Search

[EN] The use of satellite images has become, in recent decades, one of the most common ways to determine the Land Surface Temperature (LST). One of them is through the use of Landsat 8 images that requires the use of single-channel (MC) and two-channel (BC) algorithms. In this study, the LST of a medium-sized city, Granada (Spain) has been determined over a year by using five Landsat 8 algorithms that are subsequently compared with ambient temperatures. Few studies compare the data source with the seasonal variations of the same metropolis, which together with its geographical location, high pollution and the significant thermal variations it experiences make it a suitable place for the development of this research. As a result of the statistical analysis process, the regression coefficients R2, mean square error (RMSE), mean error bias (MBE) and standard deviation (SD) were obtained. The average results obtained reveal that the LST derived from the BC algorithms (1.0 °C) are the closest to the ambient temperatures in contrast to the MC (-5.6 °C), although important variations have been verified between the different zones of the city according to its coverage and seasonal periods. Therefore, it is concluded that the BC algorithms are the most suitable for recovering the LST of the city under study., [ES] El empleo de imágenes satelitales se ha convertido, en las últimas décadas, en una de las formas más habituales para determinar la Temperatura de la Superficie Terrestre (TST). Una de ellas es mediante el empleo de imágenes Landsat 8 que requiere del uso de algoritmos del tipo monocanal (MC) y bicanal (BC). En este estudio se ha determinado la TST de una ciudad de tamaño medio, Granada (España) a lo largo de un año mediante el empleo de cinco algoritmos Landsat 8 que posteriormente se comparan con las temperaturas ambientales. Pocos estudios comparan la fuente de datos con las variaciones estacio-temporales de una misma metrópolis lo que unido a su situación geográfica, alta contaminación y las importantes variaciones térmicas que experimenta la convierten en un lugar adecuado para el desarrollo de esta investigación. Como resultado del proceso de análisis estadístico se obtuvieron los coeficientes de regresión R2, el error medio cuadrático (RMSE), sesgo medio del error (MBE) y la desviación estándar (DE). Los resultados medios obtenidos revelan que las TST derivada de los algoritmos BC (1,0 °C) son las más próximas a las temperaturas ambientales en contraposición con los MC (-5,6 °C) aunque se han verificado importantes variaciones entre las distintas zonas de la urbe según su cobertura y los periodos estacionales. Por todo ello, se concluye que los algoritmos BC son los más adecuados para recuperar la TST de la urbe objeto de estudio.

[EN] The use of satellite images has become, in recent decades, one of the most common ways to determine the Land Surface Temperature (LST). One of them is through the use of Landsat 8 images that requires the use of single-channel (MC) and two-channel (BC) algorithms. In this study, the LST of a medium-sized city, Granada (Spain) has been determined over a year by using five Landsat 8 algorithms that are subsequently compared with ambient temperatures. Few studies compare the data source with the seasonal variations of the same metropolis, which together with its geographical location, high pollution and the significant thermal variations it experiences make it a suitable place for the development of this research. As a result of the statistical analysis process, the regression coefficients R2, mean square error (RMSE), mean error bias (MBE) and standard deviation (SD) were obtained. The average results obtained reveal that the LST derived from the BC algorithms (1.0 °C) are the closest to the ambient temperatures in contrast to the MC (-5.6 °C), although important variations have been verified between the different zones of the city according to its coverage and seasonal periods. Therefore, it is concluded that the BC algorithms are the most suitable for recovering the LST of the city under study., [ES] El empleo de imágenes satelitales se ha convertido, en las últimas décadas, en una de las formas más habituales para determinar la Temperatura de la Superficie Terrestre (TST). Una de ellas es mediante el empleo de imágenes Landsat 8 que requiere del uso de algoritmos del tipo monocanal (MC) y bicanal (BC). En este estudio se ha determinado la TST de una ciudad de tamaño medio, Granada (España) a lo largo de un año mediante el empleo de cinco algoritmos Landsat 8 que posteriormente se comparan con las temperaturas ambientales. Pocos estudios comparan la fuente de datos con las variaciones estacio-temporales de una misma metrópolis lo que unido a su situación geográfica, alta contaminación y las importantes variaciones térmicas que experimenta la convierten en un lugar adecuado para el desarrollo de esta investigación. Como resultado del proceso de análisis estadístico se obtuvieron los coeficientes de regresión R2, el error medio cuadrático (RMSE), sesgo medio del error (MBE) y la desviación estándar (DE). Los resultados medios obtenidos revelan que las TST derivada de los algoritmos BC (1,0 °C) son las más próximas a las temperaturas ambientales en contraposición con los MC (-5,6 °C) aunque se han verificado importantes variaciones entre las distintas zonas de la urbe según su cobertura y los periodos estacionales. Por todo ello, se concluye que los algoritmos BC son los más adecuados para recuperar la TST de la urbe objeto de estudio.

[EN] The use of satellite images has become, in recent decades, one of the most common ways to determine the Land Surface Temperature (LST). One of them is through the use of Landsat 8 images that requires the use of single-channel (MC) and two-channel (BC) algorithms. In this study, the LST of a medium-sized city, Granada (Spain) has been determined over a year by using five Landsat 8 algorithms that are subsequently compared with ambient temperatures. Few studies compare the data source with the seasonal variations of the same metropolis, which together with its geographical location, high pollution and the significant thermal variations it experiences make it a suitable place for the development of this research. As a result of the statistical analysis process, the regression coefficients R2, mean square error (RMSE), mean error bias (MBE) and standard deviation (SD) were obtained. The average results obtained reveal that the LST derived from the BC algorithms (1.0 °C) are the closest to the ambient temperatures in contrast to the MC (-5.6 °C), although important variations have been verified between the different zones of the city according to its coverage and seasonal periods. Therefore, it is concluded that the BC algorithms are the most suitable for recovering the LST of the city under study., [ES] El empleo de imágenes satelitales se ha convertido, en las últimas décadas, en una de las formas más habituales para determinar la Temperatura de la Superficie Terrestre (TST). Una de ellas es mediante el empleo de imágenes Landsat 8 que requiere del uso de algoritmos del tipo monocanal (MC) y bicanal (BC). En este estudio se ha determinado la TST de una ciudad de tamaño medio, Granada (España) a lo largo de un año mediante el empleo de cinco algoritmos Landsat 8 que posteriormente se comparan con las temperaturas ambientales. Pocos estudios comparan la fuente de datos con las variaciones estacio-temporales de una misma metrópolis lo que unido a su situación geográfica, alta contaminación y las importantes variaciones térmicas que experimenta la convierten en un lugar adecuado para el desarrollo de esta investigación. Como resultado del proceso de análisis estadístico se obtuvieron los coeficientes de regresión R2, el error medio cuadrático (RMSE), sesgo medio del error (MBE) y la desviación estándar (DE). Los resultados medios obtenidos revelan que las TST derivada de los algoritmos BC (1,0 °C) son las más próximas a las temperaturas ambientales en contraposición con los MC (-5,6 °C) aunque se han verificado importantes variaciones entre las distintas zonas de la urbe según su cobertura y los periodos estacionales. Por todo ello, se concluye que los algoritmos BC son los más adecuados para recuperar la TST de la urbe objeto de estudio.

