- -

Clasificación de usos del suelo a partir de imágenes Sentinel-2

RiuNet: Repositorio Institucional de la Universidad Politécnica de Valencia

Compartir/Enviar a

Citas

Estadísticas

  • Estadisticas de Uso

Clasificación de usos del suelo a partir de imágenes Sentinel-2

Mostrar el registro sencillo del ítem

Ficheros en el ítem

dc.contributor.author Borràs, J. es_ES
dc.contributor.author Delegido, J. es_ES
dc.contributor.author Pezzola, A. es_ES
dc.contributor.author Pereira, M. es_ES
dc.contributor.author Morassi, G. es_ES
dc.contributor.author Camps-Valls, G. es_ES
dc.date.accessioned 2017-06-26T09:21:51Z
dc.date.available 2017-06-26T09:21:51Z
dc.date.issued 2017-06-20
dc.identifier.issn 1133-0953
dc.identifier.uri http://hdl.handle.net/10251/83604
dc.description.abstract [EN] Sentinel-2 (S2), a new ESA satellite for Earth observation, accounts with 13 bands which provide high-quality radiometric images with an excellent spatial resolution (10 and 20 m) ideal for classification purposes. In this paper, two objectives have been addressed: to determine the best classification method for S2, and to quantify its improve-ment with respect to the SPOT operational mission. To do so, four classifiers (LDA, RF, Decision Trees, K-NN) have been selected and applied to two different agricultural areas located in Valencia (Spain) and Buenos Aires (Argentina). All classifiers were tested using, on the one hand, all the S2 bands and, on the other hand, only selecting those bands from S2 closer to the four bands from SPOT. In all the cases, between 10%-50% of samples were used to train the classifier while remaining the rest for validation. As a result, a land use map was generated from the best classifier, according to the Kappa index, providing scientifically relevant information such as the area of each land use class. es_ES
dc.description.abstract [ES] Sentinel-2 (S2) es un nuevo satélite de la ESA que cuenta con 13 bandas proporcionando imágenes de alta calidad radiométrica y excelente resolución espacial (10 y 20 m) ideal para trabajos de clasificación. En este trabajo se han abordado dos objetivos: determinar el mejor método de clasificación con S2, y cuantificar su mejora respecto a otras misiones operativas, como SPOT. Para ello se han seleccionado cuatro clasificadores (LDA, RF, Árboles de decisión, K-NN) que se han aplicado en dos zonas agrarias: una en la huerta de Valencia (España) y otra en la región de Buenos Aires (Argentina). Se han probado todos los clasificadores usando, por una parte, todas las bandas de S2, y por otra usando sólo las cuatro que coinciden con SPOT. En todos los casos se han aplicando porcentajes entre el 10 y el 50% de datos de entrenamiento y usado el resto de datos como validación. Como resultado se ha generado un mapa de usos del suelo a partir del mejor clasificador, basándose en el índice Kappa, proporcionando información científicamente relevante como es el área ocupada por cada una de las clases. es_ES
dc.language Español es_ES
dc.publisher Universitat Politècnica de València
dc.relation.ispartof Revista de Teledetección
dc.rights Reconocimiento - No comercial - Sin obra derivada (by-nc-nd) es_ES
dc.subject Clasificación es_ES
dc.subject Teledetección es_ES
dc.subject Usos del suelo es_ES
dc.subject Índice Kappa es_ES
dc.subject Sentinel-2 es_ES
dc.subject Classification es_ES
dc.subject Remote sensing es_ES
dc.subject Land es_ES
dc.subject Kappa index es_ES
dc.title Clasificación de usos del suelo a partir de imágenes Sentinel-2 es_ES
dc.title.alternative Land use classification from Sentinel-2 imagery es_ES
dc.type Artículo es_ES
dc.date.updated 2017-06-26T08:50:04Z
dc.identifier.doi 10.4995/raet.2017.7133
dc.rights.accessRights Abierto es_ES
dc.description.bibliographicCitation Borràs, J.; Delegido, J.; Pezzola, A.; Pereira, M.; Morassi, G.; Camps-Valls, G. (2017). Clasificación de usos del suelo a partir de imágenes Sentinel-2. Revista de Teledetección. (48):55-66. https://doi.org/10.4995/raet.2017.7133 es_ES
dc.description.accrualMethod SWORD es_ES
dc.relation.publisherversion https://doi.org/10.4995/raet.2017.7133 es_ES
dc.description.upvformatpinicio 55 es_ES
dc.description.upvformatpfin 66 es_ES
dc.type.version info:eu-repo/semantics/publishedVersion es_ES
dc.description.issue 48
dc.identifier.eissn 1988-8740
dc.description.references Breiman, L. (2001). Machine Learning, 45(1), 5-32. doi:10.1023/a:1010933404324 es_ES
dc.description.references Cohen, J. (1960). A Coefficient of Agreement for Nominal Scales. Educational and Psychological Measurement, 20(1), 37-46. doi:10.1177/001316446002000104 es_ES
dc.description.references Comber, A., Fisher, P., & Wadsworth, R. (2005). You know what land cover is but does anyone else?…an investigation into semantic and ontological confusion. International Journal of Remote Sensing, 26(1), 223-228. doi:10.1080/0143116042000274032 es_ES
dc.description.references Delegido, J., Verrelst, J., Alonso, L., & Moreno, J. (2011). Evaluation of Sentinel-2 Red-Edge Bands for Empirical Estimation of Green LAI and Chlorophyll Content. Sensors, 11(7), 7063-7081. doi:10.3390/s110707063 es_ES
dc.description.references Gislason, P. O., Benediktsson, J. A., & Sveinsson, J. R. (2006). Random Forests for land cover classification. Pattern Recognition Letters, 27(4), 294-300. doi:10.1016/j.patrec.2005.08.011 es_ES
dc.description.references Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning. Springer Series in Statistics. doi:10.1007/978-0-387-84858-7 es_ES
dc.description.references Immitzer, M., Atzberger, C., & Koukal, T. (2012). Tree Species Classification with Random Forest Using Very High Spatial Resolution 8-Band WorldView-2 Satellite Data. Remote Sensing, 4(9), 2661-2693. doi:10.3390/rs4092661 es_ES
dc.description.references Landis, J. R., & Koch, G. G. (1977). The Measurement of Observer Agreement for Categorical Data. Biometrics, 33(1), 159. doi:10.2307/2529310 es_ES
dc.description.references Mena, A.J. 2014. Procesamiento de imágenes satelitales multiespectrales. Proyecto final de carrera, Facultad de Informática, Universidad del País Vasco. es_ES
dc.description.references Quinlan, J.R. 1993. Programs for Machine Learning. 1st ed. San Mateo, CA, Morgan. es_ES
dc.description.references Rees, G. 2005. The Remote Sensing Data Book. Cambridge University Press, 262 pp. es_ES
dc.description.references Rodríguez-Galiano, V., Chica-Rivas, M. 2012. Clasificación de imágenes de satélite mediante software libre: Nuevas tendencias en algoritmos de Inteligencia artificial. Departamento de Geodinámica, Universidad de Granada. es_ES


Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem