55
A ibu ion-NonComme cial-NoDe i a i es 4,0 In e na ional (CC BY-NC-ND 4,0)
Recibido: 19/01/2017
Acep ado: 15/05/2017
REVISTA DE TELEDETECCIÓN
Asociación Española de Telede ección
(2017) 48, 55-66
ISSN 1133-0953
EISSN 1988-8740
h ps://doi.o g/10.4995/ ae .2017.7133
* Au o pa a la co espondencia: [email p o ec ed].es
Clasi icación de usos del suelo a pa i de imágenes Sen inel-2
Bo às, J.*1, Delegido, J.1, Pezzola, A.2, Pe ei a, M.1, Mo assi, G.1, Camps-Valls, G.1
1 Labo a o io de P ocesado de Imágenes, Uni e sidad de Valencia. C/ Ca ed á ico José Bel án, 2. 46980 Pa e na, València - España.
2 Ins i u o Nacional de Tecnología Ag opecua ia. Es ación Expe imen al Hila io Ascasubi. Labo a o io de Telede ección y SIG.
Ru a Nac. 3 su km. 794. (8142) Hila io Ascasubi, A gen ina.
Resumen: Sen inel-2 (S2) es un nue o sa éli e de la ESA que cuen a con 13bandas p opo cionando imágenes de al a
calidad adiomé ica y excelen e esolución espacial (10y 20m) ideal pa a abajos de clasi icación. En es e abajo
se han abo dado dos obje i os: de e mina el mejo mé odo de clasi icación con S2, y cuan i ica su mejo a espec o
a o as misiones ope a i as, como SPOT. Pa a ello se han seleccionado cua o clasi icado es (LDA, RF, Á boles de
decisión, K-NN) que se han aplicado en dos zonas ag a ias: una en la hue a de Valencia (España) y o a en la egión
de Buenos Ai es (A gen ina). Se han p obado odos los clasi icado es usando, po una pa e, odas las bandas de S2,
y po o a usando sólo las cua o que coinciden con SPOT. En odos los casos se han aplicando po cen ajes en e el
10y el 50% de da os de en enamien o y usado el es o de da os como alidación. Como esul ado se ha gene ado
un mapa de usos del suelo a pa i del mejo clasi icado , basándose en el índice Kappa, p opo cionando in o mación
cien í icamen e ele an e como es el á ea ocupada po cada una de las clases.
Palab as cla e: clasi icación, elede ección, usos del suelo, índice Kappa, Sen inel-2.
Land use classi ica ion om Sen inel-2 image y
Abs ac : Sen inel-2(S2), a new ESA sa elli e o Ea h obse a ion, accoun s wi h 13bands which p o ide high-quali y
adiome ic images wi h an excellen spa ial esolu ion (10and 20m) ideal o classi ica ion pu poses. In his pape ,
wo objec i es ha e been add essed: o de e mine he bes classi ica ion me hod o S2, and o quan i y i s imp o e-
men wi h espec o he SPOT ope a ional mission. To do so, ou classi ie s (LDA, RF, Decision T ees, K-NN) ha e been
selec ed and applied o wo di e en ag icul u al a eas loca ed in Valencia (Spain) and Buenos Ai es (A gen ina). All
classi ie s we e es ed using, on he one hand, all he S2bands and, on he o he hand, only selec ing hose bands om
S2close o he ou bands om SPOT. In all he cases, be ween 10%-50% o samples we e used o ain he classi ie
while emaining he es o alida ion. As a esul , a land use map was gene a ed om he bes classi ie , acco ding o
he Kappa index, p o iding scien i ically ele an in o ma ion such as he a ea o each land use class.
Keywo ds: classi ica ion, emo e sensing, land use, Kappa Index, Sen inel-2.
To ci e his a icle: Bo às, J., Delegido, J., Pezzola, A., Pe ei a, M., Mo assi, G., Camps-Valls, G. 2017. Land use classi ica ion om Sen inel-2
image y. Re is a de Telede ección, 48, 55-66. h ps://doi.o g/10.4995/ ae .2017.7133
1. In oducción
El uso del suelo es un c i e io socioeconómico
que hace e e encia a la ac i idad dominan e que
se da en un de e minado luga , e incluye usos
como esidencial, come cial, indus ial, ag ícola,
e c., pudiendo es a es as ca ego ías di ididas en
ni eles más especí icos. La cobe u a del suelo es
REVISTA DE TELEDETECCIÓN (2017) 48, 55-66
Bo às e al.
56
un indicado bio ísico que desc ibe los ma e iales
que cub en el e i o io, como po ejemplo, as al-
o, ege ación, suelo desnudo, agua, e c.
Según Combe e al. (2005), la cobe u a del suelo
es en endida de o ma di e en e según las discipli-
nas cien í icas. Los ecólogos de inen la cobe u a
del suelo según la p esencia y abundancia de espe-
cies ege ales, mien as que pa a los eda ólogos es
un indicado de la composición y los ipos de sue-
los. Po o a pa e, en la bibliog a ía en cas ellano
exis e el é mino “ocupación del suelo” que según
López González e al. (2002) hace e e encia a
la cobe u a, en endida como los ma e iales que
cub en el e i o io, mien as que o os au o es la
conside an como una combinación de los concep-
os de uso y cobe u a (Del Bosque e al., 2005).
