Semiautomatización del cambio en la cobertura de la tierra con software y datos de libre acceso
Cargando...
Autores
Tipo de contenido
Document language:
Español
Fecha
Título de la revista
ISSN de la revista
Título del volumen
Documentos PDF
Resumen
El cambio en la cobertura de la tierra es un proceso dinámico espacial y temporal, por lo tanto, es necesario generar métodos semiautomáticos en software libre que faciliten el tiempo de procesamiento y disminuyan los costos. La integración de aplicaciones, plataformas y software de libre acceso para el procesamiento de imágenes satelitales sin costo se ha identificado como una alternativa efectiva para el progreso en el desarrollo de soluciones para efectuar la clasificación y el monitoreo del cambio de coberturas de la tierra. Este estudio generó una metodología semiautomática en la plataforma Google Earth Engine (GEE) y QGIS para monitorear el cambio de las coberturas de la tierra utilizando imágenes de la misión Sentinel-2 (S-2). El trabajo se desarrolló en el área correspondiente a la subzona hidrográfica Rio Yucao que se encuentra en Puerto López y Puerto Gaitán, Meta, Colombia. Se estudiaron 13 tipos de coberturas. Se utilizó un método de clasificación basado en pixeles y aprendizaje de máquina (ML) el cual fue el clasificador de Bosques Aleatorios (RF) en GEE. En la cual se obtuvo una exactitud general con un 84% aunque al realizar una evaluación visual a detalle se encontraron ciertas imprecisiones en la clasificación de clases como caucho, cultivos forestales y bosques de galería. Adicionalmente, para la detección del cambio se realizó un análisis de tabulación cruzada píxel por píxel. Esta metodología permite mejorar la clasificación de coberturas en los trópicos, ya que la plataforma tiene un amplio repositorio de imágenes de la misión Sentinel-2. Estas imágenes tienen alta resolución espectral (12 bandas) y frecuente resolución temporal (5 días), por lo cual, es posible mejorar la calidad de la clasificación y aumentar la posibilidad de identificar escenas con menor nubosidad de manera más eficiente. Entonces, la metodología desarrollada en este estudio permite filtrar imágenes de mayor calidad, reduciendo tiempo y costos de hardware y software al usar servidores en la nube y plataformas que no requieren licencia. (Texto tomado de la fuente).
Abstract
Land cover change is a spatially and temporally dynamic process, therefore, it is necessary to generate semi-automatic methods in free software that facilitate processing time and reduce costs. The integration of freely available applications, platforms and software for processing satellite images at no cost has been identified as an effective alternative for progress in the development of solutions to perform land cover change classification and monitoring. This study generated a semi-automated methodology in Google Earth Engine (GEE) and QGIS platform to monitor land cover change using Sentinel-2 (S-2) mission imagery. The work was developed in the area corresponding to the Rio Yucao hydrographic subzone located in Puerto Lopez and Puerto Gaitan, Meta, Colombia. Thirteen cover types were studied. A classification method based on pixels and machine learning (ML) was used, which was the Random Forest (RF) classifier in GEE. In which a general accuracy of 84% was obtained, although a detailed visual evaluation found certain inaccuracies in the classification of classes such as rubber, forest crops and gallery forests. Additionally, for change detection, a pixel-by-pixel cross-tabulation analysis was performed. This methodology allows for improved land cover classification in the tropics, since the platform has a large repository of images from the Sentinel-2 mission. These images have high spectral resolution (12 bands) and frequent temporal resolution (5 days), so it is possible to improve the quality of the classification and increase the possibility of identifying scenes with less cloud cover more efficiently. Thus, the methodology developed in this study allows filtering higher quality images, reducing time and hardware and software costs by using cloud servers and license-free platforms.
Descripción
ilustraciones, diagramas, mapas