[EN] The use of satellite images has become, in recent decades, one of the most common ways to determine the Land Surface Temperature (LST). One of them is through the use of Landsat 8 images that requires the use of single-channel (MC) and two-channel (BC) algorithms. In this study, the LST of a medium-sized city, Granada (Spain) has been determined over a year by using five Landsat 8 algorithms that are subsequently compared with ambient temperatures. Few studies compare the data source with the seasonal variations of the same metropolis, which together with its geographical location, high pollution and the significant thermal variations it experiences make it a suitable place for the development of this research. As a result of the statistical analysis process, the regression coefficients R2, mean square error (RMSE), mean error bias (MBE) and standard deviation (SD) were obtained. The average results obtained reveal that the LST derived from the BC algorithms (1.0 °C) are the closest to the ambient temperatures in contrast to the MC (-5.6 °C), although important variations have been verified between the different zones of the city according to its coverage and seasonal periods. Therefore, it is concluded that the BC algorithms are the most suitable for recovering the LST of the city under study., [ES] El empleo de imágenes satelitales se ha convertido, en las últimas décadas, en una de las formas más habituales para determinar la Temperatura de la Superficie Terrestre (TST). Una de ellas es mediante el empleo de imágenes Landsat 8 que requiere del uso de algoritmos del tipo monocanal (MC) y bicanal (BC). En este estudio se ha determinado la TST de una ciudad de tamaño medio, Granada (España) a lo largo de un año mediante el empleo de cinco algoritmos Landsat 8 que posteriormente se comparan con las temperaturas ambientales. Pocos estudios comparan la fuente de datos con las variaciones estacio-temporales de una misma metrópolis lo que unido a su situación geográfica, alta contaminación y las importantes variaciones térmicas que experimenta la convierten en un lugar adecuado para el desarrollo de esta investigación. Como resultado del proceso de análisis estadístico se obtuvieron los coeficientes de regresión R2, el error medio cuadrático (RMSE), sesgo medio del error (MBE) y la desviación estándar (DE). Los resultados medios obtenidos revelan que las TST derivada de los algoritmos BC (1,0 °C) son las más próximas a las temperaturas ambientales en contraposición con los MC (-5,6 °C) aunque se han verificado importantes variaciones entre las distintas zonas de la urbe según su cobertura y los periodos estacionales. Por todo ello, se concluye que los algoritmos BC son los más adecuados para recuperar la TST de la urbe objeto de estudio.

[EN] The use of satellite images has become, in recent decades, one of the most common ways to determine the Land Surface Temperature (LST). One of them is through the use of Landsat 8 images that requires the use of single-channel (MC) and two-channel (BC) algorithms. In this study, the LST of a medium-sized city, Granada (Spain) has been determined over a year by using five Landsat 8 algorithms that are subsequently compared with ambient temperatures. Few studies compare the data source with the seasonal variations of the same metropolis, which together with its geographical location, high pollution and the significant thermal variations it experiences make it a suitable place for the development of this research. As a result of the statistical analysis process, the regression coefficients R2, mean square error (RMSE), mean error bias (MBE) and standard deviation (SD) were obtained. The average results obtained reveal that the LST derived from the BC algorithms (1.0 °C) are the closest to the ambient temperatures in contrast to the MC (-5.6 °C), although important variations have been verified between the different zones of the city according to its coverage and seasonal periods. Therefore, it is concluded that the BC algorithms are the most suitable for recovering the LST of the city under study., [ES] El empleo de imágenes satelitales se ha convertido, en las últimas décadas, en una de las formas más habituales para determinar la Temperatura de la Superficie Terrestre (TST). Una de ellas es mediante el empleo de imágenes Landsat 8 que requiere del uso de algoritmos del tipo monocanal (MC) y bicanal (BC). En este estudio se ha determinado la TST de una ciudad de tamaño medio, Granada (España) a lo largo de un año mediante el empleo de cinco algoritmos Landsat 8 que posteriormente se comparan con las temperaturas ambientales. Pocos estudios comparan la fuente de datos con las variaciones estacio-temporales de una misma metrópolis lo que unido a su situación geográfica, alta contaminación y las importantes variaciones térmicas que experimenta la convierten en un lugar adecuado para el desarrollo de esta investigación. Como resultado del proceso de análisis estadístico se obtuvieron los coeficientes de regresión R2, el error medio cuadrático (RMSE), sesgo medio del error (MBE) y la desviación estándar (DE). Los resultados medios obtenidos revelan que las TST derivada de los algoritmos BC (1,0 °C) son las más próximas a las temperaturas ambientales en contraposición con los MC (-5,6 °C) aunque se han verificado importantes variaciones entre las distintas zonas de la urbe según su cobertura y los periodos estacionales. Por todo ello, se concluye que los algoritmos BC son los más adecuados para recuperar la TST de la urbe objeto de estudio.

[EN] Satellite images may constitute a useful source of information for coastal monitoring as long as it is possible to manage them in an efficient way and to derive precise indicators of the state of the beaches. In the present work, SHOREX system is employed for managing and processing Landsat 8 and Sentinel 2 images to automatically define the instantaneous shoreline position at sub-pixel level. Between the years 2013 and 2017, 91 satellite-derived shorelines (SDS) were assessed by comparing with high-resolution shorelines obtained simultaneously through video-monitoring. The analysis allowed identifying the combination of parameters to perform the extraction algorithm with the highest accuracy. Furthermore, an efficient self-contained workflow is proposed, more robust and independent from inaccuracies in the approximate input line and from multiple morphological and oceanographic issues that may condition the radiometric response near the shore. An iterative procedure ensures firstly a suitable kernel of analysis representing the water-land interface to get, afterward, the definition of the sub-pixel shoreline with high accuracy (below 3 m RMSE).

[EN] Mapping of land use and forest cover and assessing their changes is essential in the design of strategies to manage and preserve the natural resources of a country, and remote sensing have been extensively used with this purpose. By comparing four classification algorithms and two types of satellite images, the objective of the research was to identify the type of algorithm and satellite image that allows higher global accuracy in the identification of forest cover in highly fragmented landscapes. The study included a treatment arrangement with three factors and six randomly selected blocks within the Huetar Norte Zone in Costa Rica. More accurate results were obtained for classifications based on Sentinel-2 images compared to Landsat-8 images. The best classification algorithms were Maximum Likelihood, Support Vector Machine or Neural Networks, and they yield better results than Minimum Distance Classification. There was no interaction among image type and classification methods, therefore, Sentinel-2 images can be used with any of the three best algorithms, but the best result was the combination of Sentinel-2 and Support Vector Machine. An additional factor included in the study was the image acquisition date. There were significant differences among months during which the image was acquired and an interaction between the classification algorithm and this factor was detected. The best results correspond to images obtained in April, and the lower to September, month that corresponds with the period of higher rainfall in the region studied. The higher global accuracy identifying forest cover is obtained with Sentinel-2 images from the dry season in combination with Maximum Likelihood, Support Vector Machine, and Neural Network image classification methods., [ES] Conocer y cartografiar los cambios del uso y cobertura de la tierra es esencial para la formulación de estrategias de manejo y conservación de los recursos naturales. Las herramientas que conforman la disciplina de la teledetección han sido extensamente usadas con este objetivo. Al comparar cuatro algoritmos de clasificación y dos tipos de imágenes satelitales, el objetivo de la investigación fue determinar el tipo de algoritmo e imagen satelital que permite obtener una mayor fiabilidad global en la identificación de la cobertura boscosa en paisajes de uso de la tierra con alta fragmentación. El estudio se desarrolló en la Zona Huetar Norte de Costa Rica, utilizando un diseño experimental de seis bloques con un arreglo de tratamientos con tres factores. El uso de imágenes Sentinel-2 fue superior al obtenido con Landsat-8. No existen diferencias significativas en la fiabilidad lograda con los algoritmos de clasificación de Máxima Verosimilitud, Máquinas de Vectores Soporte y Redes Neuronales, pero sí de estos con respecto a la clasificación por Mínima Distancia. No se detectó interacción entre tipo de imagen y algoritmo de clasificación, por lo que las imágenes de Sentinel-2 podrían usarse con cualquiera de los tres mejores algoritmos estudiados. Se analizó además el efecto que tuvo el mes en cada imagen adquirida, y se encontraron diferencias significativas debido a este factor, además se produce una interacción de este con el método de clasificación. Los mejores resultados se obtuvieron con imágenes de abril, y los más bajos con imágenes de septiembre, mes que coincide con la época lluviosa en la zona estudiada. Se concluye que la mayor fiabilidad en la identificación de la cobertura boscosa se logra mediante el uso de los algoritmos de Máxima Verosimilitud, Máquinas de Vectores Soporte y Redes Neuronales empleando imágenes Sentinel-2 tomadas en la temporada seca.

