- -

Obtención de coberturas del suelo agropecuarias en imágenes satelitales Sentinel-2 con la inyección de imágenes de dron usando Random Forest en Google Earth Engine

RiuNet: Institutional repository of the Polithecnic University of Valencia

Share/Send to

Cited by

Statistics

Obtención de coberturas del suelo agropecuarias en imágenes satelitales Sentinel-2 con la inyección de imágenes de dron usando Random Forest en Google Earth Engine

Show simple item record

Files in this item

dc.contributor.author Ramírez, M. es_ES
dc.contributor.author Martínez, L. es_ES
dc.contributor.author Montilla, M. es_ES
dc.contributor.author Sarmiento, O. es_ES
dc.contributor.author Lasso, J. es_ES
dc.contributor.author Díaz, S. es_ES
dc.date.accessioned 2021-01-20T11:31:31Z
dc.date.available 2021-01-20T11:31:31Z
dc.date.issued 2020-11-27
dc.identifier.issn 1133-0953
dc.identifier.uri http://hdl.handle.net/10251/159563
dc.description.abstract [ES] Para obtener información precisa sobre los cambios de la cubierta terrestre en el sector agrícola, proponemos un método de clasificación supervisada que integra las imágenes del satélite Sentinel-2 con las imágenes obtenidas de los Sistemas de Aeronaves Pilotadas a Distancia (RPAS, por sus siglas en inglés). La metodología se aplicó en la plataforma de Google Earth Engine. Inicialmente, la colección de imágenes de Sentinel-2 se integró en una sola imagen mediante un proceso de reducción de mediana. Posteriormente, se aplicó el método de fusión de imágenes de pansharpening con filtro de paso alto (HPF, por sus siglas en inglés) a las bandas espectrales térmicas para obtener una resolución espacial final de 10 m. Para realizar la integración de las dos fuentes de imágenes, la imagen del RPAS se normalizó utilizando un filtro de textura gaussiano de 5×5 y el píxel se re-muestreó a cinco veces su tamaño original. Este procedimiento se realizó de forma iterativa hasta alcanzar la resolución espacial de la imagen del Sentinel-2. Además, se añadieron a la clasificación los siguientes datos: los índices espectrales, calculados a partir de las bandas de Sentinel-2 y RPAS (por ejemplo, NDVI, NDWI, SIPI, GARI), la información altimétrica y las pendientes de la zona derivadas del MED SRTM. La clasificación supervisada se realizó utilizando la técnica de Random Forest (Machine Learning). La referencia de la semilla de la cubierta terrestre para realizar la clasificación fue capturada manualmente por un experto temático, luego, esta referencia fue distribuida en un 70% para el entrenamiento del algoritmo de Random Forest y en un 30% para validar la clasificación. Los resultados muestran que la incorporación de la imagen RPAS mejora los indicadores de precisión temática en un promedio del 3% en comparación con una clasificación realizada exclusivamente con imágenes de Sentinel-2. es_ES
dc.description.abstract [EN] To obtain accurate information on land cover changes in the agricultural sector, we propose a supervised classification method that integrates Sentinel-2 satellite imagery with images surveyed from Remote Piloted Aircraft Systems (RPAS). The methodology was implemented on the Google Earth Engine platform. Initially, the Sentinel-2 imagery collection was integrated into a single image through a median reduction process. Subsequently, the high-pass filter (HPF) pansharpening image fusion method was applied to the thermal spectral bands to obtain a final spatial resolution of 10 m. To perform the integration of the two image sources, the RPAS image was normalized by using a 5X5 gaussian texture filter and the pixel was resampled to five times its original size. This procedure was performed iteratively until reaching the spatial resolution of the Sentinel-2 imagery. Besides, the following inputs were added to the classification: the spectral indices calculated from the Sentinel-2 and RPAS bands (e.g. NDVI, NDWI, SIPI, GARI); altimetric information and slopes of the zone derived from the SRTM DEM. The supervised classification was done by using the Random Forest technique (Machine Learning). The land cover seed reference to perform the classification was manually captured by a thematic expert, then, this reference was distributed in 70% for the training of the Random Forest algorithm and in 30% to validate the classification. The results show that the incorporation of the RPAS image improves thematic accuracy indicators by an average of 3% compared to a classification made exclusively with Sentinel-2 imagery. es_ES