Es muy habi ual la u ilización conjun a de los
é minos uso y cobe u a, ya que, en unción del
obje i o inal de la ca og a ía, se de inen leyendas
donde coexis en clases que co esponden a usos
con o as que co esponden a cobe u as.
A lo la go de los úl imos años ha aumen ado el
in e és y la necesidad de dispone de una in o -
mación de usos y cobe u as del e i o io iable
y ac ualizada, siendo nume osos los p oyec os de
ca ác e local, nacional e in e nacional cuyo ob-
je i o es la c eación y ac ualización de bases de
da os de usos y ocupación del suelo.
Los p ocedimien os me odológicos pa a lle a
a cabo es as a eas equie en un al o g ado de
in e ención humana, ya que es án basados casi
ín eg amen e en la o oin e p e ación de imáge-
nes, o su compa ación con o as imágenes u o a
base de da os. Sin emba go las ecien es mejo as
en la calidad de los senso es, an o ae o anspo a-
dos como espaciales, han supues o un inc emen o
signi ica i o en la disponibilidad de imágenes de
al a esolución.
En e las nue as misiones sa eli ales des aca
Sen inel-2 (S2). El lanzamien o del p ime sa éli e
S2 en 2015 po la ESA (Eu opean Space Agency)
ha despe ado un g an in e és en la comunidad
cien í ica debido a sus múl iples aplicaciones, pues
su al a esolución espacial, empo al, espec al
y adiomé ica, así como la dis ibución g a ui a
de los da os adqui idos ab en una nue a e a en la
obse ación de la Tie a (ESA, 2015), mejo ando
las misiones ope a i as ac uales, como pueden se
Landsa o SPOT.
El p ime obje i o del p esen e abajo es
cuan i ica la mejo a en las clasi icaciones con
S2 espec o a o as misiones como SPOT, aplican-
do di e en es mé odos con di e en es po cen ajes
de en enamien o. El segundo obje i o es es udia
qué clasi icado au omá ico es mejo pa a cla-
si ica las imágenes de S2, indi idualmen e y
combinando odos los clasi icado es, pa a calcula
la can idad de cada cul i o que exis e en una zona.
Usa emos pa a ello da os de campo e imágenes
de dos zonas ag a ias di e en es: una en la hue a
ce cana a Valencia (España), y o a en una zona
ag a ia del su de A gen ina.
2. Mé odos
En p ime luga mos a emos las di e en es écni-
cas de clasi icación de imágenes seleccionadas y
pos e io men e los indicado es de calidad usados
en es e abajo.
2.1. Técnicas de clasi icación
La clasi icación supe isada pa e de un g upo de
elemen os pe enecien es a la imagen, conocidos
como á eas de en enamien o, de los que se co-
noce con un ni el de exac i ud al o la clase a la
que pe enecen. La clasi icación del conjun o de la
imagen es el p oceso po el que a cada elemen o
con enido en la imagen se le asigna una ca ego ía,
basándose en los a ibu os con enidos en las á eas
de en enamien o. La clasi icación supe isada
ue za el esul ado pa a que se co esponda con
cobe u as del suelo de inidas po el usua io, y
po an o, de su in e és, pe o no ga an iza que las
clases sean sepa ables desde el pun o de is a es-
adís ico (Rees, 2005).
Debido al in e és de la clasi icación, se han de-
sa ollado un ele ado núme o de clasi icado es
au omá icos que pueden se di ididos en cua o
g upos (Has ie e al., 2009). En es e abajo se ha
elegido un clasi icado de cada g upo, seleccionan-
do los más u ilizados: un clasi icado pa amé ico
lineal, un clasi icado no pa amé ico que o ganiza
de o ma je á quica el conjun o de decisiones,
un clasi icado no pa amé ico que depende de
los ecinos más ce canos y un clasi icado no
pa amé ico basado en á boles de decisión. En
conc e o los mé odos seleccionados son LDA
(Linea Disc iminan Analysis) (Camps-Valls
ASOCIACIÓN ESPAÑOLA DE TELEDETECCIÓN
Clasi icación de usos del suelo a pa i de imágenes Sen inel-2
57
e al., 2008), TREE (Á bol de decisión) (B eiman,
1984), K-NN (Camps-Valls, 2016), y RF (Random
Fo es ) (B eiman, 2001).
LDA o Linea Disc iminan Analysis es una
écnica de clasi icación basada en el ap endizaje
supe isado. La idea cen al de LDA es ob ene una
p oyección de los da os en an es, con el in de que
la sepa abilidad de las clases sea la mayo posible.
Cuando las clases es án bien sepa adas, las es i-
maciones de pa áme os de modelos de eg esión
logís ica son so p enden emen e ines ables, en
cambio el LDA no su e de es e p oblema (James
e al., 2015). Es una écnica supe isada ya que
pa a pode busca esa p oyección se debe en ena
el sis ema con pa ones e ique ados (Camps-Valls
e al., 2008). El modelo de análisis disc iminan-
e u iliza un algo i mo que busca unciones o
ec o es disc iminan es, es o es, combinaciones
lineales o cuad á icas de las a iables o iginales
que maximizan la a ianza de las dis ibuciones
en e clases a la ez que minimizan las a ianzas
in e -clases. Una ez de e minada la unción
disc iminan e es posible es ablece on e as ex-
plíci as que sepa an las egiones del espacio que
pe enecen a cada ca ego ía, median e una ec a,
o un plano o hipe plano, donde se igualan las
p obabilidades de pe enencia a una u o a clase.
