Machine Translated by Google

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

Documento de conferencia · Mayo 2017

CITAS LEE
22 1,715

2 autores:

Ovidiu Csillik
mariana belga

Instituto de Tecnología de California Universidad de Twente

17 PUBLICACIONES 1.669 CITAS 47 PUBLICACIONES 3.944 CITAS

VER EL PERFIL VER EL PERFIL

Algunos de los autores de esta publicación también están trabajando en estos proyectos relacionados:

Análisis de imágenes basado en agentes - ABIA Ver proyecto

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.

El usuario ha solicitado la mejora del archivo descargado.

Machine Translated by Google

Mapeo de tierras de cultivo a partir de datos de series temporales de Sentinel-2 utilizando análisis de
imágenes basado en objetos

Ovidiu Csillik mariana belga

Universidad de Salzburgo Universidad de Twente
Departamento de Geoinformática – Z_GIS Facultad de Ciencias de la Geoinformación y
Schillerstrasse 30, 5020 Observación de la Tierra (ITC)
Salzburgo, Austria PO Box 217, 7500 AE
ovidiu.csillik@sbg.ac.at Enschede, Países Bajos
m.belgiu@utwente.nl

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.

1. Introducción dinámica de los tipos de cultivos objetivo. Lebourgeois et al. (2017)

El mapeo preciso y eficiente de las tierras de cultivo es un requisito
previo para desarrollar políticas de gestión agrícola eficientes que
faciliten la implementación de sistemas sostenibles de suministro de
alimentos en todo el mundo.
Los datos de teledetección ya se han utilizado con éxito en diferentes
programas de seguimiento de tierras de cultivo debido a su cobertura
global (Inglada et al., 2015). Los estudios existentes dedicados al
mapeo de tierras de cultivo utilizaron datos MODIS (Maus et al., 2016,
Arvor et al., 2011, Pringle et al., 2012, Qiu et al., 2017), datos SPOT
(Desclée et al., 2006), Datos Landsat (Yan and Roy, 2015, Qiu et al.,
2017) o datos Landsat combinados con SPOT (Matton et al., 2015) o
datos MODIS (Jia et al., 2014). Desde su lanzamiento, los datos de
Sentinel-2 llamaron la atención del control remoto
comunidad de detección para el mapeo y monitoreo de tierras de
cultivo debido a la alta resolución espacial (por ejemplo, resolución
espacial de 10 m de las bandas espectrales azul, verde, roja y del
infrarrojo cercano) y alta resolución temporal (5 días de tiempo de
revisión con satélites gemelos). La mayor resolución espacial del
sensor del Instrumento Multiespectral (MSI) permite la aplicación del
método de análisis de imágenes basado en objetos (OBIA) (Blaschke,
2010) para el mapeo de tierras de cultivo. Este método tiene la ventaja
de generar conjuntos de datos de vectores espaciales listos para usar
que pueden ser utilizados por los tomadores de decisiones para
desarrollar políticas de monitoreo y gestión agrícola sostenible (Matton
et al., 2015). Immitzer et al. (2016) evaluaron, por ejemplo, la idoneidad
de los datos de Sentinel-2 de fecha única para el mapeo de cultivos
mediante la aplicación del algoritmo Random Forest (Breiman, 2001)
utilizando clasificaciones basadas en píxeles y objetos. Este estudio
reveló que Random Forest basado en objetos y basado en píxeles
logró resultados comparables. Los autores concluyeron que las
imágenes Sentinel-2 multitemporales podrían aumentar los resultados
de la clasificación, porque los índices espectrales y fenológicos
multitemporales pueden describir mejor la vegetación.
usó datos simulados de series temporales de Sentinel-2, modelo digital
de elevación (DEM) SPOT y muy alta resolución (VHR)
Imágenes de las Pléyades para cartografiar la agricultura en pequeña
escala en zonas tropicales. Las imágenes de VHR sirvieron como datos
de entrada para delimitar los campos agrícolas a través de la
segmentación, mientras que las variables (índices espectrales,
reflectancia) derivadas de los datos de Sentinel-2 de series temporales
simuladas se utilizaron para fines de clasificación. Este estudio reveló
que la información multitemporal es esencial para el mapeo de tierras
de cultivo en regiones agrícolas de pequeña escala. A pesar del
creciente interés de la comunidad de sensores remotos en el uso de
datos de Sentinel-2 para el mapeo de tierras de cultivo, ninguno de los estudios existentes e
cómo funciona el método OBIA cuando se aplica a tierras de cultivo
mapeo a partir de datos Sentinel-2 de series temporales. Este estudio
reporta los resultados de clasificación arrojados para el mapeo de trigo,
maíz, arroz, girasol y bosques de una diversidad agrícola.
paisaje situado en Rumania.
2 Área de estudio y datos
El área de estudio está situada en la parte sureste de Rumanía y
está dividida en dos secciones por el río Danubio (Fig. 1). Como se
muestra en la Figura 1, la parte oriental del área de estudio comprende
campos agrícolas compactos y relativamente grandes, mientras que la
parte occidental se caracteriza por un paisaje agrícola muy fragmentado.
El área de estudio tiene una extensión de 2740×2335 píxeles, cubriendo
63.979 ha.
Para la clasificación de las tierras de cultivo, utilizamos 13 imágenes
Sentinel-2 Nivel 1C para el año 2016 (de febrero a septiembre), bien
distribuidas en el calendario agrícola. Las imágenes se seleccionaron
de acuerdo con la cobertura de nubes: las imágenes con una cobertura
de nubes superior al 10 % no se utilizaron en el marco de clasificación
adicional. Este
Machine Translated by Google

