Clasificación automática de coberturas forestales a partir de imágenes Sentinel-2 y datos auxiliares mediante Google Earth Engine
-
-
[1] Universidad de Oviedo
Universidad de Oviedo
Oviedo, España
-
- Localización: Cuadernos de la Sociedad Española de Ciencias Forestales, ISSN 1575-2410, ISSN-e 2386-8368, Nº. 49, 2, 2023, págs. 161-184
- Idioma: español
- Títulos paralelos:
- Automatic classification of forest cover using Sentinel-2 imagery and auxiliary data through Google Earth Engine
- Enlaces
-
Resumen
- español
El objetivo de este trabajo fue realizar una clasificación automática de coberturas forestales con una resolución espacial de 10 m/pixel en Asturias (Norte de España). Esta región tiene una vocación eminentemente forestal con una gran superficie de plantaciones forestales de Pinus pinaster, Pinus radiata y Eucalyptus globulus, cuyas cortas representan el 91% de la madera aprovechada anualmente en la región.
La clasificación se basó en una serie de datos multitemporales del sensor Sentinel-2 y en datos auxiliares climáticos y topográficos. Como fuentes de datos se utilizaron: parcelas de campo (Inventario Forestal Nacional), clasificación de coberturas terrestres (Corine Land Cover), imágenes de satélite (constelación Sentinel-2) y varias fuentes de variables auxiliares.
El código fue implementado en Google Earth Engine® (GEE) y para la clasificación se usó el algoritmo Random Forest. Se realizó una división aleatoria de la base de datos, destinando un 70% para el entrenamiento de los modelos y un 30% para su validación. Finalmente se clasificaron las coberturas forestales del territorio en 30 clases, obteniéndose un valor del estadístico Kappa de 0,5723. Al analizar la matriz de confusión, se observó que los fallos de clasificación eran principalmente consecuencia de la similitud de las firmas espectrales de las coberturas analizadas.
En los próximos años, con la mayor diversidad y mejora de los datos capturados por sensores remotos, el desarrollo de plataformas como GEE, y el desarrollo de nuevos algoritmos, permitirán obtener clasificaciones de cobertura automáticas más precisas y probablemente se convertirán en herramientas indispensables.
- English
The aim of this work was to carry out an automatic classification of forest covers with a spatial resolution of 10 m/pixel, in the region of Asturias (North Spain). This region has an eminently forest vocation and present an important area constituted by forest plantations of Pinus Pinaster, Pinus radiata and Eucalyptus globulus, which represent 91% of the annual timber harvested in the region; so, the classification was mainly emphasized on these species.
The classification was based on a multitemporal series data from the Sentinel-2 sensor and auxiliary data (climate and topography). We use the following data sources: field plots (Spanish National Forest Inventory); land cover classification of the Corine Land Cover project; satellite images (Sentinel-2 constellation); and different sources of auxiliary variables.
The code was implemented in Google Earth Engine®(GEE). We use the Random Forest algorithm, to obtain the training-validation datasets was made a random division (70-30%) of the global database. The forest cover level classifies the territory into 30 large use classes. The Kappa value obtained for this level was 0.5723. Analyzing the confusion matrix, it was observed that confusion between classes was a consequence of the similarity of the analyzed coverage spectral signatures.
In the coming years, with the greater diversity and improvement of data captured by remote sensors, the development of platforms such as GEE, and the acquisition of new algorithms will allow obtaining coverage classifications that will significantly improve their accuracy and will likely become an indispensable tool.
- español