Es a línea ec a o plano es o ogonal a la unción
disc iminan e encon ada. LDA es un clasi icado
con un buen his o ial de p oyec os debido a que
los da os sólo pueden sopo a lími es de decisión
simples, ales como lineal o cuad á ico, y las es i-
maciones p opo cionadas a a és de los modelos
gaussianos son es ables (Has ie e al., 2009).
Los á boles de decisión (TREE) son mé odos no
pa amé icos en clasi icación. Un á bol ep esen a
un conjun o de condiciones que se o ganizan de
o ma je á quica, y que se aplican sucesi amen e
desde una aíz has a llega a un nodo e minal u
hoja del á bol (B eiman, 1984; Quinlan, 1993).
Los á boles de decisión se ep esen an median e
un g á ico con es uc u a a bó ea que ha sido indu-
cido desde un conjun o de da os de en enamien o.
Todo á bol de decisión comienza con un nodo
al que pe enecen odos los casos de la mues a
que se quie e clasi ica . A es e nodo se le deno-
mina aíz. Además del nodo o aíz, en un á bol
de decisión pueden dis ingui se nodos in e nos
y nodos e minales, que ambién se denominan
hojas. Los nodos in e nos se co esponden con
una condición elegida en el conjun o de a ibu os
y cada ami icación de un nodo in e no ep esen a
un alo del dominio de la condición del a ibu o.
Los nodos e minales u hojas con ienen una única
e ique a, que co esponde, en es e caso, a la cu-
bie a del suelo. Desde la aíz del á bol has a una
de e minada hoja, el camino con o ma una egla
de clasi icación (Rod íguez-Galiano e al., 2012).
Si el obje i o inal es un esul ado de clasi icación
omando alo es desde 1 has a las k clases, los
únicos cambios necesa ios en el algo i mo del
á bol pe enecen a los c i e ios pa a selecciona
nodos (Has ie e al., 2009). Los á boles de deci-
sión p edicen que cada obse ación pe enece a
la clase de en enamien o más ecuen e en dicha
egión de obse aciones (James e al., 2015).
El algo i mo de los k ecinos más p óximos (K-
NN) es un mé odo no pa amé ico en clasi icación
y eg esión. Es ima la clase de un indi iduo (píxel,
pa cela, e c.) en unción de los “k” ecinos más
ce canos median e un sis ema de selección, donde
la mayo ía de e mina la clase, es deci , cada ele-
men o de en enamien o iene una e ique a de clase
asociada, y la clasi icación de un pun o depende á
del elemen o de en enamien o que enga más
ce cano. El más ce cano es gene almen e de inido
po la dis ancia Euclídea en el espacio de ca ac e-
ís icas, después de que cada ca ac e ís ica se haya
no malizado pa a ene la media 0 y la a ianza
1 en el da o de en enamien o, ya que es posible
que engan di e en es unidades. Además la dis an-
cia Euclídea es ap opiada pa a las ca ac e ís icas
cuan i a i as. El modelo K-NN es á basado en la
memo ia, y no equie e ningún o o modelo pa a
es a en enado. A pesa de su simplicidad, K-NN
suele se exi oso cuando cada clase iene muchos
elemen os de en enamien o y el lími e de decisión
es muy i egula (Has ie e al., 2009).
El algo i mo Random Fo es (RF) que ue p o-
pues o po B eiman (2001), cons uye una g an
colección de á boles des-co elacionados, y lue-
go los p omedia. Según James e al. (2015), los
Random Fo es p opo cionan una mejo a espec o
a los á boles de decisión po el hecho de cons ui
es os á boles des-co elacionados. Se a a de un
algo i mo no pa amé ico de ap endizaje au omá-
ico ampliamen e u ilizado, que gene a y combina
un conjun o de á boles de decisión, donde cada
uno se gene a usando un subconjun o de elemen-
os de en enamien o di e en e en cada i e ación,
REVISTA DE TELEDETECCIÓN (2017) 48, 55-66
Bo às e al.
58
y los nodos se di iden u ilizando la mejo de las
a iables de una mues a alea o ia de es as. La
clase de salida se ob iene como la selección de
la mayo ía de las salidas de un g an núme o de
á boles indi iduales (B eiman, 2001), es deci ,
cada á bol ha o ado la clase que conside aba, y
luego se ha clasi icado usando el o o de la mayo-
ía (Has ie e al., 2009). El algo i mo p oduce una
es imación obje i a in e na de la gene alización de
e o , u ilizando las llamadas “ou -o -bag”, el cual
es un mé odo pa a medi el e o de p edicción
de los Random Fo es cuando exis en mues as
que no es án incluidas en el subconjun o de en-
enamien o. El mues eo alea o io conduce a una
mayo es abilidad y una mejo exac i ud de la cla-
si icación en compa ación con un en oque único
de un á bol de decisión. Es e clasi icado ambién
es ela i amen e insensible a la can idad de da os
de en ada y mul icolinealidad de los da os (Has ie
e al., 2009). RF se ha aplicado con éxi o en a ios
p oblemas de eg esión y clasi icación de los da os
de obse ación de la Tie a y en gene al log a bue-
nos esul ados (Gislason e al., 2006).
Inicialmen e se puede supone que los cua o
algo i mos seleccionados se án bas an e p ecisos
y de su aplicación se ob end án esul ados acep-
ables. Pe o además, en es e abajo se p e ende
demos a que ningún algo i mo de clasi icación
independien e es el óp imo y que es posible ob e-
ne mejo es esul ados po la combinación de dos
o más algo i mos. La combinación de clasi ica-
do es se ealizó median e máximo o o (es deci ,
cada píxel es clasi icado con odos los mé odos
y al inal se asigna a la clase que más eces se
epi e) po esul a muy sencilla de implemen a y
obus a en gene al.
2.2. Indicado es de calidad de los
clasi icado es
Un ema cla e es la e aluación de iabilidad de
los p ocedimien os empleados y su calidad en los
esul ados inales. La calidad inal de un mé odo
de clasi icación o de combinación de clasi icado-
es, se puede ex ae a pa i de un coe icien e de
p ecisión, de o ma que se o o ga mayo con ianza
a aquel clasi icado que haya demos ado mayo
acie o. En es e abajo usa emos la ma iz de con-
usión y de i a emos dis in os índices de calidad
a pa i de ella.
La ma iz de con usión, ambién llamada abla
de con ingencias, cons a de una abla de doble
en ada, que con on a los alo es eales o e dad-
e eno con los esul ados de la clasi icación. La
diagonal de la ma iz nos mues a la can idad de
píxeles eales y de la clasi icación que coinciden
po ca ego ía, mien as que los es an es, nos
ienen a deci aquellos que se con unden con
o as ca ego ías. Es deci , en sen ido e ical se
ep esen a el po cen aje de píxeles eales que se
con undie on en la e dad- e eno, y en sen ido
ho izon al el po cen aje de píxeles después de la
clasi icación que se han con undido.
Como medida de p ecisión, se ha u ilizado el
índice Kappa, p opues o po Cohen (1960). El
índice Kappa se usa pa a e alua la conco dancia
de mé odos cuyo esul ado es ca egó ico, con dos
o más clases. Es e índice ep esen a la p opo ción
de acue dos obse ados espec o del máximo
acue do posible más allá del aza . En la in e p e-
ación del índice Kappa hay que ene en cuen a
que el índice depende del acue do obse ado, pe o
ambién de la p e alencia del ca ác e es udiado y
de la sime ía de los o ales ma ginales (Ab ai a,
2001).
Pa a cuan i ica la mejo a de S2 espec o a SPOT,
calcula emos el índice Kappa con odas las bandas
de S2 y con las de SPOT, usando di e en es po -
cen ajes de en enamien o (10, 20, 30, 40 y 50%
de da os pa a en enamien o y el es o de alida-
ción). La di isión en e da os de en enamien o y
alidación se ealiza al aza . Pa a cada po cen aje
se han aplicado los cua o clasi icado es, y la
combinación de ellos. Además calcula emos el in-
e alo de con ianza pa a un ni el de signi icación
del 95%, pa a de e mina cómo la mejo a ob enida
es es adís icamen e signi ica i a.
3. Da os
Los da os de los que se pa e en es e abajo son
po una pa e los da os de campo, ob enidos de la
in o mación sob e el e eno de las dos zonas en
es udio, y po o a pa e las imágenes de elede-
ección de S2.
3.1. Da os de campo
Las dos zonas en es udio son dos á eas dis an es
en e sí, una si uada en el con inen e eu opeo y la
ASOCIACIÓN ESPAÑOLA DE TELEDETECCIÓN
Clasi icación de usos del suelo a pa i de imágenes Sen inel-2
59
o a en el ame icano. La p ime a co esponde a la
zona de hue a ubicada en e Valencia, Bu jasso ,
Moncada y Albo aia, si uada en la zona no e del
á ea me opoli ana de Valencia (España), en la
coma ca de l’Ho a No d (Figu a 1).
La supe icie es casi llana y se encuen a a unos
50 m de al i ud sob e el ni el del ma . Como oda
la coma ca, posee un clima medi e áneo. En ella
se cul i an p incipalmen e cí icos y ho alizas.
En cada pa cela se pueden ob ene 2 o 3 cosechas
al año de di e en es cul i os, po lo que en cada
época del año se obse an di e en es especies
ege ales. Con una ex ensa ed de acequias cons-
uidas en el pe iodo islámico, se canaliza el agua
del ío Tu ia pa a lle a a cabo el egadío que se
ealiza po inundación. Las pa celas suelen ene
en e 50 y 100 m ap oximadamen e de lado.
La segunda á ea de es udio se co esponde al
Valle Bonae ense del Río Colo ado (VBRC), en
A gen ina. La egión se ubica al sudoes e de la
p o incia de Buenos Ai es sob e los pa idos de
Villa ino y Pa agones (Figu a 2). Es á o mada po
las localidades de Ped o Lu o, Hila io Ascasubi,
Villalonga, Juan A. P ade e y Mayo Bu a o ich.
Se encuen a ubicada ap oximadamen e a 100 km
al su de la ciudad de Bahía Blanca y a 800 km de
la Capi al Fede al, Buenos Ai es.
El VBRC iene un clima semiá ido es epa io
emplado. Los suelos son muy a iados con
p edominio de los suelos a enosos que pe mi en
el desa ollo de una amplia gama de cul i os,
equi iendo un buen sis ema de d enaje pa a e i a
los p oblemas de salinidad o iginados po la des-
embocadu a del Río Cu acó sob e el Río Colo ado.
El apo e de sales de es a agua al Colo ado es una
eno me p eocupación pa a el Valle Bonae ense
del Río Colo ado. El p incipal cul i o de es a zona
es la cebolla, complemen ado con gi asol, maíz y
al al a, en e o os cul i os (Pezzola, 2014).
En la zona de es udio de la hue a de Valencia,
se oma on los da os los días 1 y 2 de Mayo de
2016, coincidiendo con una imagen de S2 des-
pejada de la zona (del 1 de Mayo). Pa a el
abajo se selecciona on y e ique a on 14 clases
con un o al de 91 pa celas con di e en es cul i-
os o suelos: 2 pa celas de suelo abandonado,
11 pa celas de suelo desnudo, 4 pa celas de
al al a (Medicago sa i a), 9 pa celas de as al o,
11 pa celas de cauce seco, 6 pa celas de cebolla
(Allium cepa), 1 pa cela de coles (B assica ole-
acea), 3 pa celas de lechuga (Lac uca sa i a L.),
9 pa celas de na anjo (Ci us sinensis), 1 pa cela
de palme as (Phoenix oebelenii), 13 pa celas de
Figu a 2. Mapa de ubicación del VBRC, Buenos Ai es,
A gen ina.
Figu a 1. Mapa de ubicación de la hue a de Bu jasso ,
València.

REVISTA DE TELEDETECCIÓN (2017) 48, 55-66
Bo às e al.
60
pa a a (Solanum ube osum), 9 pa celas de cons-
ucciones, 3 pa celas de i e os y 9 pa celas de
alcacho a (Cyna a scolymus). En cada una de las
91 pa celas se ha omado un ROI ( egion o in e -
es ) de en e 12 y 16 píxeles cen ales, de mane a
que se dispone al inal de 1387 píxeles como base
de da os de en enamien o y alidación.
En el es udio del Valle Bonae ense del Río
Colo ado, la oma de los da os se ealizó en el mes
de Ma zo los días 2 y 17. En la campaña a gen-
ina ue on seleccionadas y e ique adas 11 clases
con un o al de 190 pa celas con di e en es cul-
i os o suelos: 41 pa celas de agua, 9 pa celas de
i e os, 13 pa celas de caminos, 14 pa celas de
cons ucciones, 17 pa celas de pas o na u al (hie -
ba), 16 pa celas de maíz (Zea mays), 3 pa celas
de gi asoles (Helian hus annuus), 23 pa celas de
cebolla (Allium cepa), 17 pa celas sin cul i o,
23 pa celas de al al a (Medicago sa i a), y 14 pa -
celas de ag opi o (Thinopy um pon icum). La
imagen S2 usada pa a clasi ica los cul i os ue
seleccionada el 16 de Ene o, pues en esa época
los cul i os se encon aban en pleno desa ollo.
En cada una de las 190 pa celas se ha omado un
ROI de en e 20 y 50 píxeles cen ales, pues las
pa celas son mucho más g andes que en la hue a
de Valencia, de mane a que se dispone al inal de
8032 píxeles como base de da os de en enamien o
y alidación.
En las dos á eas de es udio se han usado los da os
de campo como da os de en enamien o y alida-
ción, ealizando las pa iciones de en enamien o
y alidación- es median e asignación alea o ia de
los píxeles. El hecho de que el núme o de píxeles
de cada base de da os sea supe io a 1200 asegu a
que al di idi los alea o iamen e en dos g upos en-
gamos píxeles de las dis in as clases dis ibuidos
po oda la zona. Sin emba go, solo en el á ea de
la hue a de Bu jasso -Valencia se hizo el es udio
compa ando los cua o mé odos y cuan i icando la
mejo a espec o a SPOT. Una ez que se ha de e -
minado que el mejo clasi icado es el K-NN se ha
aplicado es e mé odo a ambas imágenes en las dos
zonas de es udio.
3.2. Desc ipción de da os SENTINEL-2
Las imágenes usadas en es e abajo ue on oma-
das po S2, misión que o ma pa e del P og ama
Copé nico pa a la Obse ación de la Tie a de la
ESA. Es e p og ama ue diseñado pa a suminis a
in o mación ac ualizada y de ácil acceso pa a me-
jo a la ges ión del medio ambien e, y comp ende
y mi iga los e ec os del cambio climá ico. El
p og ama iene plani icadas cinco misiones y cada
una es á con o mada po a ios sa éli es.
La misión S2 se basa en una cons elación de dos
sa éli es. El p ime o, S2A, ue lanzado el 23 de
junio de 2015. El S2B ue lanzado el 7 de ma zo
de 2017. El pa de sa éli es S2 en ega á da os de
odas las supe icies de la Tie a con un iempo
e ec i o de e isi a en el Ecuado de cinco días.