[EN] Satellite images may constitute a useful source of information for coastal monitoring as long as it is possible to manage them in an efficient way and to derive precise indicators of the state of the beaches. In the present work, SHOREX system is employed for managing and processing Landsat 8 and Sentinel 2 images to automatically define the instantaneous shoreline position at sub-pixel level. Between the years 2013 and 2017, 91 satellite-derived shorelines (SDS) were assessed by comparing with high-resolution shorelines obtained simultaneously through video-monitoring. The analysis allowed identifying the combination of parameters to perform the extraction algorithm with the highest accuracy. Furthermore, an efficient self-contained workflow is proposed, more robust and independent from inaccuracies in the approximate input line and from multiple morphological and oceanographic issues that may condition the radiometric response near the shore. An iterative procedure ensures firstly a suitable kernel of analysis representing the water-land interface to get, afterward, the definition of the sub-pixel shoreline with high accuracy (below 3 m RMSE).

[EN] Mapping of land use and forest cover and assessing their changes is essential in the design of strategies to manage and preserve the natural resources of a country, and remote sensing have been extensively used with this purpose. By comparing four classification algorithms and two types of satellite images, the objective of the research was to identify the type of algorithm and satellite image that allows higher global accuracy in the identification of forest cover in highly fragmented landscapes. The study included a treatment arrangement with three factors and six randomly selected blocks within the Huetar Norte Zone in Costa Rica. More accurate results were obtained for classifications based on Sentinel-2 images compared to Landsat-8 images. The best classification algorithms were Maximum Likelihood, Support Vector Machine or Neural Networks, and they yield better results than Minimum Distance Classification. There was no interaction among image type and classification methods, therefore, Sentinel-2 images can be used with any of the three best algorithms, but the best result was the combination of Sentinel-2 and Support Vector Machine. An additional factor included in the study was the image acquisition date. There were significant differences among months during which the image was acquired and an interaction between the classification algorithm and this factor was detected. The best results correspond to images obtained in April, and the lower to September, month that corresponds with the period of higher rainfall in the region studied. The higher global accuracy identifying forest cover is obtained with Sentinel-2 images from the dry season in combination with Maximum Likelihood, Support Vector Machine, and Neural Network image classification methods., [ES] Conocer y cartografiar los cambios del uso y cobertura de la tierra es esencial para la formulación de estrategias de manejo y conservación de los recursos naturales. Las herramientas que conforman la disciplina de la teledetección han sido extensamente usadas con este objetivo. Al comparar cuatro algoritmos de clasificación y dos tipos de imágenes satelitales, el objetivo de la investigación fue determinar el tipo de algoritmo e imagen satelital que permite obtener una mayor fiabilidad global en la identificación de la cobertura boscosa en paisajes de uso de la tierra con alta fragmentación. El estudio se desarrolló en la Zona Huetar Norte de Costa Rica, utilizando un diseño experimental de seis bloques con un arreglo de tratamientos con tres factores. El uso de imágenes Sentinel-2 fue superior al obtenido con Landsat-8. No existen diferencias significativas en la fiabilidad lograda con los algoritmos de clasificación de Máxima Verosimilitud, Máquinas de Vectores Soporte y Redes Neuronales, pero sí de estos con respecto a la clasificación por Mínima Distancia. No se detectó interacción entre tipo de imagen y algoritmo de clasificación, por lo que las imágenes de Sentinel-2 podrían usarse con cualquiera de los tres mejores algoritmos estudiados. Se analizó además el efecto que tuvo el mes en cada imagen adquirida, y se encontraron diferencias significativas debido a este factor, además se produce una interacción de este con el método de clasificación. Los mejores resultados se obtuvieron con imágenes de abril, y los más bajos con imágenes de septiembre, mes que coincide con la época lluviosa en la zona estudiada. Se concluye que la mayor fiabilidad en la identificación de la cobertura boscosa se logra mediante el uso de los algoritmos de Máxima Verosimilitud, Máquinas de Vectores Soporte y Redes Neuronales empleando imágenes Sentinel-2 tomadas en la temporada seca.

[EN] Mapping of land use and forest cover and assessing their changes is essential in the design of strategies to manage and preserve the natural resources of a country, and remote sensing have been extensively used with this purpose. By comparing four classification algorithms and two types of satellite images, the objective of the research was to identify the type of algorithm and satellite image that allows higher global accuracy in the identification of forest cover in highly fragmented landscapes. The study included a treatment arrangement with three factors and six randomly selected blocks within the Huetar Norte Zone in Costa Rica. More accurate results were obtained for classifications based on Sentinel-2 images compared to Landsat-8 images. The best classification algorithms were Maximum Likelihood, Support Vector Machine or Neural Networks, and they yield better results than Minimum Distance Classification. There was no interaction among image type and classification methods, therefore, Sentinel-2 images can be used with any of the three best algorithms, but the best result was the combination of Sentinel-2 and Support Vector Machine. An additional factor included in the study was the image acquisition date. There were significant differences among months during which the image was acquired and an interaction between the classification algorithm and this factor was detected. The best results correspond to images obtained in April, and the lower to September, month that corresponds with the period of higher rainfall in the region studied. The higher global accuracy identifying forest cover is obtained with Sentinel-2 images from the dry season in combination with Maximum Likelihood, Support Vector Machine, and Neural Network image classification methods., [ES] Conocer y cartografiar los cambios del uso y cobertura de la tierra es esencial para la formulación de estrategias de manejo y conservación de los recursos naturales. Las herramientas que conforman la disciplina de la teledetección han sido extensamente usadas con este objetivo. Al comparar cuatro algoritmos de clasificación y dos tipos de imágenes satelitales, el objetivo de la investigación fue determinar el tipo de algoritmo e imagen satelital que permite obtener una mayor fiabilidad global en la identificación de la cobertura boscosa en paisajes de uso de la tierra con alta fragmentación. El estudio se desarrolló en la Zona Huetar Norte de Costa Rica, utilizando un diseño experimental de seis bloques con un arreglo de tratamientos con tres factores. El uso de imágenes Sentinel-2 fue superior al obtenido con Landsat-8. No existen diferencias significativas en la fiabilidad lograda con los algoritmos de clasificación de Máxima Verosimilitud, Máquinas de Vectores Soporte y Redes Neuronales, pero sí de estos con respecto a la clasificación por Mínima Distancia. No se detectó interacción entre tipo de imagen y algoritmo de clasificación, por lo que las imágenes de Sentinel-2 podrían usarse con cualquiera de los tres mejores algoritmos estudiados. Se analizó además el efecto que tuvo el mes en cada imagen adquirida, y se encontraron diferencias significativas debido a este factor, además se produce una interacción de este con el método de clasificación. Los mejores resultados se obtuvieron con imágenes de abril, y los más bajos con imágenes de septiembre, mes que coincide con la época lluviosa en la zona estudiada. Se concluye que la mayor fiabilidad en la identificación de la cobertura boscosa se logra mediante el uso de los algoritmos de Máxima Verosimilitud, Máquinas de Vectores Soporte y Redes Neuronales empleando imágenes Sentinel-2 tomadas en la temporada seca.