dc.description.sponsorship Departamento Administrativo Nacional de Estadística es_ES
dc.language Español es_ES
dc.publisher Universitat Politècnica de València es_ES
dc.relation.ispartof Revista de Teledetección es_ES
dc.rights Reconocimiento - No comercial - Compartir igual (by-nc-sa) es_ES
dc.subject Sentinel-2 es_ES
dc.subject RPAS es_ES
dc.subject Google Earth Engine es_ES
dc.subject Supervised classification es_ES
dc.subject Random Forest es_ES
dc.subject Clasificación supervisada es_ES
dc.title Obtención de coberturas del suelo agropecuarias en imágenes satelitales Sentinel-2 con la inyección de imágenes de dron usando Random Forest en Google Earth Engine es_ES
dc.title.alternative Obtaining agricultural land cover in Sentinel-2 satellite images with drone image injection using Random Forest in Google Earth Engine es_ES
dc.type Artículo es_ES
dc.identifier.doi 10.4995/raet.2020.14102
dc.rights.accessRights Abierto es_ES
dc.description.bibliographicCitation Ramírez, M.; Martínez, L.; Montilla, M.; Sarmiento, O.; Lasso, J.; Díaz, S. (2020). Obtención de coberturas del suelo agropecuarias en imágenes satelitales Sentinel-2 con la inyección de imágenes de dron usando Random Forest en Google Earth Engine. Revista de Teledetección. 0(56):49-68. https://doi.org/10.4995/raet.2020.14102 es_ES
dc.description.accrualMethod OJS es_ES
dc.relation.publisherversion https://doi.org/10.4995/raet.2020.14102 es_ES
dc.description.upvformatpinicio 49 es_ES
dc.description.upvformatpfin 68 es_ES
dc.type.version info:eu-repo/semantics/publishedVersion es_ES
dc.description.volume 0 es_ES
dc.description.issue 56 es_ES
dc.identifier.eissn 1988-8740
dc.relation.pasarela OJS\14102 es_ES
dc.description.references Belgiu, M., Csillik, O., 2017. Sentinel-2 cropland mapping using pixel-based and object-based time-weighted dynamic time warping analysis. Remote Sensing of Environment, 204(2018), 509-523. 9-523. https://doi.org/10.1016/j.rse.2017.10.005 es_ES
dc.description.references Berni, J. A. J., Zarco-Tejada, P. J., Suárez, L., Fereres, E., 2009. Thermal and narrowband multispectral remote sensing for vegetation monitoring from an unmanned aerial vehicle. Ieee Transactions on Geoscience and Remote Sensing, 47(3), 722-738. 9-523. https://doi.org/10.1016/j.rse.2017.10.005 es_ES
dc.description.references Chen, W., Xie, X., Wang, J., Pradhan, B., Hong, H., Bui, D. T., Duan, Z., Ma, J., 2017. A comparative study of logistic model tree, random forest, and classification and regression tree models for spatial prediction of landslide susceptibility. Catena, 151(2017), 147-160. https://doi.org/10.1016/j.catena.2016.11.032 es_ES
dc.description.references Chuvieco, E., 2008. Teledeteccion ambiental. Barcelona: Ariel, S.A. es_ES
dc.description.references Corpoica. Ciencia, Tecnología e Innovación en el Sector Agropecuario (Diagnóstico para la Misión para la Transformación del Campo). Departamento Nacional de Planeación-Biblioteca. Último acceso: 13 de Mayo, 2020, de https://colaboracion.dnp.gov.co/CDT/Agriculturapecuarioforestal y pesca/Diagnóstico de la Ciencia, Tecnología e Innovación en el Sector Agropecuario-CORPOICA.pdf es_ES
dc.description.references DANE. Marco Maestro Rural Y Agropecuaria - Conceptualización Básica. DANE Información para todos. Último acceso: 13 de Mayo, 2020, de https://geoportal.dane.gov.co/descargas/mmra/pdf/2019_MMRA_DOCUMENTO_V1.pdf es_ES
dc.description.references Dash, J. P., Pearse, G. D., Watt, M. S., 2018. UAV multispectral imagery can complement satellite data for monitoring forest health. Remote Sensing, 10(8), 1-22. https://doi.org/10.3390/rs10081216 es_ES
dc.description.references Díaz García-Cervigón, J. J., 2015. Estudio de Índices de vegetación a partir de imágenes aéreas tomadas desde UAS/RPAS y aplicaciones de estos a la agricultura de precisión [Universidad Complutense de Madrid]. https://eprints.ucm.es/31423/1/TFM_Juan_Diaz_Cervignon.pdf es_ES
dc.description.references ESA. Sentinel-2 User Handbook. Sentinel online. Último acceso: 8 de Julio, 2020, de https://sentinels.copernicus.eu/documents/247904/685211/Sentinel-2_User_Handbook es_ES
dc.description.references FAO., 2013. Plan de acción de la estrategia global para el mejoramiento de las estadísticas agropecuarias y rurales. Roma: Banco Mundial es_ES
