Clasificación multitemporal de Sentinel-2 en el valle inferior del Río Chubut

FLAHERTY, SILVIA; LIBEROFF, A. L.; TRUJILLO-JIMÉNEZ, MAGDA ALEXANDRA; PESSACG, NATALIA; PACHECO, CRISTIAN; DÍAZ, LUCAS

Congreso; XII Jornadas Patagónicas de Geografía y II Congreso Internacional de Geografía de la Patagonia Argentino- Chilena; 2022

Contar con mapas actualizados de cultivos es importante para la gestión de losrecursos hídricos, especialmente en una región semiárida y en el actual contextode cambio climático. Estos mapas son un insumo básico para realizar estudiosrelacionados con la cantidad y la calidad del agua de rio, como por ejemplo, elmodelado del aporte de contaminantes y el diseño de sistemas para optimizar elriego. Una de las metodologías más utilizadas para generar estos mapas es laclasificación digital de imágenes de satélite. Sin embargo, la dinámica propia delos cultivos hace que sea difícil encontrar una fecha óptima para distinguirlos enestas imágenes. Una solución a este problema podría ser combinar imágenes devarias 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 estetrabajo es evaluar la eficacia del uso de imágenes satelitales multitemporales parala clasificación de cultivos y otras categorías de uso y cobertura del suelo en elValle Inferior del Río Chubut (VIRCh), Para lograr este objetivo, trabajamos conimágenes multitemporales del satélite Sentinel-2, que lleva a bordo un sensor(MSI) que provee información especialmente útil para el estudio y monitoreo de loscultivos y vegetación en general (bandas espectrales red-edge). Tambiénutilizamos el índice de vegetación normalizado (NDVI) para analizar los diferentescultivos en diferentes momentos del año y poder definir de esta manera en quémeses se diferencian mejor unos de otros. Para la zona del VIRCh, las clases quedefinimos son Agua, Arboles, Arbustal, Corrales, Construido, Invernaderos,Hortalizas, Frutales, Pasturas y Pasturas degradadas. Se hicieron varias salidas alcampo para localizar y registrar estas coberturas y poder así elaborar los datosnecesarios para entrenar y validar la clasificación. Finalmente, para generar elmapa se utilizó el modelo de redes neuronales SatRed, que fue desarrollado poreste mismo equipo de trabajo en la primera etapa de este proyecto.Según los resultados del análisis del NDVI, para el periodo 2018-2019, los mejoresmeses fueron septiembre, octubre, diciembre, enero (febrero), marzo y abril. Conrespecto a la precisión general de la clasificación, aumenta de un 72% cuandoutilizamos una imagen de una sola fecha (marzo) a un 84% cuando se combinanlas 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 clasesPasturas y Pasturas degradadas, y también entre las clases Pasturas degradadasy Arbustal.Como podemos observar a partir de estos resultados, el uso de imágenesmultitemporales mejora la precisión general de la clasificación en el VIRCh.Actualmente estamos trabajando en re-definir los datos de entrenamiento parareducir la confusión entre clases, y también en actualizar el mapa con imágenesdel periodo 2021-2022.