Clasificación automática de coberturas forestales a partir de imágenes Sentinel-2 y datos auxiliares mediante Google Earth Engine
DOI:
https://doi.org/10.31167/csecfv5i49.19935Resumen
El objetivo de este trabajo fue realizar una clasificación automática de coberturas forestales con una resolución espacial de 10 m/pixel 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 del sensor 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 desarrollo 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.
Citas
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]. https://doi.org/http://hdl.handle.net/10532/148
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. https://doi.org/10.3390/rs13122237
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. https://doi.org/10.1016/j.rse.2007.02.018
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. https://doi.org/10.1023/a:1010933404324
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. https://doi.org/https://doi.org/10.1016/j.isprsjprs.2020.11.019
Cohen, J. (1960). A coefficient of agreement for nominal scales. Educational and Psychological Measurement, 20, 37-46. https://doi.org/10.1177/001316446002000104
Ersoy Tonyalo?lu, E., Erdogan, N., Çavdar, B., Kurt?an, 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. https://doi.org/10.32328/turkjforsci.741030
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. https://doi.org/doi:10.1017/S0376892997000088
JR, L., y GG, K. (1977). The measurement of observer agreement for categorical data. Biometrics, 33(1). https://doi.org/10.2307/2529310
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. https://doi.org/10.3390/rs13030453
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. https://doi.org/10.3390/ijgi9040277
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2023 Cuadernos de la Sociedad Española de Ciencias Forestales
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Las obras que se publican en esta revista están sujetas a los siguientes términos:
- Las obras se publican en edición electrónica, en acceso abierto y bajo una licencia Creative Commons Attribution-Non Comercial License 3.0. Se permite a otros distribuir, copiar o adaptar las obras así como crear obras derivadas siempre que se cite la autoría del trabajo y su publicación inicial en esta revista. No se permite el uso de estas obras ni de sus derivadas con fines comerciales.
- Los autores conservan los derechos de autor, garantizan a la revista el derecho de ser la primera publicación del trabajo y están de acuerdo con la licencia de uso utilizada por la revista, con las condiciones de autoarchivo y con la política de acceso abierto.
- Se permite y anima a los autores a difundir sus trabajos electrónicamente (por ejemplo, en repositorios institucionales o en su propio sitio web) ya que puede dar lugar a intercambios productivos, así como a una mayor citación de los trabajos publicados.