S2 p opo ciona da os pa a la gene ación de p o-
duc os ales como: mapas de usos del suelo, mapas
de cambios a lo la go del iempo, mapas de iesgo,
e imágenes ápidas pa a p e ención de desas es.
También p opo ciona da os pa a la gene ación
de a iables bio ísicas de la ege ación como la
cobe u a ege al, el con enido de clo o ila o el
con enido de agua en las hojas. Es e sa éli e cuen-
a con un ins umen o de cap u a mul iespec al
mejo ando los da os de o as misiones ope a i as
(D usch e al., 2012).
El ins umen o mul iespec al (MSI) a bo do de
S2 cuen a con 13 bandas espec ales, las cua-
les an desde el espec o isible y el in a ojo
ce cano (NIR), has a el in a ojo de onda co a
(SWIR). En e ellas hay cua o bandas de 10 m
( es del isible y una del NIR), seis bandas de
20 m, y es bandas de 60 m de esolución pa a
co ección a mos é ica y de ección de nubes.
S2 inco po a es nue as bandas en la egión del
ed-edge que mejo a la con igu ación del senso
pa a es udios de aguas y ege ación (Delegido
e al., 2011). Aunque es á p e is o que S2 p o-
po cione p oduc os de al o ni el (Ni el 2b/3),
ac ualmen e los da os S2 disponibles son un
p oduc o de adiancia TOA o mado po un con-
jun o de g illas (g anules) con iguas de 100 km2,
co espondien es al ni el 1c. Pa a el p ocesado de
los da os 1c la ESA ha desa ollado el so wa e
Sen2Co (Sen inel 2 Co ec ions), basado en un
conjun o de écnicas pa a la co ección a mos é-
ica y un módulo de clasi icación de escena (ESA,
2016). El esul ado es un p oduc o de e lec i ida-
des BOA, co espondien e al ni el 2a, además de
un mapa de espeso óp ico de ae osoles, un mapa
de apo de agua y un mapa de clasi icación de
la escena jun o con los indicado es de calidad.
ASOCIACIÓN ESPAÑOLA DE TELEDETECCIÓN
Clasi icación de usos del suelo a pa i de imágenes Sen inel-2
61
Sen2Co se basa en una amplia base de look-up
ables que son compiladas a pa i del modelo
de ans e encia adia i a a mos é ica basada en
libRad an1.
El sa éli e S2 mejo a misiones ope a i as como
Landsa o SPOT p opo cionando bandas más
es echas y con canales adicionales pa a e alua
ege ación, y bandas dedicadas a la mejo a de la
co ección a mos é ica y la de ección de nubes
ci us. La ó bi a de es e sa éli e es heliosinc ónica
y se encuen a a 786 km de al i ud, omando la
imagen de una zona a las 10:30 am. Es a ho a local
es la mejo pa a educi al mínimo la cobe u a de
nubes y asegu a una iluminación del Sol plena, y
además es á ce ca de la ho a de paso de Landsa y
casi idén ica a la del SPOT-5. El sa éli e es á dise-
ñado pa a una ida ú il de 7 años, con p opulso
de 12 años de ope aciones, incluyendo la salida
inal de ó bi a.
La misión es á dedicada a una cobe u a plena
de las supe icies e es es (incluyendo las islas
mayo es) a pa i de los 56° S (Amé ica del Su )
has a los 83° N (G oenlandia).
Pa a la ob ención de da os, la ESA ha desa ollado
un po al en el que se iene acceso g a ui amen e
a las imágenes del sa éli e Sen inel-2, pudiendo
accede ambién a las imágenes de Sen inel-1.
Las imágenes u ilizadas son del día 1 de Mayo de
2016 pa a Valencia, y del 13 de Ene o de 2016 pa a
A gen ina. Fue on elegidas po no ene nubes y
ue on co egidas a mos é icamen e con Sen2co .
4. Resul ados
En es a sección se mos a án los esul ados de los
índices Kappa calculados con odos los clasi ica-
do es pa a ambas imágenes. Después ob end emos
la ma iz de con usión pa a analiza los esul ados
ob enidos. Pos e io men e se mos a án los mapas
de usos del suelo ob enidos con el mejo clasi ica-
do pa a ambas zonas. Y po úl imo, se calcula á
el á ea ocupada po cada cul i o en las zonas de
es udio.
4.1. Índice Kappa
En la Tabla 1 se mues an los índices Kappa
pa a la imagen de España, aplicando odos los
clasi icado es mencionados, y los po cen ajes
de en enamien o en e el 10 y el 50%, pa a una
imagen con odas las bandas S2, y en la Tabla 2 con
solo las cua o bandas de S2 que coinciden con
SPOT (que son las 3 del isible y la del NIR). Tal
como se ap ecia en la Tabla 1, cuando usamos
odas las bandas, odos los clasi icado es han dado
un esul ado bueno, pe o algunos han dado incluso
mejo que la combinación, como son el K-NN y
el RF.
Tabla 1. Índice Kappa pa a la imagen de Bu jasso con o-
das las bandas S2, con po cen ajes de píxeles aplicados a
en enamien o quedando el es o como alidación.
%
LDA
K-NN
T ee
RF
Comb.