[EN] Mapping of land use and forest cover and assessing their changes is essential in the design of strategies to manage and preserve the natural resources of a country, and remote sensing have been extensively used with this purpose. By comparing four classification algorithms and two types of satellite images, the objective of the research was to identify the type of algorithm and satellite image that allows higher global accuracy in the identification of forest cover in highly fragmented landscapes. The study included a treatment arrangement with three factors and six randomly selected blocks within the Huetar Norte Zone in Costa Rica. More accurate results were obtained for classifications based on Sentinel-2 images compared to Landsat-8 images. The best classification algorithms were Maximum Likelihood, Support Vector Machine or Neural Networks, and they yield better results than Minimum Distance Classification. There was no interaction among image type and classification methods, therefore, Sentinel-2 images can be used with any of the three best algorithms, but the best result was the combination of Sentinel-2 and Support Vector Machine. An additional factor included in the study was the image acquisition date. There were significant differences among months during which the image was acquired and an interaction between the classification algorithm and this factor was detected. The best results correspond to images obtained in April, and the lower to September, month that corresponds with the period of higher rainfall in the region studied. The higher global accuracy identifying forest cover is obtained with Sentinel-2 images from the dry season in combination with Maximum Likelihood, Support Vector Machine, and Neural Network image classification methods., [ES] Conocer y cartografiar los cambios del uso y cobertura de la tierra es esencial para la formulación de estrategias de manejo y conservación de los recursos naturales. Las herramientas que conforman la disciplina de la teledetección han sido extensamente usadas con este objetivo. Al comparar cuatro algoritmos de clasificación y dos tipos de imágenes satelitales, el objetivo de la investigación fue determinar el tipo de algoritmo e imagen satelital que permite obtener una mayor fiabilidad global en la identificación de la cobertura boscosa en paisajes de uso de la tierra con alta fragmentación. El estudio se desarrolló en la Zona Huetar Norte de Costa Rica, utilizando un diseño experimental de seis bloques con un arreglo de tratamientos con tres factores. El uso de imágenes Sentinel-2 fue superior al obtenido con Landsat-8. No existen diferencias significativas en la fiabilidad lograda con los algoritmos de clasificación de Máxima Verosimilitud, Máquinas de Vectores Soporte y Redes Neuronales, pero sí de estos con respecto a la clasificación por Mínima Distancia. No se detectó interacción entre tipo de imagen y algoritmo de clasificación, por lo que las imágenes de Sentinel-2 podrían usarse con cualquiera de los tres mejores algoritmos estudiados. Se analizó además el efecto que tuvo el mes en cada imagen adquirida, y se encontraron diferencias significativas debido a este factor, además se produce una interacción de este con el método de clasificación. Los mejores resultados se obtuvieron con imágenes de abril, y los más bajos con imágenes de septiembre, mes que coincide con la época lluviosa en la zona estudiada. Se concluye que la mayor fiabilidad en la identificación de la cobertura boscosa se logra mediante el uso de los algoritmos de Máxima Verosimilitud, Máquinas de Vectores Soporte y Redes Neuronales empleando imágenes Sentinel-2 tomadas en la temporada seca.

[EN] Mapping of land use and forest cover and assessing their changes is essential in the design of strategies to manage and preserve the natural resources of a country, and remote sensing have been extensively used with this purpose. By comparing four classification algorithms and two types of satellite images, the objective of the research was to identify the type of algorithm and satellite image that allows higher global accuracy in the identification of forest cover in highly fragmented landscapes. The study included a treatment arrangement with three factors and six randomly selected blocks within the Huetar Norte Zone in Costa Rica. More accurate results were obtained for classifications based on Sentinel-2 images compared to Landsat-8 images. The best classification algorithms were Maximum Likelihood, Support Vector Machine or Neural Networks, and they yield better results than Minimum Distance Classification. There was no interaction among image type and classification methods, therefore, Sentinel-2 images can be used with any of the three best algorithms, but the best result was the combination of Sentinel-2 and Support Vector Machine. An additional factor included in the study was the image acquisition date. There were significant differences among months during which the image was acquired and an interaction between the classification algorithm and this factor was detected. The best results correspond to images obtained in April, and the lower to September, month that corresponds with the period of higher rainfall in the region studied. The higher global accuracy identifying forest cover is obtained with Sentinel-2 images from the dry season in combination with Maximum Likelihood, Support Vector Machine, and Neural Network image classification methods., [ES] Conocer y cartografiar los cambios del uso y cobertura de la tierra es esencial para la formulación de estrategias de manejo y conservación de los recursos naturales. Las herramientas que conforman la disciplina de la teledetección han sido extensamente usadas con este objetivo. Al comparar cuatro algoritmos de clasificación y dos tipos de imágenes satelitales, el objetivo de la investigación fue determinar el tipo de algoritmo e imagen satelital que permite obtener una mayor fiabilidad global en la identificación de la cobertura boscosa en paisajes de uso de la tierra con alta fragmentación. El estudio se desarrolló en la Zona Huetar Norte de Costa Rica, utilizando un diseño experimental de seis bloques con un arreglo de tratamientos con tres factores. El uso de imágenes Sentinel-2 fue superior al obtenido con Landsat-8. No existen diferencias significativas en la fiabilidad lograda con los algoritmos de clasificación de Máxima Verosimilitud, Máquinas de Vectores Soporte y Redes Neuronales, pero sí de estos con respecto a la clasificación por Mínima Distancia. No se detectó interacción entre tipo de imagen y algoritmo de clasificación, por lo que las imágenes de Sentinel-2 podrían usarse con cualquiera de los tres mejores algoritmos estudiados. Se analizó además el efecto que tuvo el mes en cada imagen adquirida, y se encontraron diferencias significativas debido a este factor, además se produce una interacción de este con el método de clasificación. Los mejores resultados se obtuvieron con imágenes de abril, y los más bajos con imágenes de septiembre, mes que coincide con la época lluviosa en la zona estudiada. Se concluye que la mayor fiabilidad en la identificación de la cobertura boscosa se logra mediante el uso de los algoritmos de Máxima Verosimilitud, Máquinas de Vectores Soporte y Redes Neuronales empleando imágenes Sentinel-2 tomadas en la temporada seca.

