Técnicas multivariantes para la clasificación de tres tipos de cobertura de suelo en parcelas de cítricos mediante la utilización de imagen unitemporal Sentinel-2

Abstract

[ES] La información sobre el uso y cobertura del suelo representa un papel fundamental para la planificación, administración y seguimiento de políticas y programas a escala local, nacional o incluso mundial. El proyecto Sentinel-2, cuyo fin es el de monitorizar el cambio de uso y cobertura del suelo brinda acceso gratuito a sus imágenes con los valores de 12 bandas espectrales y múltiples índices espectrales para identificación de cobertura de suelo. Sumado a esto, el surgimiento de algoritmos avanzados de aprendizaje automático y avance computacional, convierten a los sensores remotos como una herramienta poderosa para obtener información sobre la dinámica del uso y cobertura del suelo. El objetivo principal de este trabajo fue determinar el método más preciso y eficiente para clasificar tres tipos de cobertura de suelo (Abandonadas, En producción, y No producción) en parcelas de cítricos ubicadas en el municipio de Benaguasil, Valencia. Para ello se evaluaron los algoritmos Random Forest, Support Vector Machine, árboles de decisión, k-nearest neighbor, y Naive bayes, sobre cuatro diferentes submuestras de datos. Concluyendo que la tasa de clasificación significativamente mayor corresponde al método SVM utilizando la segunda submuestra de variables (Bandas 2,3,4,5,6,7,8,9,11, 12, NDWI, b2). Además, se obtuvo una matriz de confusión (con los parámetros fiabilidad productor y fiabilidad usuario), y por último el área bajo la curva AUC derivada de la curva ROC para cada uno de los pares de clases en comparación, indicando todos ellos el SVM como mejor modelo.

[EN] Abstract Information about land use and cover plays a fundamental role in the planning, administration and monitoring of policies and programs at a local, national or even global scale. The Sentinel-2 project, whose purpose is to monitor land use and cover change, provides free access to its images with the values of 12 spectral bands and multiple spectral indices for land cover identification. In addition to this, the emergence of advanced machine learning algorithms and computational advances make remote sensing a powerful tool for obtaining information on the dynamics of land use and cover. The overall aim of this work was to determine the most accurate and efficient method to classify three types of land cover (Abandoned, In production, and Non-production) in citrus plots located in the municipality of Benaguasil, Valencia. For this, the Random Forest, Support Vector Machine, decision trees, k-nearest neighbor, and Naive bayess algorithms were evaluated on four different data subsamples. Concluding that the significantly higher classification rate corresponds to the SVM method using the second subsample of variables (Bands 2,3,4,5,6,7,8,9,11, 12, NDWI, b2). In addition, a confusion matrix was obtained (with the parameters producer reliability and user reliability), and finally the area under the AUC curve derived from the ROC curve for each of the pairs of classes compared, all of them indicating the SVM as best mode.