AGILE 2017 – Wageningen, del 9 al 12 de mayo de 2017

El estudio se centra únicamente en las bandas visibles del sensor Sentinel-2
(banda 2, banda 3 y banda 4) y la banda del infrarrojo cercano (banda 8) para
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
de Vegetación de Diferencia Normalizada (NDVI).
Figura 1: Localización del área de estudio en la parte sureste de
Rumania.
3.2 Método de deformación temporal dinámica ponderada
en el tiempo
TWDTW es un método de clasificación supervisado que utiliza los patrones
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,
lo que resultó en 589 muestras de entrenamiento y 1660 muestras de
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.

Figura 2: El flujo de trabajo metodológico utilizado en este estudio.

3. Metodología

Esta sección presenta el marco metodológico aplicado en este estudio:

segmentación de imágenes, deformación temporal dinámica ponderada en el
tiempo y evaluación de la clasificación final (Fig. 2).

3.1 Marco de análisis de imágenes basado en objetos

OBIA ha ganado una atención creciente en los últimos años
debido a la alta precisión de clasificación que se obtiene cuando se aplica a
imágenes de satélite de muy alta resolución (Blaschke, 2010). El método
consta de dos pasos principales: segmentación y clasificación.
Figura 3: Patrones temporales de NDVI para trigo, maíz, arroz, girasol y
bosques calculados a partir de datos de series temporales de Sentinel-2 NDVI.
El eje vertical representa el valor de NDVI, mientras que el eje horizontal
representa el tiempo.

A través de la segmentación, la imagen se divide en objetos espaciales

contiguos según un criterio de homogeneidad definido por los usuarios. Los
objetos resultantes (referidos en la literatura de OBIA como objetos de imagen)
se clasifican utilizando un procedimiento de clasificación de imágenes
supervisado o no supervisado. En nuestro estudio, aplicamos la segmentación
de resolución múltiple (Baatz y Schäpe, 2000) para segmentar la pila de datos
de series temporales de Sentinel-2. Para reducir la subjetividad y el tiempo
requerido para el ajuste del algoritmo de segmentación, aplicamos la
herramienta Estimación del parámetro de escala 2 (ESP2) (Drÿguÿ et al.,
2014), que selecciona automáticamente un parámetro de escala objetivo (SP)
basado en la varianza local de objetos. Las bandas roja, verde, azul e infrarroja
cercana se utilizaron en el proceso de segmentación de 13 fechas diferentes,
lo que resultó en una pila de 52 capas. Usamos todas estas capas para
identificar todos los límites significativos que pueden aparecer durante el
período de tiempo del análisis. Al final, se exportaron 13 conjuntos de datos
ráster diferentes, que representan los valores medios de NDVI para cada
objeto. Los conjuntos de datos ráster resultantes se apilaron y quedaron listos
para ser analizados usando

Enfoque de deformación temporal dinámica ponderada en el tiempo (TWDTW)

(Maus et al., 2016) (Fig. 2).
Machine Translated by Google

AGILE 2017 – Wageningen, del 9 al 12 de mayo de 2017

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.

3.3 Evaluación de la precisión de la clasificación

La precisión de la clasificación basada en objetos obtenida se evaluó
usando métricas de precisión general, precisión del productor, precisión del
usuario (Congalton, 1991) y coeficiente kappa (Cohen, 1960), utilizando 1660
muestras de validación.