[EN] This work presents a cartography of land uses in the Segura Hydrographic Demarcation obtained by classifying 2017 Landsat 8 images. The classification was carried out using two classifiers: Maximum Likelihood (ML) and Random Forest (RF). Training areas were obtained from historical high resolution imagery until 2016. Prior to classification, a cross validation analysis of the training areas was carried out to determine which of them may have undergone a change of use between 2016 and 2017. The results obtained with ML and RF, both with the original set of training areas and with the one obtained eliminating the problem, are compared to determine the best option. In the case of ML, the results improve after eliminating the changing training areas, from 77.7% to 81.4%; however, with RF this improvement is not so important, going from 84.1% to 85.1%. Therefore, it can be concluded that, with both methods, the classification is more exact when the modified training areas are used and, although the results obtained are quite acceptable for both ML and RF, the latter performs a more accurate classification., [ES] En el presente trabajo se obtiene, a través de un proceso de clasificación digital de imágenes Landsat 8 de 2017, una cartografía de usos del suelo en la Demarcación Hidrográfica del Segura; la clasificación se ha llevado a cabo empleando dos clasificadores: Máxima Verosimilitud (MV) y Random Forest (RF). Puesto que las áreas de entrenamiento se obtienen de imágenes históricas de alta resolución hasta 2016, previamente a la clasificación, se hace un análisis de validación cruzada de las áreas de entrenamiento para determinar cuáles de ellas pueden haber sufrido un cambio de uso entre 2016 y 2017. Los resultados obtenidos con MV y con RF, tanto con el conjunto original de áreas como con el obtenido eliminando la problemática, se comparan para determinar cuál es la mejor opción. En el caso de MV mejoran notablemente los resultados cuando se realiza la depuración de las áreas de entrenamiento, pasando de un porcentaje de acierto del 81% al 84,9%; sin embargo, con RF esta mejora no es tan importante ya que se pasa del 84,1% al 85,1%. Por tanto, se puede concluir que, con ambos métodos la clasificación es más exacta cuando se emplean las áreas de entrenamiento depuradas y, aunque los resultados obtenidos son bastante aceptables tanto para MV como para RF, este último realiza una clasificación más exacta.

[EN] This work presents a cartography of land uses in the Segura Hydrographic Demarcation obtained by classifying 2017 Landsat 8 images. The classification was carried out using two classifiers: Maximum Likelihood (ML) and Random Forest (RF). Training areas were obtained from historical high resolution imagery until 2016. Prior to classification, a cross validation analysis of the training areas was carried out to determine which of them may have undergone a change of use between 2016 and 2017. The results obtained with ML and RF, both with the original set of training areas and with the one obtained eliminating the problem, are compared to determine the best option. In the case of ML, the results improve after eliminating the changing training areas, from 77.7% to 81.4%; however, with RF this improvement is not so important, going from 84.1% to 85.1%. Therefore, it can be concluded that, with both methods, the classification is more exact when the modified training areas are used and, although the results obtained are quite acceptable for both ML and RF, the latter performs a more accurate classification., [ES] En el presente trabajo se obtiene, a través de un proceso de clasificación digital de imágenes Landsat 8 de 2017, una cartografía de usos del suelo en la Demarcación Hidrográfica del Segura; la clasificación se ha llevado a cabo empleando dos clasificadores: Máxima Verosimilitud (MV) y Random Forest (RF). Puesto que las áreas de entrenamiento se obtienen de imágenes históricas de alta resolución hasta 2016, previamente a la clasificación, se hace un análisis de validación cruzada de las áreas de entrenamiento para determinar cuáles de ellas pueden haber sufrido un cambio de uso entre 2016 y 2017. Los resultados obtenidos con MV y con RF, tanto con el conjunto original de áreas como con el obtenido eliminando la problemática, se comparan para determinar cuál es la mejor opción. En el caso de MV mejoran notablemente los resultados cuando se realiza la depuración de las áreas de entrenamiento, pasando de un porcentaje de acierto del 81% al 84,9%; sin embargo, con RF esta mejora no es tan importante ya que se pasa del 84,1% al 85,1%. Por tanto, se puede concluir que, con ambos métodos la clasificación es más exacta cuando se emplean las áreas de entrenamiento depuradas y, aunque los resultados obtenidos son bastante aceptables tanto para MV como para RF, este último realiza una clasificación más exacta.

[EN] This work presents a cartography of land uses in the Segura Hydrographic Demarcation obtained by classifying 2017 Landsat 8 images. The classification was carried out using two classifiers: Maximum Likelihood (ML) and Random Forest (RF). Training areas were obtained from historical high resolution imagery until 2016. Prior to classification, a cross validation analysis of the training areas was carried out to determine which of them may have undergone a change of use between 2016 and 2017. The results obtained with ML and RF, both with the original set of training areas and with the one obtained eliminating the problem, are compared to determine the best option. In the case of ML, the results improve after eliminating the changing training areas, from 77.7% to 81.4%; however, with RF this improvement is not so important, going from 84.1% to 85.1%. Therefore, it can be concluded that, with both methods, the classification is more exact when the modified training areas are used and, although the results obtained are quite acceptable for both ML and RF, the latter performs a more accurate classification., [ES] En el presente trabajo se obtiene, a través de un proceso de clasificación digital de imágenes Landsat 8 de 2017, una cartografía de usos del suelo en la Demarcación Hidrográfica del Segura; la clasificación se ha llevado a cabo empleando dos clasificadores: Máxima Verosimilitud (MV) y Random Forest (RF). Puesto que las áreas de entrenamiento se obtienen de imágenes históricas de alta resolución hasta 2016, previamente a la clasificación, se hace un análisis de validación cruzada de las áreas de entrenamiento para determinar cuáles de ellas pueden haber sufrido un cambio de uso entre 2016 y 2017. Los resultados obtenidos con MV y con RF, tanto con el conjunto original de áreas como con el obtenido eliminando la problemática, se comparan para determinar cuál es la mejor opción. En el caso de MV mejoran notablemente los resultados cuando se realiza la depuración de las áreas de entrenamiento, pasando de un porcentaje de acierto del 81% al 84,9%; sin embargo, con RF esta mejora no es tan importante ya que se pasa del 84,1% al 85,1%. Por tanto, se puede concluir que, con ambos métodos la clasificación es más exacta cuando se emplean las áreas de entrenamiento depuradas y, aunque los resultados obtenidos son bastante aceptables tanto para MV como para RF, este último realiza una clasificación más exacta.

