Land cover classification at three different levels of detail from optical and radar Sentinel SAR data: a case study in Cundinamarca (Colombia)

• Juan Ricardo Mancera Florez ^[1] ; Iván Alberto Lizarazo Salcedo ^[1]
  1. [1] Universidad Nacional de Colombia

     Universidad Nacional de Colombia

     Colombia

     
• Localización: DYNA: revista de la Facultad de Minas. Universidad Nacional de Colombia. Sede Medellín, ISSN 0012-7353, Vol. 87, Nº. 215, 2020, págs. 136-145
• Idioma: inglés
• Títulos paralelos:
  • Clasificación de la cobertura del suelo en tres niveles de detalle diferentes a partir de datos ópticos y de radar SAR Sentinel: un estudio de caso en Cundinamarca (Colombia)
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    En este documento, se evalúa el potencial de las imágenes satelitales Sentinel-1A y Sentinel-2A para el mapeo de la cobertura del suelo en tres niveles de detalle; exploratorio, reconocimiento y semi-detallado. Se compara el rendimiento de dos enfoques diferentes de clasificación de imágenes: (i) un enfoque tradicional basado en píxeles; y (ii) un enfoque orientado a objetos. En ambos casos, el proceso de clasificación se realizó utilizando el algoritmo “RandomForest”. El estudio también aborda la identificación de un conjunto de canales de radar, bandas ópticas e índices relevantes para la clasificación. La exactitud temática de las clasificaciones, muestra los mejores resultados en el enfoque orientado a objetos para los niveles de exploración y reconocimiento. Los resultados muestran que la integración de datos multiespectrales y de radar como variables explicativas para la clasificación proporciona mejores resultados que el uso de una única fuente de datos.

  • English

    In this paper, the potential of Sentinel-1A and Sentinel-2A satellite images for land cover mapping is evaluated at three levels of spatial detail; exploratory, reconnaissance, and semi-detailed. To do so, two different image classification approaches are compared: (i) a traditional pixel-wise approach; and (ii) an object–oriented approach. In both cases, the classification task was conducted using the “RandomForest” algorithm. The case study was also intended to identify a set of radar channels, optical bands, and indices that are relevant for classification. The thematic accuracy of the classifications displays the best results for the object-oriented approach to exploratory and recognition levels. The results show that the integration of multispectral and radar data as explanatory variables for classification provides better results than the use of a single data source.