Cartografiado de usos del suelo en la provincia de Valencia mediante el procesado de series temporales de imágenes Sentinel en Google Earth Engine

Abstract

[ES] Este trabajo es una propuesta metodológica que utiliza la teledetección para el control de la superficie de cultivos a partir del análisis de información de imágenes Sentinel 2 Nivel 2A, adquiridas desde la colección de Google Earth Engine (GEE). A través de la API de esta plataforma se filtran las nubes y se realiza análisis masivo de los datos online en tiempo real. Los datos adquiridos de las imágenes en GEE son atributos espectrales y temporales que son las variables de entrada de los modelos paramétricos de clasificación supervisada (arboles de decisiones y redes neuronales). Tomando como muestra de entrenamiento para estos modelos parcelas de 7 diferentes usos SIGPAC (Sistema de Información Geográfica de Parcelas Agrícolas) ubicadas en la provincia de Valencia, España. Las variables espectrales corresponden a la media de los niveles digitales de las bandas B2, B3, B4, B8, B11 y B12 y la media de los niveles digitales del índice de vegetación de la diferencia normalizada (NDVI), del índice de vegetación mejorada (EVI) y del índice de vegetación ajustado al suelo (SAVI). Las variables con mayor relevancia para la clasificación de acuerdo a las clases son los índices de vegetación especialmente el índice ajustado al suelo (SAVI). Se llevaron a cabo tres experimentos por cada modelo de clasificación; (Random Forest, C 4.5 y Redes Neuronales). Los primeros con todas las variables obtenidas que son 216. Concluyéndose que el modelo Random Forest es el que tiene una mejor fiabilidad en la clasificación con un índice de Kappa de 0.69. Luego con 43 variables, siendo estas seleccionadas como el subconjunto de variables más relevantes para la clasificación según las clases de cultivo, donde el modelo Random Forest obtuvo un índice de Kappa de 0.67. Por último, con 43 variables calificadas con un rango de relevancia más alto para la clasificación donde el resultado del índice de Kappa para modelo Random Forest es de 0.65. Los valores de evaluación de la clasificación no son tan altos y esto se acredita a la resolución espectral de las imágenes Sentinel 2 ya que no se alcanza al detalle para algunos cultivos tales cómo los olivares por lo que tienen una fiabilidad muy baja y otra de las razones es el tamaño de la muestra de entrenamiento para algunas clases.

[EN] This thesis is intended to propose a methodology to use Remote Sensing for the control of crops areas. For this, it has been developed an analysis of information based on Sentinel-2 images. These images were taken from the Google Earth Engine¿s collection (GEE). Using this app, is possible to filter the clouds and analyse all the information online. The information coming from the images on GEE are spectral and temporal properties that have been used as the input for parametric models of supervised classification. In this case, the training sample for the parametric model has been limited to the plots of the province of Valencia (Spain). The spectral properties used are the mean of the digital levels of the B2, B3, B4, B8, B11 and B12 bands, but also three vegetation indexes. The most relevant properties for the classification according to the classes are the vegetation indexes, especially the Soil Adjusted Vegetation Index (SAVI). In total, nine tests were performed. The first three tests used 216 attributes as input and were based on the classification models of Random Forest, C 4.5 and Artificial Neural Networks (ANNs). After these three tests, the results showed that the Random Forest model is the most reliable for the classification, with a Kappa coefficient of 0.69. For the following three tests, 43 random variables have been selected. In this case the Random Forest model reflected a Kappa coefficient of 0.67. Finally, for the last three tests, the 43 most relevant properties were used. The kappa coefficient for the Random Forest model in this case was 0.65. Additionally, is important to mention that the evaluation values of the classification were not very high due to the spectral resolution of the Sentinel-2 images. Consequently, it was not possible to process some crops (as the olives) because the reliability is very low.