[EN] This work presents a cartography of land uses in the Segura Hydrographic Demarcation obtained by classifying 2017 Landsat 8 images. The classification was carried out using two classifiers: Maximum Likelihood (ML) and Random Forest (RF). Training areas were obtained from historical high resolution imagery until 2016. Prior to classification, a cross validation analysis of the training areas was carried out to determine which of them may have undergone a change of use between 2016 and 2017. The results obtained with ML and RF, both with the original set of training areas and with the one obtained eliminating the problem, are compared to determine the best option. In the case of ML, the results improve after eliminating the changing training areas, from 77.7% to 81.4%; however, with RF this improvement is not so important, going from 84.1% to 85.1%. Therefore, it can be concluded that, with both methods, the classification is more exact when the modified training areas are used and, although the results obtained are quite acceptable for both ML and RF, the latter performs a more accurate classification., [ES] En el presente trabajo se obtiene, a través de un proceso de clasificación digital de imágenes Landsat 8 de 2017, una cartografía de usos del suelo en la Demarcación Hidrográfica del Segura; la clasificación se ha llevado a cabo empleando dos clasificadores: Máxima Verosimilitud (MV) y Random Forest (RF). Puesto que las áreas de entrenamiento se obtienen de imágenes históricas de alta resolución hasta 2016, previamente a la clasificación, se hace un análisis de validación cruzada de las áreas de entrenamiento para determinar cuáles de ellas pueden haber sufrido un cambio de uso entre 2016 y 2017. Los resultados obtenidos con MV y con RF, tanto con el conjunto original de áreas como con el obtenido eliminando la problemática, se comparan para determinar cuál es la mejor opción. En el caso de MV mejoran notablemente los resultados cuando se realiza la depuración de las áreas de entrenamiento, pasando de un porcentaje de acierto del 81% al 84,9%; sin embargo, con RF esta mejora no es tan importante ya que se pasa del 84,1% al 85,1%. Por tanto, se puede concluir que, con ambos métodos la clasificación es más exacta cuando se emplean las áreas de entrenamiento depuradas y, aunque los resultados obtenidos son bastante aceptables tanto para MV como para RF, este último realiza una clasificación más exacta.

[EN] This work presents a cartography of land uses in the Segura Hydrographic Demarcation obtained by classifying 2017 Landsat 8 images. The classification was carried out using two classifiers: Maximum Likelihood (ML) and Random Forest (RF). Training areas were obtained from historical high resolution imagery until 2016. Prior to classification, a cross validation analysis of the training areas was carried out to determine which of them may have undergone a change of use between 2016 and 2017. The results obtained with ML and RF, both with the original set of training areas and with the one obtained eliminating the problem, are compared to determine the best option. In the case of ML, the results improve after eliminating the changing training areas, from 77.7% to 81.4%; however, with RF this improvement is not so important, going from 84.1% to 85.1%. Therefore, it can be concluded that, with both methods, the classification is more exact when the modified training areas are used and, although the results obtained are quite acceptable for both ML and RF, the latter performs a more accurate classification., [ES] En el presente trabajo se obtiene, a través de un proceso de clasificación digital de imágenes Landsat 8 de 2017, una cartografía de usos del suelo en la Demarcación Hidrográfica del Segura; la clasificación se ha llevado a cabo empleando dos clasificadores: Máxima Verosimilitud (MV) y Random Forest (RF). Puesto que las áreas de entrenamiento se obtienen de imágenes históricas de alta resolución hasta 2016, previamente a la clasificación, se hace un análisis de validación cruzada de las áreas de entrenamiento para determinar cuáles de ellas pueden haber sufrido un cambio de uso entre 2016 y 2017. Los resultados obtenidos con MV y con RF, tanto con el conjunto original de áreas como con el obtenido eliminando la problemática, se comparan para determinar cuál es la mejor opción. En el caso de MV mejoran notablemente los resultados cuando se realiza la depuración de las áreas de entrenamiento, pasando de un porcentaje de acierto del 81% al 84,9%; sin embargo, con RF esta mejora no es tan importante ya que se pasa del 84,1% al 85,1%. Por tanto, se puede concluir que, con ambos métodos la clasificación es más exacta cuando se emplean las áreas de entrenamiento depuradas y, aunque los resultados obtenidos son bastante aceptables tanto para MV como para RF, este último realiza una clasificación más exacta.

[EN] This work presents a cartography of land uses in the Segura Hydrographic Demarcation obtained by classifying 2017 Landsat 8 images. The classification was carried out using two classifiers: Maximum Likelihood (ML) and Random Forest (RF). Training areas were obtained from historical high resolution imagery until 2016. Prior to classification, a cross validation analysis of the training areas was carried out to determine which of them may have undergone a change of use between 2016 and 2017. The results obtained with ML and RF, both with the original set of training areas and with the one obtained eliminating the problem, are compared to determine the best option. In the case of ML, the results improve after eliminating the changing training areas, from 77.7% to 81.4%; however, with RF this improvement is not so important, going from 84.1% to 85.1%. Therefore, it can be concluded that, with both methods, the classification is more exact when the modified training areas are used and, although the results obtained are quite acceptable for both ML and RF, the latter performs a more accurate classification., [ES] En el presente trabajo se obtiene, a través de un proceso de clasificación digital de imágenes Landsat 8 de 2017, una cartografía de usos del suelo en la Demarcación Hidrográfica del Segura; la clasificación se ha llevado a cabo empleando dos clasificadores: Máxima Verosimilitud (MV) y Random Forest (RF). Puesto que las áreas de entrenamiento se obtienen de imágenes históricas de alta resolución hasta 2016, previamente a la clasificación, se hace un análisis de validación cruzada de las áreas de entrenamiento para determinar cuáles de ellas pueden haber sufrido un cambio de uso entre 2016 y 2017. Los resultados obtenidos con MV y con RF, tanto con el conjunto original de áreas como con el obtenido eliminando la problemática, se comparan para determinar cuál es la mejor opción. En el caso de MV mejoran notablemente los resultados cuando se realiza la depuración de las áreas de entrenamiento, pasando de un porcentaje de acierto del 81% al 84,9%; sin embargo, con RF esta mejora no es tan importante ya que se pasa del 84,1% al 85,1%. Por tanto, se puede concluir que, con ambos métodos la clasificación es más exacta cuando se emplean las áreas de entrenamiento depuradas y, aunque los resultados obtenidos son bastante aceptables tanto para MV como para RF, este último realiza una clasificación más exacta.

[EN] This work presents a cartography of land uses in the Segura Hydrographic Demarcation obtained by classifying 2017 Landsat 8 images. The classification was carried out using two classifiers: Maximum Likelihood (ML) and Random Forest (RF). Training areas were obtained from historical high resolution imagery until 2016. Prior to classification, a cross validation analysis of the training areas was carried out to determine which of them may have undergone a change of use between 2016 and 2017. The results obtained with ML and RF, both with the original set of training areas and with the one obtained eliminating the problem, are compared to determine the best option. In the case of ML, the results improve after eliminating the changing training areas, from 77.7% to 81.4%; however, with RF this improvement is not so important, going from 84.1% to 85.1%. Therefore, it can be concluded that, with both methods, the classification is more exact when the modified training areas are used and, although the results obtained are quite acceptable for both ML and RF, the latter performs a more accurate classification., [ES] En el presente trabajo se obtiene, a través de un proceso de clasificación digital de imágenes Landsat 8 de 2017, una cartografía de usos del suelo en la Demarcación Hidrográfica del Segura; la clasificación se ha llevado a cabo empleando dos clasificadores: Máxima Verosimilitud (MV) y Random Forest (RF). Puesto que las áreas de entrenamiento se obtienen de imágenes históricas de alta resolución hasta 2016, previamente a la clasificación, se hace un análisis de validación cruzada de las áreas de entrenamiento para determinar cuáles de ellas pueden haber sufrido un cambio de uso entre 2016 y 2017. Los resultados obtenidos con MV y con RF, tanto con el conjunto original de áreas como con el obtenido eliminando la problemática, se comparan para determinar cuál es la mejor opción. En el caso de MV mejoran notablemente los resultados cuando se realiza la depuración de las áreas de entrenamiento, pasando de un porcentaje de acierto del 81% al 84,9%; sin embargo, con RF esta mejora no es tan importante ya que se pasa del 84,1% al 85,1%. Por tanto, se puede concluir que, con ambos métodos la clasificación es más exacta cuando se emplean las áreas de entrenamiento depuradas y, aunque los resultados obtenidos son bastante aceptables tanto para MV como para RF, este último realiza una clasificación más exacta.