dc.description.references Flood, N., 2013. Seasonal composite landsat TM/ETM+ images using the medoid (a multi-dimensional Median). Remote Sensing, 5(12), 6481-6500. https://doi.org/10.3390/rs5126481 es_ES
dc.description.references Foody, G. M., 2002. Status of land cover classification accuracy assessment. Remote Sensing of Environment, 80(1), 185-201. https://doi.org/10.1016/S0034-4257(01)00295-4 es_ES
dc.description.references Gao, B. C., 1996. NDWI-A normalized difference water index for remote sensing of vegetation liquid water from space. Remote sensing of environment, 58(3), 257-266. https://doi.org/10.1016/S0034-4257(96)00067-3 es_ES
dc.description.references Gevaert, C. M., Suomalainen, J., Tang, J., Kooistra, L., 2015. Generation of spectral-temporal response surfaces by combining multispectral satellite and hyperspectral UAV imagery for precision agriculture application. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 8(6), 3140-3146. https://doi.org/10.1109/JSTARS.2015.2406339 es_ES
dc.description.references Gitelson, A. A., Kaufman, Y. J., Stark, R., Rundquist, D., 2002. Novel algorithms for remote estimation of vegetation fraction. Remote Sensing of Environment, 80(1), 76-87. https://doi.org/10.1016/S0034-4257(01)00289-9 es_ES
dc.description.references González, X., Cancela, J., 2018. Utilización de imágenes de satélite y drones en horticultura. Canales sectoriales interempresas. Último acceso: 13 de Mayo, 2020, de https://www.interempresas.net/Horticola/Articulos/206464-Utilizacion-de-imagenes-de-satelite-y-drones-en-horticultura.html es_ES
dc.description.references HC, T., 2019. Pansharpening Sentinel-2 imagery in Google Earth Engine. Landscape Ecology & Conservation Lab. Último acceso: 13 de Mayo, 2020, de https://leclab.wixsite.com/spatial/post/pansharpening-sentinel-2-imagery-in-google-earth engine. es_ES
dc.description.references French, J., Montiel, K., Palmieri, V., 2014. La innovación en la agricultura: un proceso clave para el desarrollo sostenible. San José: IICA. es_ES
dc.description.references Jenerowicz, A., Woroszkiewicz, M., 2016. The pan-sharpening of satellite and UAV imagery for agricultural applications. En: Remote Sensing for Agriculture, Ecosystems, and Hydrology XVIII. Edinburgh, United Kingdom. 26-28 Septiembre. pp 674. https://doi.org/10.1117/12.2241645 es_ES
dc.description.references Kaplan, G., 2018. Sentinel-2 pan sharpening-Comparative analysis. Proceedings, 2(7), 345. https://doi.org/10.3390/ecrs-2-05158 es_ES
dc.description.references Kuhn, C., de Matos Valerio, A., Ward, N., Loken, L., Sawakuchi, H. O., Kampel, M., Richey, J., Stadler, P., Crawford, J., Striegl, R., Vermote, E., Pahlevan, N., & Butman, D. 2019. Performance of Landsat-8 and Sentinel-2 surface reflectance products for river remote sensing retrievals of chlorophyll-a and turbidity. Remote Sensing of Environment, 224(January), 104-118. https://doi.org/10.1016/j.rse.2019.01.023 es_ES
dc.description.references León, Y. Introducción a las Imágenes Satelitales. Nanopdf. Último acceso: 16 de Mayo, 2020, de https://nanopdf.com/download/introduccion-a-las-imagenes-satelitales_pdf. es_ES
dc.description.references Li, Y., Qu, J., Dong, W., Zheng, Y., 2018. Hyperspectral pansharpening via improved PCA approach and optimal weighted fusion strategy. Neurocomputing, 315, 371-380. https://doi.org/10.1016/j.neucom.2018.07.030 es_ES
dc.description.references Liu, C., Frazier, P., Kumar, L., 2007. Comparative assessment of the measures of thematic classification accuracy. Remote Sensing of Environment, 107(4), 606-616. https://doi.org/10.1016/j.rse.2006.10.010 es_ES
dc.description.references MADR. (2018). Estrategia de Política Pública para la Gestión Integral de Riesgos Agropecuarios en Colombia. Minagricultura. Último acceso: 13 de Mayo, 2020, de https://www.minagricultura.gov.co/Documents/LIBRO%20ESTRATEGIA%20VERSION%20FINAL.pdf es_ES
dc.description.references Metternicht, G., 2003. Vegetation indices derived from high-resolution airborne videography for precision crop management. International Journal of Remote Sensing, 24(14), 2855-2877. https://doi.org/10.1080/01431160210163074 es_ES
dc.description.references Millard, K., Richardson, M., 2015. On the importance of training data sample selection in Random Forest image classification: A case study in peatland ecosystem mapping. Remote Sensing, 7(7), 8489-8515. https://doi.org/10.3390/rs70708489 es_ES