Comb.
Sin
LDA
Comb.
Sin LDA
ni T ee
10 0,76 0,82 0,62 0,84 0,86 0,82 0,84
20 0,81 0,88 0,75 0,88 0,89 0,88 0,89
30 0,80 0,91 0,81 0,91 0,91 0,91 0,92
40 0,81 0,94 0,82 0,94 0,92 0,93 0,94
50 0,80 0,96 0,87 0,95 0,95 0,96 0,96
Si analizamos po pa es las Tablas 1 y 2, obse a-
mos que el clasi icado LDA, nos da un esul ado
Kappa que co esponde a un g ado de acie o sus-
ancial, an o con 4 bandas como con odas.
Tabla 2. Índice Kappa pa a la imagen de Bu jasso con
4bandas SPOT (RGB y NIR), con po cen ajes de píxeles
aplicados a en enamien o quedando el es o como alida-
ción.
%
LDA
K-NN
T ee
RF
Comb.
Comb.
Sin
LDA
Comb.
Sin LDA
ni T ee
10 0,70 0,79 0,61 0,77 0,78 0,77 0,79
20 0,71 0,85 0,75 0,82 0,83 0,83 0,85
30 0,71 0,89 0,78 0,88 0,86 0,88 0,90
40 0,72 0,91 0,79 0,90 0,89 0,90 0,91
50 0,72 0,94 0,82 0,92 0,91 0,92 0,94
El clasi icado K-NN da unos esul ados con un
g ado de acie o casi pe ec o en odas las clasi i-
caciones, excep o con el 10% de en enamien o con
la imagen de cua o bandas, que da un índice de
0,79, conside ado sus ancial con el acie o. Además
empieza a da mejo es esul ados que la combina-
ción a pa i del 40% de da os de en enamien o con
odas las bandas, mien as que con cua o bandas,
da siemp e mejo que la combinación.
El clasi icado T ee, cuando se clasi ica con odas
las bandas, da un g ado de acie o sus ancial pa a
REVISTA DE TELEDETECCIÓN (2017) 48, 55-66
Bo às e al.
62
el 10 y el 20% de en enamien o, y a pa i del
30% iene un g ado de acie o casi pe ec o. Con
cua o bandas el esul ado es más des a o able,
con lo que el g ado de acue do es sus ancial has a
el 40% de en enamien o, y solo con el 50% se
puede conside a casi pe ec o. Es e clasi icado
siemp e p opo ciona peo es esul ados que la
combinación.
El clasi icado RF da un esul ado de acie o casi
pe ec o con las bandas S2, y ambién con las
cua o bandas SPOT, excep o con el 10% de en-
enamien o. A pa i de 30% da mejo esul ado
que la combinación.
T as es e p ime análisis ya se puede obse a
cómo los esul ados ob enidos con odas las
bandas son mejo es que con cua o bandas. Pe o
debido a que se que ía demos a que la combina-
ción debía se mejo que cualquie a de ellos, y se
comp obó que no siemp e se cumplía, se epi ió
la clasi icación eliminando el peo de ellos, el
cuál es el LDA, an o con odas las bandas como
con cua o.
En la sép ima columna de las Tablas 1 y 2 mos-
amos nue amen e odos los clasi icado es, pe o
con la combinación ealizada sin el clasi icado
LDA. En la clasi icación con odas las bandas,
emos cómo la combinación ha mejo ado espec-
o a odos los demás clasi icado es, pe o oda ía
hay po cen ajes en los que queda po debajo de
algunos de los clasi icado es. Po ejemplo el cla-
si icado K-NN a pa i del 40% a oja mejo es
esul ados que la combinación, y el RF ambién,
mien as que en la clasi icación con cua o bandas
se ap ecia cómo la combinación ya da mejo es
esul ados que el clasi icado RF, pe o en cambio
el clasi icado K-NN sigue siendo mejo que la
combinación en odo momen o.
Como oda ía exis ía esul ados en los que la
combinación de clasi icado es daba esul ados
más bajos que los clasi icado es indi idualmen e,
se epi ió la clasi icación con la combinación,
pe o es a ez eliminando de la combinación
ambién el clasi icado T ee, ya que después del
LDA, e a el que peo es esul ados p opo cionaba.
En la oc a a columna de las Tablas 1 y 2 enemos
los esul ados de la combinación K-NN y RF, es
deci , sin el clasi icado LDA y el T ee.
T as habe eliminado los dos peo es clasi icado-
es, se obse a que la combinación ha mejo ado
an o con odas las bandas como con cua o,
espec o a los clasi icado es K-NN y RF. En
algunos po cen ajes la combinación supe a a
los clasi icado es, y en o os los iguala, aunque
si añadiésemos decimales se pod ía comp oba
cómo ha mejo ado lige amen e.
En la Tabla 3 se mues a la mejo a ob enida en
la clasi icación ealizándola con odas las bandas
de S2 espec o a ealiza la con solo las cua o
que coinciden con SPOT. Se puede obse a que
S2 pe mi e mejo a la clasi icación ealizada con
SPOT en e el 2 y el 5%, usando la combinación
K-NN y RF. En las Tablas 4 y 5 se mues a cómo
el in e alo de con ianza da unos alo es es adís-
icamen e signi ica i os.