[EN] Desertification is the persistent degradation of ecosystems caused by environmental changes and human activities. This is a global problem closely related to climate change with severe consequences in urban locations. For that reason, monitoring those locations with low cost and freely available satellite images could be useful for local agencies. This work studies a strategy for the observation of desertification in Biskra (Algeria) with Landsat 8 images and Synthetic Aperture Radar (SAR) images from Sentinel-1A satellite. Radar images are now available from a growing number of missions. These microwave images add valuable additional information to the existing optical products involving soil roughness and moisture content. They are also a very valuable tool to detect man made objects. However, radar images are still difficult to exploit due to their inherent Speckle noise and their characteristics. This study searches the best methodology for the insertion of radar data to a previously designed approach that uses optical data. Several algorithms are implemented and evaluated and the best technique in terms of overall accuracy and Kappa coefficient is selected for the final change map production. The approach achieves Land Use Land Cover (LULC) change detection using Support Vector Machine (SVM) and segmentation. The most useful change indices are obtained for the best methodology product. The simple improved methodology including radar images provides excellent results and it clearly outperforms the baseline optical technique.

[EN] Desertification is the persistent degradation of ecosystems caused by environmental changes and human activities. This is a global problem closely related to climate change with severe consequences in urban locations. For that reason, monitoring those locations with low cost and freely available satellite images could be useful for local agencies. This work studies a strategy for the observation of desertification in Biskra (Algeria) with Landsat 8 images and Synthetic Aperture Radar (SAR) images from Sentinel-1A satellite. Radar images are now available from a growing number of missions. These microwave images add valuable additional information to the existing optical products involving soil roughness and moisture content. They are also a very valuable tool to detect man made objects. However, radar images are still difficult to exploit due to their inherent Speckle noise and their characteristics. This study searches the best methodology for the insertion of radar data to a previously designed approach that uses optical data. Several algorithms are implemented and evaluated and the best technique in terms of overall accuracy and Kappa coefficient is selected for the final change map production. The approach achieves Land Use Land Cover (LULC) change detection using Support Vector Machine (SVM) and segmentation. The most useful change indices are obtained for the best methodology product. The simple improved methodology including radar images provides excellent results and it clearly outperforms the baseline optical technique.

Revista oficial de la Asociación Española de Teledetección, [EN] In Mediterranean territories, with their characteristic climate that implies long periods of drought and rains often concentrated in torrential episodes, forest managers are faced with a series of decisions that can be urgent after a wildfire, some of them strongly correlated with the degree of damage caused by fire. In this sense, the object of this study was to provide a fast and reliable tool for the initial assessment of post-fire severity in these kinds of territories, by means of remote sensing techniques. Using Landsat 8 imagery, we have calculated three fire severity indices (dNBR, RdNBR, and RBR) for nine fires occurred in the Valencia region, a typical Mediterranean area. For each index, post-fire severity classification thresholds have been obtained taking into account the following categories: unburned, low, moderate, and high. These thresholds have been validated using, as ground-reference, aerial photographs taken from a helicopter. Afterwards, the degree to which post-fire severity was influenced by factors associated with pre-fire vegetation was evaluated, using a variance analysis. This analysis served to compare the three indices in terms of their robustness against the influence of these factors. With the obtained data, and with the study of classification accuracies employing the Kappa statistic, we were able to propose the most suitable index for calculating post-fire severity in the Valencia region, along with its operating thresholds. The findings suggest that the results could be extrapolated to other areas of similar characteristics., [ES] En territorios de ámbito mediterráneo, con su climatología característica que incluye largos periodos de sequía y lluvias que suelen concentrarse en episodios torrenciales, los gestores forestales, tras un incendio, se enfrentan a una serie de decisiones que pueden ser de carácter urgente, algunas de ellas muy correlacionadas con el grado de daño causado por el fuego. En este sentido, el objeto de este estudio ha sido proporcionar una herramienta rápida y fiable para la evaluación inicial de la severidad post-incendio en este tipo de territorios, a partir de técnicas de teledetección. Para nueve incendios ocurridos en la Comunidad Valenciana, zona típicamente mediterránea, y a partir de imágenes Landsat 8, se han calculado tres índices de severidad: dNBR, RdNBR y RBR. Se han obtenido, para cada índice, los umbrales operativos de clasificación de la severidad en cuatro categorías (no quemado, baja, moderada y alta), validados utilizando como referencia-terreno fotografías aéreas tomadas desde helicóptero. Posteriormente se evaluó el grado en que la severidad post-incendio está influenciada por factores asociados a la vegetación preincendio, utilizando para ello un análisis de varianza. Este análisis sirvió para comparar los tres índices en cuanto a su robustez frente a la influencia de estos factores. Con estos datos, y con el estudio de la precisión de clasificación a través del estadístico Kappa, se ha podido llegar a una proposición de índice más idóneo para el cálculo de la severidad post-incendio en el territorio estudiado, con sus umbrales operativos validados. Los resultados obtenidos permiten pensar que podrían ser extrapolables a otros territorios de características similares.

[EN] Beaches are natural environments of great interest for our society. They go through remarkable changes run by key factors that are interconnected according to the literature. A better understanding of these parameters, such as sediment texture and shoreline variability, would be of a great interest for coastal monitoring and planning. Shorelines of all Landsat 8 (OLI) images available over the course of one year have been obtained for determining the variability that has occurred in different Valencian beaches. Likewise, the relation between shoreline variability and sediment texture has been evaluated, showing that beaches with higher variability over the year have smaller sediment texture, which is also related with gentle slopes, and vice versa. The methodology allows obtaining the shoreline variability, a key parameter of beach morphodynamics, in a semiautomatic way. The variability allows developing a gross estimate of beach texture., [ES] Las playas son entornos naturales de enorme interés para nuestra sociedad. Estos espacios están sometidos a grandes cambios regidos por factores clave fuertemente interrelacionados según la literatura. Un mayor conocimiento de estos parámetros, como la textura del sedimento o la variabilidad de la línea de costa de las playas resultaría de gran interés para la monitorización y gestión de la costa. Se han obtenido las líneas de costa de todas las escenas Landsat 8 (OLI) disponibles a lo largo de un año para, a partir de ellas, determinar la variabilidad de diferentes playas valencianas. Asimismo, se ha evaluado la relación existente entre dicha variabilidad y la textura del sedimento de las playas, mostrando que las playas con mayores cambios en la línea de costa a lo largo del año son aquellas con un tamaño de grano menor, asociado a pendientes más suaves y viceversa. La metodología seguida incluye la obtención de forma semiautomática de la variabilidad de la línea de costa, un parámetro clave de la morfodinámica costera, y a partir de ella la estimación a grandes rasgos de la textura del sedimento de las playas.