dc.description.references Nonni, F., Malacarne, D., Pappalardo, S. E., Codato, D., Meggio, F., De Marchi, M., 2018. Sentinel-2 Data Analysis and Comparison with UAV Multispectral Images for Precision Viticulture. GI_Forum, 6(1), 105-116. https://doi.org/10.1553/giscience2018_01_s105 es_ES
dc.description.references Palubinskas, G. 2013. Fast, simple, and good pan-sharpening method. Journal of Applied Remote Sensing, 7(1), 073526. https://doi.org/10.1117/1.jrs.7.073526 es_ES
dc.description.references Peñuelas, J., Baret, F., & Filella, I., 1995. Semi-empirical indices to assess carotenoids/chlorophyll a ratio from leaf spectral reflectance. Photosynthetica, 31(2), 221-230. es_ES
dc.description.references Pla, M., Duane, A., Brotons, L., 2017. Potencial de las imágenes UAV como datos de verdad terreno para la clasificación de la severidad de quema de imágenes landsat: Aproximaciones a un producto útil para la gestión post incendio. Revista de Teledeteccion, 2017(49), 91-102. https://doi.org/10.4995/raet.2017.7140 es_ES
dc.description.references Pla, M., Bota, G., Duane, A., Balagué, J., Curcó, A., Gutiérrez, R., Brotons, L., 2019. Calibrating Sentinel-2 imagery with multispectral UAV derived information to quantify damages in mediterranean rice crops caused by western swamphen (Porphyrio porphyrio). Drones, 3(2), 45. https://doi.org/10.3390/drones3020045 es_ES
dc.description.references Puerto-Caro, N., Rios-Monroy, A., & Upegui, E., 2019. Estimación de la distribución espacial del control terrestre para el proceso fotogramétrico utilizando aeronaves remotamente pilotadas. Teledetección: hacia una visión global del cambio climático, 357-360. es_ES
dc.description.references Rocchini, D., 2007. Effects of spatial and spectral resolution in estimating ecosystem α-diversity by satellite imagery. Remote Sensing of Environment, 111(4), 423-434. https://doi.org/10.1016/j.rse.2007.03.018 es_ES
dc.description.references Rouse, J.W., Haas, R.H., Schell, J.A., Deering, D.W. 1973, Monitoring vegetation systems in the Great Plains with ERTS. In 3rd ERTS Symposium, NASA SP-351 I, pp. 309-317. es_ES
dc.description.references Sebem, E., González Rivera, C., de la Vega Panizo, R., Valverde Gonzalo, A., 2005. Aportación del NDVI y los sistemas expertos en la mejora de la clasificación temática de imágenes multiespectrales. En: Anais Do XII Symposium Brasileiro de Sensoriamento Remoto. Goiânia, Brasil, 16-21 Abril. pp 2763-2771. es_ES
dc.description.references Stuckens, J., Coppin, P. R., Bauer, M. E., 2000. Integrating contextual information with per-pixel classification for improved land cover classification. Remote Sensing of Environment, 71(3), 282-296. https://doi.org/10.1016/S0034-4257(99)00083-8 es_ES
dc.description.references Szantoi, Z., Smith, S. E., Strona, G., Koh, L. P., Wich, S. A., 2017. Mapping orangutan habitat and agricultural areas using Landsat OLI imagery augmented with unmanned aircraft system aerial photography. International Journal of Remote Sensing, 38(8-10), 2231-2245. https://doi.org/10.1080/01431161.2017.1280638 es_ES
dc.description.references Traganos, D., Aggarwal, B., Poursanidis, D., Topouzelis, K., Chrysoulakis, N., Reinartz, P., 2018. Towards global-scale seagrass mapping and monitoring using Sentinel-2 on Google Earth Engine: The case study of the Aegean and Ionian seas. Remote Sensing, 10(8), 1227. https://doi.org/10.3390/rs10081227 es_ES
dc.description.references Viña, A., Gitelson, A. A., Nguy-Robertson, A. L., & Peng, Y., 2011. Comparison of different vegetation indices for the remote assessment of green leaf area index of crops. Remote Sensing of Environment, 115(12), 3468-3478. https://doi.org/10.1016/j.rse.2011.08.010 es_ES
dc.description.references Zha, Y., Gao, J., & Ni, S., 2003. Use of normalized difference built-up index in automatically mapping urban areas from TM imagery. International journal of remote sensing, 24(3), 583-594. https://doi.org/10.1080/01431160304987 es_ES
dc.description.references Zhao, L., Shi, Y., Liu, B., Hovis, C., Duan, Y., Shi, Z., 2019. Finer Classification of Crops by Fusing UAV Images and Sentinel-2A Data. Remote Sensing, 11(24), 3012. https://doi.org/10.3390/rs11243012 es_ES


This item appears in the following Collection(s)

Show simple item record