Deep learning para la clasificación de usos de suelo agrícola con Sentinel-2

• Campos-Taberner, M. ^[1] ; García-Haro, F.J. ^[1] ; Martínez, B. ^[1] ; Gilabert, M.A. ^[1]
  1. [1] Universitat de València

     Universitat de València

     Valencia, España

     
• Localización: Revista de teledetección: Revista de la Asociación Española de Teledetección, ISSN 1133-0953, Nº. Extra 56, 2020 (Ejemplar dedicado a: Applications of Copernicus Sentinel Satellites; V-XI), págs. 35-48
• Idioma: español
• Títulos paralelos:
  • Deep learning for agricultural land use classification from Sentinel-2
• Enlaces
  • Texto completo
• Dialnet Métricas: 2 Citas
• Resumen
  • español

    En el campo de la teledetección se ha producido recientemente un incremento del uso de técnicas de aprendizaje profundo (deep learning). Estos algoritmos se utilizan con éxito principalmente en la estimación de parámetros y en la clasificación de imágenes. Sin embargo, se han realizado pocos esfuerzos encaminados a su comprensión, lo que lleva a ejecutarlos como si fueran “cajas negras”. Este trabajo pretende evaluar el rendimiento y acercarnos al entendimiento de un algoritmo de aprendizaje profundo, basado en una red recurrente bidireccional de memoria corta a largo plazo (2-BiLSTM), a través de un ejemplo de clasificación de usos de suelo agrícola de la Comunidad Valenciana dentro del marco de trabajo de la política agraria común (PAC) a partir de series temporales de imágenes Sentinel-2. En concreto, se ha comparado con otros algoritmos como los árboles de decisión (DT), los k-vecinos más cercanos (k-NN), redes neuronales (NN), máquinas de soporte vectorial (SVM) y bosques aleatorios (RF) para evaluar su precisión. Se comprueba que su precisión (98,6% de acierto global) es superior a la del resto en todos los casos. Por otra parte, se ha indagado cómo actúa el clasificador en función del tiempo y de los predictores utilizados. Este análisis pone de manifiesto que, sobre el área de estudio, la información espectral y espacial derivada de las bandas del rojo e infrarrojo cercano, y las imágenes correspondientes a las fechas del período de verano, son la fuente de información más relevante utilizada por la red en la clasificación. Estos resultados abren la puerta a nuevos estudios en el ámbito de la explicabilidad de los resultados proporcionados por los algoritmos de aprendizaje profundo en aplicaciones de teledetección.

  • English

    The use of deep learning techniques for remote sensing applications has recently increased. These algorithms have proven to be successful in estimation of parameters and classification of images. However, little effort has been made to make them understandable, leading to their implementation as “black boxes”. This work aims to evaluate the performance and clarify the operation of a deep learning algorithm, based on a bi-directional recurrent network of long short-term memory (2-BiLSTM). The land use classification in the Valencian Community based on Sentinel-2 image time series in the framework of the common agricultural policy (CAP) is used as an example. It is verified that the accuracy of the deep learning techniques is superior (98.6 % overall success) to that other algorithms such as decision trees (DT), k-nearest neighbors (k-NN), neural networks (NN), support vector machines (SVM) and random forests (RF). The performance of the classifier has been studied as a function of time and of the predictors used. It is concluded that, in the study area, the most relevant information used by the network in the classification are the images corresponding to summer and the spectral and spatial information derived from the red and near infrared bands. These results open the door to new studies in the field of the explainable deep learning in remote sensing applications.