Clasificación multitemporal de Sentinel-2 en el Valle Inferior del Río Chubut

FLAHERTY, SILVIA; LIBEROF, ANA LAURA; TRUJILLO JIMÉNEZ, MAGDA ALEXANDRA; PESSACG, NATALIA; PACHECO, CRISTIAN; DIAZ, LUCAS

Comodoro Rivadavia

Congreso; XII JORNADAS PATAGÓNICAS DE GEOGRAFÍA II CONGRESO INTERNACIONAL DE GEOGRAFÍA DE LA PATAGONIA ARGENTINO- CHILENA; 2022

Universidad Nacional de la Patagonia San Juan Bosco

Contar con mapas actualizados de cultivos es importante para la gestión de los recursos hídricos, especialmente en una región semiárida y en el actual contexto de cambio climático. Estos mapas son un insumo básico para realizar estudios relacionados con la cantidad y la calidad del agua de rio, como por ejemplo, el modelado del aporte de contaminantes y el diseño de sistemas para optimizar el riego. Una de las metodologías más utilizadas para generar estos mapas es la clasificación digital de imágenes de satélite. Sin embargo, la dinámica propia delos cultivos hace que sea difícil encontrar una fecha óptima para distinguirlos en estas imágenes. Una solución a este problema podría ser combinar imágenes de varias fechas, ya que de esta manera se capturan las variaciones en el estado delos cultivos en distintos momentos del año. En este contexto, el objetivo de este trabajo es evaluar la eficacia del uso de imágenes satelitales multitemporales parala clasificación de cultivos y otras categorías de uso y cobertura del suelo en el Valle Inferior del Río Chubut (VIRCh), Para lograr este objetivo, trabajamos con imágenes multitemporales del satélite Sentinel-2, que lleva a bordo un sensor(MSI) que provee información especialmente útil para el estudio y monitoreo de los cultivos y vegetación en general (bandas espectrales red-edge). También utilizamos el índice de vegetación normalizado (NDVI) para analizar los diferentes cultivos en diferentes momentos del año y poder definir de esta manera en qué meses se diferencian mejor unos de otros. Para la zona del VIRCh, las clases que definimos son Agua, Arboles, Arbustal, Corrales, Construido, Invernaderos, Hortalizas, Frutales, Pasturas y Pasturas degradadas. Se hicieron varias salidas al campo para localizar y registrar estas coberturas y poder así elaborar los datos necesarios para entrenar y validar la clasificación. Finalmente, para generar el mapa se utilizó el modelo de redes neuronales SatRed, que fue desarrollado por este mismo equipo de trabajo en la primera etapa de este proyecto. Según los resultados del análisis del NDVI, para el periodo 2018-2019, los mejores meses fueron septiembre, octubre, diciembre, enero (febrero), marzo y abril. Con respecto a la precisión general de la clasificación, aumenta de un 72% cuando utilizamos una imagen de una sola fecha (marzo) a un 84% cuando se combinan las seis fechas. A su vez, este valor aumenta a 95% cuando se aplica un post-procesamiento para homogeneizar los resultados de la clasificación a nivel deparcela. Existe confusión entre clases, las más importantes se dan entre las clases Pasturas y Pasturas degradadas, y también entre las clases Pasturas degradadas y Arbustal. Como podemos observar a partir de estos resultados, el uso de imágenes multitemporales mejora la precisión general de la clasificación en el VIRCh. Actualmente estamos trabajando en re-definir los datos de entrenamiento para reducir la confusión entre clases, y también en actualizar el mapa con imágenes del periodo 2021-2022.