Clasificación de usos de suelo en las Illes Balears a partir de datos en abierto mediante UNet
DOI:
https://doi.org/10.17398/3101-7177.2.259Palabras clave:
Datos abiertos, UNet, Segmentación semántica, LIDAR, Sentinel2Resumen
La clasificación de usos del suelo es fundamental para la gestión de territorio y puede abordarse mediante técnicas de aprendizaje profundo. Sin embargo, estos métodos suelen requerir grandes volúmenes de datos de entrenamiento. En este trabajo se presenta un flujo de trabajo para la clasificación de usos del suelo en las Illes Balears utilizando datos en abierto y una arquitectura UNet. Se integran imágenes multiespectrales Sentinel-2 con métricas derivadas de datos LiDAR del PNOA, y se armonizan distintas fuentes cartográficas abiertas (SIGPAC, Mapa Forestal Español y Mapa Topográfico Nacional) para generar las muestras de entrenamiento. Se consideran siete clases de uso del suelo: artificial, cultivos leñosos, cultivos herbáceos, pastizal, matorral, coníferas y frondosas. La evaluación sobre un conjunto independiente de validación alcanza una precisión global del 84,2% y un índice Kappa de Cohen de 0,785, con mejores resultados en las clases artificial y coníferas. Los resultados demuestran el potencial de los datos abiertos para la generación de cartografía de usos del suelo fiable a escala regional.
Descargas
Referencias
Auty, J.-R. R. (2023). Airborne LiDAR Data Manipulation and Visualization for Forestry Applications. https://cran.r-project.org/package=lidR
Boston, T. a. (2022). Comparing CNNs and Random Forests for Landsat Image Segmentation Trained on a Large Proxy Land Cover Dataset. Remote Sensing, 14(14). https://doi.org/10.3390/rs14143396
Chen, W. a. (2020). Accelerating the Training of Convolutional Neural Networks for Image Segmentation with Deep Active Learning. IEEE 23rd International Conference on Intelligent Transportation Systems (ITSC) (págs. 1-7). IEEE .
Instituto Geográfico Nacional. (s.f.). Plan Nacional de Ortofotografía Aérea. Recuperado el 9 de 2 de 2026, de https://pnoa.ign.es/
Kotaridis, I. &. (2022). Semantic segmentation using a UNet architecture on Sentinel-2 data. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences(43), 119-126.
Liang, B. L. (2020). Weakly Supervised Semantic Segmentation Based on Deep Learning. Proceedings of the 11th International Conference on Modelling, Identification and Control (ICMIC2019).
Ministerio de Agricultura, P. y. (s.f.). Sistema de Información Geográfica de Parcelas Agrícolas (SIGPAC). Fondo Español de Garantía Agraria (FEGA). https://www.fega.gob.es/es/banner/sigpac
Ministerio de transportes y movilidad sostenible. (s.f.). Mapa topográfico nacional 1:25000. https://centrodedescargas.cnig.es/CentroDescargas/mapa-topografico-nacional
Ministerio para la transición ecológica y el reto demográfico. (s.f.). Mapa Forestal de España a escala 1:25.000 (MFE25). https://www.miteco.gob.es/es/biodiversidad/temas/inventarios-nacionales/mapa-forestal-espana/mfe_25.html
Roussel, J. A. (Agosto de 2021). lidR : An R package for analysis of Airborne Laser Scanning (ALS) data. Remote Sensing of Environment, 251(112061). https://doi.org/10.1016/j.rse.2020.112061
Solórzano, J. V.-C. (2021). Land use land cover classification with U-net: Advantages of combining sentinel-1 and sentinel-2 imagery. Remote Sensing(13(18)), 3600.
Ye, R. L. (2025). Strategic sampling for training a semantic segmentation model in operational mapping: Case studies on cropland parcel extraction. Remote Sensing of Environment, 331, 115034.
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Andrés Bravo Núñez, Isabel González González, Santiago Martín Alcón, Pablo Crespo-Peremarch, Luis Ruiz Fernández (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)
