Documentos de Académico
Documentos de Profesional
Documentos de Cultura
127 ShortPaper Csillik Belgiu 2017
127 ShortPaper Csillik Belgiu 2017
Vea discusiones, estadísticas y perfiles de autor para esta publicación en: https://www.researchgate.net/publication/334000804
Mapeo de tierras de cultivo a partir de datos de series temporales de Sentinel-2 utilizando análisis de imágenes
basado en objetos
CITAS LEE
22 1,715
2 autores:
Ovidiu Csillik
mariana belga
Algunos de los autores de esta publicación también están trabajando en estos proyectos relacionados:
Enriquecimiento semántico de datos ópticos de EO para mejorar las capacidades de consulta espacio-temporales, proyecto SemEO, Agencia Austriaca de Promoción de la Investigación (FFG), convocatoria de proyecto
Propuestas a las TIC del Futuro, oct. 2016-sep. 2017. Ver proyecto
Todo el contenido que sigue a esta página fue subido por Ovidiu Csillik el 25 de junio de 2019.
Mapeo de tierras de cultivo a partir de datos de series temporales de Sentinel-2 utilizando análisis de
imágenes basado en objetos
Resumen
La creciente resolución espacial y temporal de los datos de Sentinel-2 crea nuevas premisas para el mapeo y monitoreo de tierras de cultivo a escala local, regional y global. Este
documento informa los resultados de un estudio dedicado al mapeo de tierras de cultivo a partir de datos de series temporales de Sentinel-2 utilizando objetos como unidades de análisis
espacial. La pila de datos de serie temporal de Sentinel-2 se segmentó automáticamente mediante un algoritmo de segmentación de resolución múltiple y los objetos de imagen resultantes
se clasificaron mediante el método de deformación temporal dinámica ponderada en el tiempo (TWDTW). Aplicamos este enfoque para mapear trigo, maíz, arroz, girasol y bosques en un
área agrícola situada en la parte sureste de Rumania.
El marco de mapeo de tierras de cultivo implementado arrojó una precisión general del 93,43 % y un índice kappa del 92 %. Tiene la ventaja de generar un conjunto de datos vectoriales
espaciales que pueden respaldar la toma de decisiones en varios contextos de gestión agrícola.
Palabras clave: tierras de cultivo, teledetección, análisis de imágenes basado en objetos, datos de series temporales, Sentinel-2.
El estudio se centra únicamente en las bandas visibles del sensor Sentinel-2 3.2 Método de deformación temporal dinámica ponderada
(banda 2, banda 3 y banda 4) y la banda del infrarrojo cercano (banda 8) para en el tiempo
el proceso de segmentación, mientras que los ciclos fenológicos de las clases
de uso del suelo/cobertura del suelo de interés se calcularon usando el Índice TWDTW es un método de clasificación supervisado que utiliza los patrones
de Vegetación de Diferencia Normalizada (NDVI). temporales de las muestras de entrenamiento calculadas a partir de diferentes
índices y/o características espectrales para clasificar los campos agrícolas de
interés (Fig. 3). Para este estudio, generamos aleatoriamente 2500 muestras,
Figura 1: Localización del área de estudio en la parte sureste de lo que resultó en 589 muestras de entrenamiento y 1660 muestras de
Rumania. validación. Estas muestras se clasificaron a través de la interpretación visual,
confiando en las claves de interpretación visual desarrolladas usando las
muestras de entrenamiento de la Encuesta Marco del Área de Cobertura y el
Uso del Suelo Europeo (LUCAS) para las clases de cobertura/uso del suelo
de interés. Este conjunto de datos solo estuvo disponible para 2015 y, por lo
tanto, no pudimos usarlo directamente como muestras de capacitación para
los datos de Sentinel-2 que estaban disponibles para 2016.
3. Metodología
La aplicación del método TWDTW requiere tres pasos principales (1) Figura 4: Clasificación TWDTW basada en objetos del área de estudio. Los
generar los patrones temporales de las muestras de entrenamiento en función asentamientos (color gris) están enmascarados.
de la serie temporal del ráster NDVI (Fig. 3), (2) aplicar el análisis TWDTW y
(3) clasificar la serie temporal del ráster (Fig. 3).
2). En nuestro estudio usamos el paquete R llamado dtwSat (Maus et al.,
2016) para ejecutar el flujo de trabajo hacia la obtención de una clasificación
TWDTW basada en objetos.
Aplicamos un TWDTW logístico con ÿ = ÿ0.1 y ÿ = 50, lo que significa que
agregamos un peso de tiempo al DTW con una penalización baja para
deformaciones de tiempo menores a 50 días y una penalización más alta para
deformaciones de tiempo más grandes (Maus et al. 2016). Se crean dos
conjuntos de datos ráster: el mapa categórico de clases de interés y la medida
de disimilitud TWDTW de la escena
clasificado.
4 Resultados y discusiones
Tabla 1: Precisión de clasificación lograda al aplicar el método TWDTW a objetos, como unidades de análisis espacial. PA significa precisión
del productor, UA significa precisión del usuario y OA significa precisión general.
