Coca crop classification and mapping using spectral, temporal and spatial features from satellite imagery for the Catatumbo region in Colombia - 2019

Abstract

El monitoreo de cultivos de coca es esencial para la formulacio ́n de pol ́ıticas pu ́blicas de drogas a nivel global, especialmente con la expansio ́n hacia a pa ́ıses no tradicionales. Como el principal productor de coca ́ına del mundo, Colombia ejemplifica los desaf ́ıos inherentes al monitoreo de este cultivo. El modelo actual de monitoreo, establecido en colaboracio ́n con la Oficina de las Naciones Unidas contra la Droga y el Delito (UNODC), ofrece una estimacio ́n robusta pero sujeta a mejoras en t ́erminos de oportunidad y eficiencia, dado que depende de la interpretaci ́on visual de ima ́genes satelitales anuales. Este trabajo presenta una metodolog ́ıa innovadora que emplea XGBoost con datos multiespectrales y espacio-temporales, principalmente de ima ́genes Sentinel-2. El flujo de trabajo escalable utiliza Google Earth Engine (GEE) para acceder a las im ́agenes satelitales y extraer variables para la clasificacio ́n. Los modelos XGBoost se entrenan para diferenciar entre coca y no coca y se optimizan utilizando un m ́etodo de validaci ́on cruzada espacial. Al aplicarse en dos zonas de Putumayo, Colombia, esta metodolog ́ıa produce una puntuaci ́on Kappa de 0,7512 usando datos de Sentinel-2, superando la puntuaci ́on Kappa de 0,7090 alcanzada en trabajos anteriores. Este avance representa un paso significativo en la precisio ́n de la clasificacio ́n a gran escala de cultivos de coca. Un experimento complementario utilizando imagenes de Planet, de mayor resolucio ́n, en una de las zonas para 2021 produjo una precisi ́on menor pero una mejor delimitacio ́n geom ́etrica, verificada al evaluar la homogeneidad espectral entre pol ́ıgonos clasificados y pol ́ıgonos de referencia. Esta notable mejora en las metodolog ́ıas de clasificacio ́n de cultivos tiene el potencial de fortalecer las operaciones de las fuerzas del orden, perfeccionar las pol ́ıticas de drogas e influir en las relaciones internacionales.

Coca crop monitoring is essential for the formulation of public drug policies at the global level, especially with the expansion into non-traditional countries. As the world’s leading cocaine producer, Colombia exemplifies the challenges inherent in monitoring this crop. The current monitoring model, established in collaboration with the United Nations Office on Drugs and Crime (UNODC), offers a robust estimate but is subject to improvement in terms of timeliness and efficiency, as it relies on visual interpretation of annual satellite imagery. This paper presents an innovative methodology that employs XGBoost with multispectral and spatio-temporal data, mainly from Sentinel-2 imagery. The scalable workflow uses Google Earth Engine (GEE) to access satellite imagery and extract variables for classification. The XGBoost models are trained to differentiate between coca and non-coca and optimized using a spatial cross-validation method. When applied in two areas of Putumayo, Colombia, this methodology produced a Kappa score of 0,7512 using Sentinel-2 data, surpassing the Kappa score of 0,7090 achieved in previous work. This advance represents a significant step forward in the accuracy of large-scale coca field classification. A complementary experiment using higher resolution Planet imagery in one of the zones for 2021 produced a lower accuracy but better geometric delineation, verified by assessing spectral homogeneity between classified polygons and reference polygons. This marked improvement in crop classification methodologies has the potential to strengthen law enforcement operations, refine drug policies and influence international relations.