Classification of Landsat 8 images in the Segura Hydrographic DemarcationClasificación de imágenes Landsat-8 en la Demarcación Hidrográfica del Segura

Abstract

[EN] This work presents a cartography of land uses in the Segura Hydrographic Demarcation obtained by classifying 2017 Landsat 8 images. The classification was carried out using two classifiers: Maximum Likelihood (ML) and Random Forest (RF). Training areas were obtained from historical high resolution imagery until 2016. Prior to classification, a cross validation analysis of the training areas was carried out to determine which of them may have undergone a change of use between 2016 and 2017. The results obtained with ML and RF, both with the original set of training areas and with the one obtained eliminating the problem, are compared to determine the best option. In the case of ML, the results improve after eliminating the changing training areas, from 77.7% to 81.4%; however, with RF this improvement is not so important, going from 84.1% to 85.1%. Therefore, it can be concluded that, with both methods, the classification is more exact when the modified training areas are used and, although the results obtained are quite acceptable for both ML and RF, the latter performs a more accurate classification.

[ES] En el presente trabajo se obtiene, a través de un proceso de clasificación digital de imágenes Landsat 8 de 2017, una cartografía de usos del suelo en la Demarcación Hidrográfica del Segura; la clasificación se ha llevado a cabo empleando dos clasificadores: Máxima Verosimilitud (MV) y Random Forest (RF). Puesto que las áreas de entrenamiento se obtienen de imágenes históricas de alta resolución hasta 2016, previamente a la clasificación, se hace un análisis de validación cruzada de las áreas de entrenamiento para determinar cuáles de ellas pueden haber sufrido un cambio de uso entre 2016 y 2017. Los resultados obtenidos con MV y con RF, tanto con el conjunto original de áreas como con el obtenido eliminando la problemática, se comparan para determinar cuál es la mejor opción. En el caso de MV mejoran notablemente los resultados cuando se realiza la depuración de las áreas de entrenamiento, pasando de un porcentaje de acierto del 81% al 84,9%; sin embargo, con RF esta mejora no es tan importante ya que se pasa del 84,1% al 85,1%. Por tanto, se puede concluir que, con ambos métodos la clasificación es más exacta cuando se emplean las áreas de entrenamiento depuradas y, aunque los resultados obtenidos son bastante aceptables tanto para MV como para RF, este último realiza una clasificación más exacta.