Tabla 3. Cuan i icación de la mejo a de S2 espec o SPOT,
con po cen ajes de píxeles aplicados a en enamien o que-
dando el es o como alidación.
%
LDA
K-NN
T ee
RF
Comb. sin
LDA ni T ee
10 0,06 0,03 0,01 0,06 0,05
20 0,10 0,03 0,01 0,06 0,04
30 0,09 0,02 0,03 0,03 0,02
40 0,09 0,02 0,03 0,03 0,03
50 0,08 0,02 0,05 0,03 0,02
4.2. Mapas de usos del suelo
En la Figu a 3 se mues a el mapa de usos del suelo
pa a la hue a de Bu jasso en Valencia (España).
El mapa se ha cons uido median e el clasi icado
Tabla 4. In e alos de con ianza pa a el 95% sob e la imagen de Bu jasso con odas las bandas de S2, con po cen ajes de
píxeles aplicados a en enamien o quedando el es o como alidación.
%
LDA
K-NN
T ee
RF
Comb. sin LDA ni T ee
10 0,76 0,83 0,82 0,86 0,63 0,68 0,84 0,87 0,84 0,87
20 0,81 0,85 0,84 0,88 0,76 0,80 0,87 0,91 0,89 0,92
30 0,80 0,84 0,91 0,94 0,81 0,85 0,90 0,93 0,91 0,94
40 0,81 0,85 0,93 0,95 0,82 0,86 0,93 0,95 0,93 0,96
50 0,80 0,84 0,95 0,97 0,87 0,90 0,95 0,97 0,95 0,97
ASOCIACIÓN ESPAÑOLA DE TELEDETECCIÓN
Clasi icación de usos del suelo a pa i de imágenes Sen inel-2
63
K-NN, ya que e a el mejo clasi icado , y con un
50% de en enamien o, dando un índice Kappa
de 0,94.
Figu a 3. Mapa de usos del suelo de la hue a de Bu jasso ,
Valencia.
En la Figu a 4 se mues a el mapa de usos del sue-
lo del Valle Bonae ense del Río Colo ado, usando
ambién el clasi icado K-NN. La clasi icación se
ha ealizado con el 50% de da os como en ena-
mien o, y ha dado como g ado de acie o un índice
Kappa de 0,83, lo cual se conside a casi pe ec o.
Figu a 4. Mapa de usos del suelo del VBRC, BsAs.
4.3. Ma iz de con usión
En la Tabla 6 se mues a la ma iz de con usión
pa a la zona de es udio de España, con las ca o ce
ca ego ías ep esen adas, con la can idad de los
píxeles pa a cada clase en po cen aje.
T as calcula la p ecisión global se ob u o que
el 96,52% de las mues as es aban co ec amen e
clasi icadas. Si analizamos la abla 6 se ap ecia
cómo las clases mejo e ique adas y clasi icadas
han sido el suelo abandonado, la al al a y los
i e os, ob eniéndose un 100% de acie os. Po
el con a io, la clase peo e ique ada y po lo
an o peo clasi icada ha sido la palme a con un
63,63% de acie os, po el hecho de ene pocos
píxeles, y pocos da os de campo. El es o de cla-
ses p esen a unos alo es cohe en es den o de
una clasi icación.
En la Tabla 7 se mues a la ma iz de con usión
pa a la zona de es udio en A gen ina, con las
once ca ego ías elegidas y con el po cen aje
de la can idad de píxeles pa a cada clase. T as
calcula la p ecisión global se ob u o que el
85,28% de las mues as es aban co ec amen e
clasi icadas. Es e alo ue in e io al alo de la
imagen de España (96,52%), lo que nos lle ó a
pensa que exis ían a ios ac o es que pod ían
habe a ec ado a es e esul ado: el á ea a clasi-
ica de A gen ina e a mucho más g ande que la
de España, con lo que se le es aban inyec ando
más da os a los clasi icado es; además había más
ipos de clases en España que en A gen ina, po
lo que se podían di e encia más cul i os; la oma
de da os coincidía con el paso de Sen inel, mien-
as en A gen ina no, po que, aunque los da os de
campo ue on omados en el mes de Ma zo, se
decidió abaja con la imagen de Ene o debido a
que los cul i os es aban en pleno desa ollo. O o
ac o pod ía se el hecho de que el mejo mé odo
de clasi icación en la hue a de Valencia, no lo
sea pa a la zona de A gen ina.
Tabla 5. In e alos de con ianza pa a el 95% sob e la imagen de Bu jasso con las 4 bandas de SPOT (RGB y NIR) , con
po cen ajes de píxeles aplicados a en enamien o quedando el es o como alidación.
%
LDA
K-NN
T ee
RF
Comb. sin LDA ni T ee
10 0,70 0,75 0,79 0,84 0,62 0,67 0,78 0,82 0,72 0,77
20 0,71 0,76 0,85 0,89 0,75 0,80 0,82 0,86 0,83 0,87
30 0,72 0,76 0,89 0,92 0,79 0,83 0,88 0,91 0,88 0,91
40 0,73 0,77 0,91 0,94 0,79 0,83 0,90 0,93 0,90 0,93
50 0,73 0,77 0,93 0,96 0,82 0,86 0,92 0,94 0,92 0,95