pinus pinaster, Pinus radiata y Eucalyptus globulus, cuyas cortas representan el 91% de la madera aprovechada anualmente en la región. La clasificación se basó en una serie de datos multitemporales delsensor Sentinel-2 y en datos auxiliares climáticos y topográficos. Como fuentes de datos se utilizaron: parcelas de campo (Inventario Forestal Nacional), clasificación de coberturas terrestres (Corine Land Cover), imágenes de satélite (constelación Sentinel-2) y varias fuentes de variables auxiliares. El código fue implementado en Google Earth Engine® (GEE) y para la clasificación se usó el algoritmo Random Forest. Se realizó una división aleatoria de la base de datos, destinando un 70%para el entrenamiento de los modelos y un 30% para su validación. Finalmente se clasificaron las coberturas forestales del territorio en 30 clases, obteniéndose un valor del estadístico Kappa de 0,5723. Al analizar la matriz de confusión, se observó que los fallos de clasificación eran principalmente consecuencia de la similitud de las firmas espectrales de las coberturas analizadas. En los próximos años, con la mayor diversidad y mejora de los datos capturados por sensores remotos, el perfeccionamiento de plataformas como GEE, y el desarrollo de nuevos algoritmos, permitirán obtener clasificaciones de cobertura automáticas más precisas y probablemente se convertirán en herramientas indispensables.

Bibliographische Referenzen

  • Albiac Murillo, J., Calvo Calzada, E., y Goetz, R. U. (2000). La explotación óptima de bosques como herramienta de apoyo a la gestión multifuncional [workingPaper].
  • Alonso, L., Picos, J., y Armesto, J. (2021). Forest Land Cover Mapping at a Regional Scale Using Multi-Temporal Sentinel-2 Imagery and RF Models [Article]. Remote Sensing, 13(12), 2237.
  • Baret, F., Hagolle, O., Geiger, B., Bicheron, P., Miras, B., Huc, M., . . . Leroy, M. (2007). LAI, fAPAR and fCover CYCLOPES global products derived from VEGETATION. Remote Sensing of Environment, 110(3), 275-286.
  • Baret, F., Weiss, M., Bicheron, P. y Berthelot, B. (2010). S2 PGDS - Sentinel-2-Level-2A-Algorithm-Theoretical-Basis-Document-ATBD. European Spatial Agency.
  • Breiman, L. (2001). Machine Learning, 45(1), 5-32.
  • Caparros-Santiago, J. A., Rodriguez-Galiano, V., y Dash, J. (2021). Land surface phenology as indicator of global terrestrial ecosystem dynamics: A systematic review. ISPRS Journal of Photogrammetry and Remote Sensing, 171, 330-347.
  • Cohen, J. (1960). A coefficient of agreement for nominal scales. Educational and Psychological Measurement, 20, 37-46.
  • Ersoy Tonyaloğlu, E., Erdogan, N., Çavdar, B., Kurtşan, K., y Nurlu, E. (2021). Comparison of pixel and object based classification methods on rapideye satellite image. Turkish Journal of Forest Science, 5(1), 1-11.
  • Fielding, A. H., y Bell, J. F. (1997). A review of methods for the assessment of prediction errors in conservation presence/absence models | Environmental Conservation | Cambridge Core. Environmental Conservation, 24(1), 28-49.
  • JR, L., y GG, K. (1977). The measurement of observer agreement for categorical data. Biometrics, 33(1).
  • Ministerio de Agricultura, A. y. M. A. (2012). Anuario de Estadística Forestal 2012. Retrieved 10/04/2022 from https://www.miteco.gob.es/es/biodiversidad/estadisticas/forestal_anuario_2012.aspx
  • Ministerio de Agricultura, P. y. A. (2019). Anuario de Estadística Forestal 2019. Retrieved 05/04/2022 from https://www.miteco.gob.es/es/biodiversidad/estadisticas/forestal_anuario_2019.aspx
  • Qu, L. A., Chen, Z., Li, M., Zhi, J., y Wang, H. (2021). Accuracy Improvements to Pixel-Based and Object-Based LULC Classification with Auxiliary Datasets from Google Earth Engine. Remote Sensing, 13(3), 453.
  • Rumora, L., Miler, M., y Medak, D. (2020). Impact of Various Atmospheric Corrections on Sentinel-2 Land Cover Classification Accuracy Using Machine Learning Classifiers [Article]. ISPRS International Journal of Geo-Information, 9(4), 277.