Aurelio García Rochera, José Miguel Gorosabel Araus, Javier Becerra, Alejandro Redondo
Las tecnologías satelitales han supuesto una revolución en el marco de la clasificación de la cobertura terrestre gracias al rendimiento coste/eficacia que supone en comparación con otras metodologías como la observación por medio de personal. En este sentido, la aplicación de técnicas de Inteligencia Artificial (Machine Learning y Deep Learning) permite clasificar los usos del suelo con una precisión muy alta. Sin embargo, los resultados van a estar siempre ligados a la resolución nativa de los sensores. Para ello, desde COTESA hemos aplicado técnicas de Super-Resolución basadas en reden neuronales para mejorar la resolución de los productos Sentinel-2 hasta los 2.5 m (x4). Estas imágenes super-resueltas fueron integradas con los datos de la plataforma Sentinel-1 dentro de un datacube, donde se calcularon los índices y parámetros necesarios para la clasificación siguiendo el análisis de las series temporales y la fenología de los cultivos, incluida la estimación de coherencia interferométrica de los datos SAR.
Basados en datos de campo de dos regiones bioclimáticas distintas (Lugo y Cuenca), nuestros resultados preliminares indican una mejora significativa de entre el 5 % y el 10% gracias a la integración de los datos ópticos y radar. El uso de imágenes super-resultas ha llevado a una mayor definición de los bordes de parcela, permitiendo una mayor precisión en la clasificación de las parcelas de menor tamaño y mejorando la clasificación en un 10% adicional respecto al uso de imágenes con la resolución original.
© 2001-2024 Fundación Dialnet · Todos los derechos reservados