Clase de referencia
clase de mapa
Trigo Maíz Arroz Girasol Bosque Desclasificado AU totales (%)
se fusionaron en los pasos posteriores del análisis de imágenes. Los conjuntos de datos vectoriales espaciales listos para usar. La disponibilidad de
resultados de la segmentación, por otro lado, no se pueden descartar conjuntos de datos de campos agrícolas basados en vectores a nivel regional y mundial
fácilmente. Una posible solución a este problema podría ser la podría beneficiar a las agencias de control y gestión agrícola, incluida la
división del área de estudio en dos regiones con base en las características Política Agrícola Común Europea (PAC) y su programa del Fondo Europeo
(y por lo tanto la complejidad) de los campos agrícolas. de Garantía Agrícola (EAGF) para desarrollar prácticas agrícolas sostenibles
De esta forma, el paisaje agrícola altamente fragmentado presente en la parte y programas de subsidios agrícolas para la seguridad alimentaria.
occidental del área de estudio podría segmentarse independientemente de la
parte oriental, donde dominan los campos agrícolas más grandes. El mismo
procedimiento ha sido implementado con éxito por d'Oleire-Oltmanns y Tiede
(2014) para la delineación de cárcavas a partir de la imagen de QuickBird. En Agradecimientos
un estudio anterior, Matton et al. (2015) argumentaron que los resultados de
clasificación ligeramente mejores producidos por el método basado en objetos
El trabajo de Ovidiu Csillik fue apoyado por el Fondo de Ciencias de Austria
no compensan el alto tiempo de procesamiento requerido para el paso de
(FWF) a través del Doctoral College GIScience (DK W1237-N23).
segmentación. En nuestro caso, la segmentación de capas de series
temporales demostró ser un proceso menos intensivo computacionalmente
(1h 50min, utilizando 16 núcleos con 2,90 GHz y 32 GB de memoria).
Congalton, RG Una revisión de la evaluación de la precisión de las caracteristicas. Revista Internacional de Percepción Remota, 17:
clasificaciones de datos de detección remota. Detección remota 1425-1432, 1996.
del medio ambiente, 37(1): 35-46, 1991. Pringle, MJ, Denham, RJ y Devadas, R. Identificación de la actividad de cultivo
D'Oleire-Oltmanns, S. and Tiede, D. ¿Objetos de destino específicos, niveles en el centro y sur de Queensland, Australia, con la ayuda de
de escala específicos? Aplicación de la herramienta de estimación imágenes MODIS MOD13Q1. Revista Internacional de Observación
del parámetro de escala 2 (ESP 2) para la identificación de niveles Aplicada de la Tierra y Geoinformación, 19:
de escala para distintos objetos objetivo. Revista de Observación
de la Tierra y Geomática de Europa Sudoriental, 3(2S): 579-584, 276-285, 2012.
2014. Qiu, B., Luo, Y., Tang, Z., Chen, C., Lu, D., Huang, H., Chen, Y., Chen, N. y
Desclée, B., Bogaert, P. y Defourny, P. Detección de cambios en los bosques Xu, W. Mapeo de trigo de invierno que combina variaciones antes
mediante un método estadístico basado en objetos. Teledetección y después de las fechas estimadas de partida. ISPRS Journal of
del Medio Ambiente, 102: 1-11, 2006. Photogrametry and Remote Sensing, 123: 35-46, 2017.
Drÿguÿ, L., Csillik, O., Eisank, C. y Tiede, D. Parametrización automatizada
para la segmentación de imágenes a varias escalas en varias Yan, L. y Roy, DP Clasificación mejorada de la cobertura terrestre de series
capas. ISPRS Journal of Photogrametry and Remote Sensing, 88: temporales mediante la reducción de la dimensionalidad no lineal
119-127, 2014. adaptativa de observación faltante. Teledetección del Medio
Ambiente, 158: 478-491, 2015.
Gao, Y., Mas, JF, Kerle, N. and Navarrete Pacheco, JA
La segmentación creciente de la región óptima y su efecto en la
precisión de la clasificación. Revista Internacional de Percepción
Remota, 32, 3747-3763, 2011.
Immitzer, M., Vuolo, F. y Atzberger, C. Primera experiencia con datos
Sentinel-2 para clasificaciones de especies de cultivos y árboles
en Europa Central. Teledetección, 8(3): 166, 2016.
Inglada, J., Arias, M., Tardy, B., Hagolle, O., Valero, S., Morin, D., Dedieu, G.,
Sepulcre, G., Bontemps, S., Defourny, P. y Koetz, B. Evaluación
de un sistema operativo para la producción de mapas de tipos de
cultivos utilizando imágenes ópticas satelitales de alta resolución
temporal y espacial. Teledetección, 7(9):
12356-12379, 2015.
Jia, K., Liang, S., Zhang, N., Wei, X., Gu, X., Zhao, X., Yao, Y. y Xie, X.
Clasificación de cobertura terrestre de datos de teledetección de
resolución más fina que integran datos temporales características
de series temporales de datos de resolución más gruesa.
ISPRS Journal of Photogrametry and Remote Sensing, 93: 49-55,
2014.
Lebourgeois, V., Dupuy, S., Vintrou, É., Ameline, M., Butler, S. y Bégué, A. Un
esquema combinado de clasificación de bosque aleatorio y OBIA
para mapear la agricultura en pequeña escala en diferentes
niveles de nomenclatura utilizando datos de múltiples fuentes
(simulado Serie temporal Sentinel 2, VHRS y DEM). Teledetección,
9(3): 259, 2017.
Matton, N., Canto, GS, Waldner, F., Valero, S., Morin, D., Inglada, J., Arias,
M., Bontemps, S., Koetz, B. y
Defourny, P. Un método automatizado para el mapeo anual de
tierras de cultivo a lo largo de la temporada para varios
agrosistemas distribuidos globalmente utilizando series temporales
de alta resolución espacial y temporal. Teledetección, 7:
13208-13232, 2015.
Maus, V., G, C., Cartaxo, R., Sánchez, A., Ramos, FM y
Queiroz, GRD Un método de deformación de tiempo dinámico
ponderado en el tiempo para el mapeo del uso y la cobertura del
suelo. IEEE Journal of Selected Topics in Applied Earth
Observations and Remote Sensing, 9(8): 3729-3739, 2016.