4 Resultados y discusiones

El objetivo de este estudio fue evaluar el rendimiento del método OBIA

cuando se aplica al mapeo de tierras de cultivo a partir de datos de series
Figura 5: Dos subconjuntos del área de estudio que muestran los resultados
temporales de Sentinel-2. Los objetos de imagen delineados mediante la
de segmentación superpuestos en una imagen RGB de mayo: (A) paisaje
aplicación del algoritmo de segmentación de resolución múltiple se clasificaron
agrícola altamente fragmentado y (C) parcelas agrícolas relativamente grandes.
aún más utilizando el método TWDTW (Fig. 4). Obtuvimos una precisión de
Para los mismos dos subconjuntos, la clasificación basada en objetos se
clasificación del 93,43% y un coeficiente kappa del 92% (tabla 1). La precisión
muestra en (B) para parcelas pequeñas y (D) para parcelas grandes.
de usuario más baja se obtuvo en la clase de arroz (78,8 %) debido a la
confusión con la clase de maíz, mientras que la precisión de usuario más alta
se logró en la clase de trigo (99,72 %), seguida de las clases de bosque, maíz
y girasol. La menor precisión del productor también la obtuvo la clase arroz
(82,86%), seguida de la clase maíz con 86,68%. La alta tasa de clasificación
errónea de la clase de maíz se debió a la confusión con el arroz y el girasol.
Se esperan mejores resultados al incluir el borde rojo y las bandas SWIR en el
procedimiento de análisis de imágenes.

Immitzer et al. (2016) mostraron en su estudio dedicado al mapeo de tierras

de cultivo a partir de datos de Sentinel-2 de una sola fecha que entre
las cinco bandas espectrales más importantes dos están ubicadas en el borde
rojo y una en el SWIR.
El paso más crítico de OBIA es la segmentación de las imágenes en objetos
significativos (Belgiu y Drÿguÿ, 2014).
La mayoría de los algoritmos de segmentación existentes requieren la
intervención de los usuarios para seleccionar los parámetros de segmentación.
En nuestro estudio, utilizamos la herramienta ESP-2 para identificar
automáticamente el SP para la delineación de campos de cultivo a partir de
datos de series temporales. Aplicamos la herramienta ESP-2 utilizando un
enfoque de segmentación jerárquica para asegurar una segmentación más
rápida, porque cada una de las iteraciones se basa en el nivel de segmentación segmentario. La subsegmentación aumenta la tasa de clasificación errónea,
obtenido anteriormente. El SP final obtenido fue de 186, utilizando forma 0.1 y especialmente cuando se fusionan campos agrícolas más pequeños cultivados
compacidad 0.5, resultando 4479 objetos con un área media de 1428 píxeles con diferentes cultivos. En la parte este de nuestra área de estudio, los campos
de 10m de resolución. agrícolas estaban sobresegmentados debido a la utilización de sistemas de
La diversidad del paisaje agrícola puede tener un gran impacto en los riego que causaron variación espectral dentro del mismo campo agrícola (Fig.
resultados de segmentación obtenidos al aplicar la herramienta ESP-2. La 5). La sobresegmentación es preferible a la subsegmentación (Gao et al.,
parte occidental de nuestra área de estudio, por ejemplo, se caracteriza por 2011), porque los objetos más pequeños que pertenecen al mismo campo
pequeñas parcelas agrícolas (Fig. 5). agrícola pueden ser fácilmente
En consecuencia, los campos más estrechos y alargados estaban bajo
Machine Translated by Google

AGILE 2017 – Wageningen, del 9 al 12 de mayo de 2017

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 (%)

Trigo 360 0 0 1 0 0 361 99.72

Maíz 0 332 30 14 1 0 377 88.06
Arroz 0 32 145 3 3 1 174 78.80
Girasol 3 19 0 175 0 0 197 88.83
Bosque 1 0 0 1 335 0 337 99.41
Desclasificado 0 0 0 0 0 204 204 100
Total 364 383 175 194 339 205 1660

PA (%) 98.90 86.68 82.86 90.21 98.82 99.51 AO (%) = 93,43

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).

