Clasificación automática de coberturas forestales a partir de imágenes Sentinel-2 y datos auxiliares mediante Google Earth Engine
Open Access
- 28 September 2023
- journal article
- research article
- Published by Sociedad Espanola de Ciencias Forestales in Cuadernos de la Sociedad Española de Ciencias Forestales
- Vol. 49 (2) , 161-184
Abstract
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.Keywords
This publication has 12 references indexed in Scilit:
- Forest Land Cover Mapping at a Regional Scale Using Multi-Temporal Sentinel-2 Imagery and RF ModelsRemote Sensing, 2021
- COMPARISON OF PIXEL AND OBJECT BASED CLASSIFICATION METHODS ON RAPIDEYE SATELLITE IMAGETURKISH JOURNAL OF FOREST SCIENCE, 2021
- Accuracy Improvements to Pixel-Based and Object-Based LULC Classification with Auxiliary Datasets from Google Earth EngineRemote Sensing, 2021
- Land surface phenology as indicator of global terrestrial ecosystem dynamics: A systematic reviewISPRS Journal of Photogrammetry and Remote Sensing, 2021
- Impact of Various Atmospheric Corrections on Sentinel-2 Land Cover Classification Accuracy Using Machine Learning ClassifiersISPRS International Journal of Geo-Information, 2020
- LAI, fAPAR and fCover CYCLOPES global products derived from VEGETATIONRemote Sensing of Environment, 2007
- Random ForestsMachine Learning, 2001
- A review of methods for the assessment of prediction errors in conservation presence/absence modelsEnvironmental Conservation, 1997
- The Measurement of Observer Agreement for Categorical DataBiometrics, 1977
- A Coefficient of Agreement for Nominal ScalesEducational and Psychological Measurement, 1960