Evaluación de cuatro algoritmos de clasificación de imágenes satelitales Landsat-8 y Sentinel-2 para la identificación de cobertura boscosa en paisajes altamente fragmentados en Costa Rica

Abstract

[EN] Mapping of land use and forest cover and assessing their changes is essential in the design of strategies to manage and preserve the natural resources of a country, and remote sensing have been extensively used with this purpose. By comparing four classification algorithms and two types of satellite images, the objective of the research was to identify the type of algorithm and satellite image that allows higher global accuracy in the identification of forest cover in highly fragmented landscapes. The study included a treatment arrangement with three factors and six randomly selected blocks within the Huetar Norte Zone in Costa Rica. More accurate results were obtained for classifications based on Sentinel-2 images compared to Landsat-8 images. The best classification algorithms were Maximum Likelihood, Support Vector Machine or Neural Networks, and they yield better results than Minimum Distance Classification. There was no interaction among image type and classification methods, therefore, Sentinel-2 images can be used with any of the three best algorithms, but the best result was the combination of Sentinel-2 and Support Vector Machine. An additional factor included in the study was the image acquisition date. There were significant differences among months during which the image was acquired and an interaction between the classification algorithm and this factor was detected. The best results correspond to images obtained in April, and the lower to September, month that corresponds with the period of higher rainfall in the region studied. The higher global accuracy identifying forest cover is obtained with Sentinel-2 images from the dry season in combination with Maximum Likelihood, Support Vector Machine, and Neural Network image classification methods.

[ES] Conocer y cartografiar los cambios del uso y cobertura de la tierra es esencial para la formulación de estrategias de manejo y conservación de los recursos naturales. Las herramientas que conforman la disciplina de la teledetección han sido extensamente usadas con este objetivo. Al comparar cuatro algoritmos de clasificación y dos tipos de imágenes satelitales, el objetivo de la investigación fue determinar el tipo de algoritmo e imagen satelital que permite obtener una mayor fiabilidad global en la identificación de la cobertura boscosa en paisajes de uso de la tierra con alta fragmentación. El estudio se desarrolló en la Zona Huetar Norte de Costa Rica, utilizando un diseño experimental de seis bloques con un arreglo de tratamientos con tres factores. El uso de imágenes Sentinel-2 fue superior al obtenido con Landsat-8. No existen diferencias significativas en la fiabilidad lograda con los algoritmos de clasificación de Máxima Verosimilitud, Máquinas de Vectores Soporte y Redes Neuronales, pero sí de estos con respecto a la clasificación por Mínima Distancia. No se detectó interacción entre tipo de imagen y algoritmo de clasificación, por lo que las imágenes de Sentinel-2 podrían usarse con cualquiera de los tres mejores algoritmos estudiados. Se analizó además el efecto que tuvo el mes en cada imagen adquirida, y se encontraron diferencias significativas debido a este factor, además se produce una interacción de este con el método de clasificación. Los mejores resultados se obtuvieron con imágenes de abril, y los más bajos con imágenes de septiembre, mes que coincide con la época lluviosa en la zona estudiada. Se concluye que la mayor fiabilidad en la identificación de la cobertura boscosa se logra mediante el uso de los algoritmos de Máxima Verosimilitud, Máquinas de Vectores Soporte y Redes Neuronales empleando imágenes Sentinel-2 tomadas en la temporada seca.