CLMS Protected Areas: un enfoque semiautomático de uso del suelo y cobertura del suelo (LULC) basado en información de series temporales de alta resolución de Copernicus y su conexión con la cartografía de hábitats.
DOI:
https://doi.org/10.17398/3101-7177.2.255Palabras clave:
Copernicus, Natura 2000, uso/cobertura del suelo, Sentinel-2, Deep-LearningResumen
El seguimiento del uso del suelo y la cobertura del suelo (LULC) es esencial para comprender la dinámica del paisaje y su interacción con las actividades humanas, especialmente en un contexto de cambios ambientales globales. El Servicio de Monitoreo de la Tierra de Copernicus (CLMS) ofrece una gama de productos LULC multi anuales, entre ellos el veterano CORINE Land Cover y las más recientes capas de Monitoreo de Áreas Prioritarias orientadas a zonas clave como áreas urbanas, ribereñas, costeras y espacios Natura 2000. Los productos previos del CLMS sobre LULC se han basado principalmente en la fotointerpretación manual, lo que ha supuesto limitaciones en la resolución espacial, la reproducibilidad y la eficiencia. PA-2021 presenta un flujo de trabajo novedoso y semiautomático que utiliza series temporales de Sentinel-2 con superresolución y modelos de IA para generar productos LULC de Áreas Prioritarias de alta resolución. Este flujo de trabajo busca aprovechar la valiosa información previa del CLMS para alimentar los modelos, aplicando un filtrado exhaustivo basado en el comportamiento espectro-fenológico de cada clase en comparación con los predictores derivados de los datos de observación de la Tierra (EO). PA-2021 alcanza más del 90 % de precisión en la clasificación de Nivel 1 y captura subclases detalladas, como tipos de bosque y la distinción entre pastizales y cultivos. La metodología mejora la detección de elementos de pequeña escala y permite obtener salidas vectoriales listas para su uso, reduciendo significativamente el procesamiento manual. Su escalabilidad a regiones y periodos temporales más amplios favorece una mejor estratificación para campañas de muestreo in situ y contribuye a la futura cartografía de hábitats mediante su alineación con las clasificaciones EUNIS.
Descargas
Referencias
Ledig, C., Theis, L., Huszár, F., Caballero, J., Cunningham, A., Acosta, A., Aitken, A., Tejani, A., Totz, J., Wang, Z., & Shi, W. (2017). Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR) (pp. 4681–4690). https://doi.org/10.1109/CVPR.2017.19
Pelletier, C., Webb, G. I., & Petitjean, F. (2019). Temporal Convolutional Neural Network for the Classification of Satellite Image Time Series. Remote Sensing, 11(5), 523. https://doi.org/10.3390/rs11050523
Rußwurm, M., & Körner, M. (2019). Self‑attention for raw optical satellite time series classification. ISPRS Journal of Photogrammetry and Remote Sensing, 169, 421–435.
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Javier Becerra, José Manuel Álvarez-Martínez, Borja Jiménez-Alfaro, Justine Hugé, Carlos Dewaissage, Chris Poray, Dimitri Papadakis, Adrián Cost, Ana Sousa (Autor/a)

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Todo el contenido disponible en el Portal de Revistas-UEx se distribuye bajo una licencia Creative Commons: Atribución 4.0 Internacional (CC BY 4.0)