A pesar de la resolución temporal creciente de los datos de Sentinel-2, la Referencias

presencia de nubes redujo significativamente el número de escenas
disponibles. Para abordar el problema del oscurecimiento de las nubes, los Arvor, D., Jonathan, M., Meirelles, MSP, Dubreuil, V. y
datos de radar como RADARSAT-2 o Sentinel-1 se pueden usar en Durieux, L. Clasificación de series de tiempo MODIS EVI para el
combinación con Sentinel-2 para el mapeo de tierras de cultivo. mapeo de cultivos en el estado de Mato Grosso, Brasil. Revista
Internacional de Percepción Remota, 32:
Nuestro estudio reveló también que TWDTW es un método eficiente 7847-7871, 2011.
para el mapeo de tierras de cultivo utilizando el patrón fenológico de cultivos Baatz, M. y Schäpe, A. Segmentación multirresolución: un enfoque de
objetivo calculado a partir de datos de series temporales de NDVI. En el optimización para la segmentación de imágenes multiescala de
estudio futuro, planeamos evaluar cómo funciona este método cuando se alta calidad. En: Strobl, J., Blaschke, T. y
usan índices adicionales como el Índice de Vegetación Mejorado (EVI) Griesebner, G., (eds.) Angewandte Geographische Informations-
o Normalized Difference Water Index (NDWI) (McFeeters, 1996) y las bandas Verarbeitung XII, 12-23, 2000.
de borde rojo de vegetación (banda 5, 6, 7 y 8a, respectivamente). Además, Belgiu, M. y Drÿguÿ, L. Comparación de enfoques de segmentación
planeamos evaluar cómo se desempeña OBIA en diferentes regiones multirresolución supervisados
edificiosy de
no imágenes
supervisados
de muy
paraalta
extraer
resolución.
geográficas donde los campos agrícolas tienen diferentes estructuras ISPRS Journal of Photogrametry and Remote Sensing, 96: 67-75,
espaciales y donde las prácticas agrícolas difieren. 2014.

Blaschke, T. Análisis de imágenes basado en objetos para sensores remotos.

5. Conclusión
Este estudio demostró que OBIA se puede utilizar con éxito para el mapeo
de tierras de cultivo a partir de datos de series temporales de Sentinel-2,
logrando una precisión general del 93,43 %. Una de las ventajas de este
método consiste en reducir el efecto sal y pimienta que se produce
habitualmente en las clasificaciones por píxel y en generar
ISPRS Journal of Photogrametry and Remote Sensing, 65: 2-16,
2010.
Breiman, L. Bosque aleatorio. Aprendizaje automático, 45(1): 5-32, 2001.
Cohen, J. Un coeficiente de concordancia para escalas nominales.
Medida educativa y psicológica, 20(1): 37-46, 1960.
Machine Translated by Google

AGILE 2017 – Wageningen, del 9 al 12 de mayo de 2017

Congalton, RG Una revisión de la evaluación de la precisión de las
clasificaciones de datos de detección remota. Detección remota
del medio ambiente, 37(1): 35-46, 1991.
D'Oleire-Oltmanns, S. and Tiede, D. ¿Objetos de destino específicos, niveles
de escala específicos? Aplicación de la herramienta de estimación
del parámetro de escala 2 (ESP 2) para la identificación de niveles
de escala para distintos objetos objetivo. Revista de Observación
de la Tierra y Geomática de Europa Sudoriental, 3(2S): 579-584,
2014.
Desclée, B., Bogaert, P. y Defourny, P. Detección de cambios en los bosques
mediante un método estadístico basado en objetos. Teledetección
del Medio Ambiente, 102: 1-11, 2006.
Drÿguÿ, L., Csillik, O., Eisank, C. y Tiede, D. Parametrización automatizada
para la segmentación de imágenes a varias escalas en varias
capas. ISPRS Journal of Photogrametry and Remote Sensing, 88:
119-127, 2014.
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.
caracteristicas. Revista Internacional de Percepción Remota, 17:
1425-1432, 1996.
Pringle, MJ, Denham, RJ y Devadas, R. Identificación de la actividad de cultivo
en el centro y sur de Queensland, Australia, con la ayuda de
imágenes MODIS MOD13Q1. Revista Internacional de Observación
Aplicada de la Tierra y Geoinformación, 19:
276-285, 2012.
Qiu, B., Luo, Y., Tang, Z., Chen, C., Lu, D., Huang, H., Chen, Y., Chen, N. y
Xu, W. Mapeo de trigo de invierno que combina variaciones antes
y después de las fechas estimadas de partida. ISPRS Journal of
Photogrametry and Remote Sensing, 123: 35-46, 2017.
Yan, L. y Roy, DP Clasificación mejorada de la cobertura terrestre de series
temporales mediante la reducción de la dimensionalidad no lineal
adaptativa de observación faltante. Teledetección del Medio
Ambiente, 158: 478-491, 2015.

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.

McFeeters, SK El uso del índice de agua de diferencia normalizada (NDWI) en

la delimitación de aguas abiertas

Ver estadísticas de publicación