Revista oficial de la Asociación Española de Teledetección, [EN] Fire severity evaluation and mapping following wildfire is an essential task for post-fire rehabilitation activities and forest management planning. For that purpose, some spectral indexes are used to quantify the changes caused by fire, being Landsat satellite one of the most frequently used. Even though Galicia is the Spanish region with the highest number of fires in the country, the information on fire severity estimation through satellite imagery is scarce. In the present study, the capacity of dNBR (differenced Normalized Burn Ratio) and RdNBR (Relative difference Normalized Burn Ratio), through Landsat 8 imagery processing, are compared for the first time in Galicia to test both indexes with field data following the methodology from CBI (Composite Burn Index) in Oia-O Rosal (Pontevedra) wildfire occurred in the summer of 2013. The results indicate that the models for dNBR and RdNBR estimation according to CBI were similar, explaining a 69 and 73% of variability, respectively. These models allow to obtain a new fire severity thresholds for dNBR and RdNBR for the burned area. Although, both indexes showed a similar and quite high overall accuracy in the classification of the different fire severity classes (75% y 83% for dNBR and RdNBR, respectively), RdNBR was slightly more accurate than dNBR. Additionally, the dNBR-based fire severity map significantly underestimated the high fire severity area, compared with RdNBR. Those preliminary results can be useful to evaluate fire severity spatial distribution, in wildfires in Galicia although new data will be necessary before an operational tool to be available., [ES] Evaluar y cartografiar la severidad del fuego después de incendios forestales se ha convertido en una tarea esencial para abordar la rehabilitación urgente de áreas quemadas y mejorar la planificación de la gestión postincendio. Aunque en Galicia se produce el mayor número de incendios forestales en España, la información sobre la estimación de la severidad del fuego mediante índices de teledetección es escasa. En este estudio se comparan, por primera vez en esta región, las capacidades de dNBR (differenced Normalized Burn Ratio) y RdNBR (Relative difference Normalized Burn Ratio), obtenidos de imágenes Landsat 8, para el testado de dichos índices con mediciones de severidad del fuego en campo, siguiendo el protocolo de CBI (Composite Burn Index), en el incendio de Oia-O Rosal (Pontevedra) ocurrido en 2013. Los modelos desarrollados para estimar dNBR y RdNBR en función del CBI fueron similares, con un porcentaje de variabilidad explicada de un 69% y 73%, respectivamente. Estos modelos permitieron obtener unos nuevos intervalos de las clases de severidad de dNBR y RdNBR para el área incendiada. Aunque los dos índices tuvieron valores de precisión conjunta relativamente altos y semejantes (75% y 83%, respectivamente) para clasificar las áreas afectadas por diferentes niveles de severidad, RdNBR mostró una ligera ventaja sobre dNBR. Además, el mapa de severidad basado en dNBR presentó menos superficie quemada con alta severidad, en comparación con RdNBR, y lo contrario para moderada severidad. Con esta información se dispone de una primera herramienta para abordar la evaluación de las pautas espaciales de severidad en incendios de Galicia, aunque será necesario contar con nuevos datos antes de disponer de una herramienta operativa.

Revista oficial de la Asociación Española de Teledetección, [EN] Fire severity evaluation and mapping following wildfire is an essential task for post-fire rehabilitation activities and forest management planning. For that purpose, some spectral indexes are used to quantify the changes caused by fire, being Landsat satellite one of the most frequently used. Even though Galicia is the Spanish region with the highest number of fires in the country, the information on fire severity estimation through satellite imagery is scarce. In the present study, the capacity of dNBR (differenced Normalized Burn Ratio) and RdNBR (Relative difference Normalized Burn Ratio), through Landsat 8 imagery processing, are compared for the first time in Galicia to test both indexes with field data following the methodology from CBI (Composite Burn Index) in Oia-O Rosal (Pontevedra) wildfire occurred in the summer of 2013. The results indicate that the models for dNBR and RdNBR estimation according to CBI were similar, explaining a 69 and 73% of variability, respectively. These models allow to obtain a new fire severity thresholds for dNBR and RdNBR for the burned area. Although, both indexes showed a similar and quite high overall accuracy in the classification of the different fire severity classes (75% y 83% for dNBR and RdNBR, respectively), RdNBR was slightly more accurate than dNBR. Additionally, the dNBR-based fire severity map significantly underestimated the high fire severity area, compared with RdNBR. Those preliminary results can be useful to evaluate fire severity spatial distribution, in wildfires in Galicia although new data will be necessary before an operational tool to be available., [ES] Evaluar y cartografiar la severidad del fuego después de incendios forestales se ha convertido en una tarea esencial para abordar la rehabilitación urgente de áreas quemadas y mejorar la planificación de la gestión postincendio. Aunque en Galicia se produce el mayor número de incendios forestales en España, la información sobre la estimación de la severidad del fuego mediante índices de teledetección es escasa. En este estudio se comparan, por primera vez en esta región, las capacidades de dNBR (differenced Normalized Burn Ratio) y RdNBR (Relative difference Normalized Burn Ratio), obtenidos de imágenes Landsat 8, para el testado de dichos índices con mediciones de severidad del fuego en campo, siguiendo el protocolo de CBI (Composite Burn Index), en el incendio de Oia-O Rosal (Pontevedra) ocurrido en 2013. Los modelos desarrollados para estimar dNBR y RdNBR en función del CBI fueron similares, con un porcentaje de variabilidad explicada de un 69% y 73%, respectivamente. Estos modelos permitieron obtener unos nuevos intervalos de las clases de severidad de dNBR y RdNBR para el área incendiada. Aunque los dos índices tuvieron valores de precisión conjunta relativamente altos y semejantes (75% y 83%, respectivamente) para clasificar las áreas afectadas por diferentes niveles de severidad, RdNBR mostró una ligera ventaja sobre dNBR. Además, el mapa de severidad basado en dNBR presentó menos superficie quemada con alta severidad, en comparación con RdNBR, y lo contrario para moderada severidad. Con esta información se dispone de una primera herramienta para abordar la evaluación de las pautas espaciales de severidad en incendios de Galicia, aunque será necesario contar con nuevos datos antes de disponer de una herramienta operativa.

Revista oficial de la Asociación Española de Teledetección, [EN] In Mediterranean territories, with their characteristic climate that implies long periods of drought and rains often concentrated in torrential episodes, forest managers are faced with a series of decisions that can be urgent after a wildfire, some of them strongly correlated with the degree of damage caused by fire. In this sense, the object of this study was to provide a fast and reliable tool for the initial assessment of post-fire severity in these kinds of territories, by means of remote sensing techniques. Using Landsat 8 imagery, we have calculated three fire severity indices (dNBR, RdNBR, and RBR) for nine fires occurred in the Valencia region, a typical Mediterranean area. For each index, post-fire severity classification thresholds have been obtained taking into account the following categories: unburned, low, moderate, and high. These thresholds have been validated using, as ground-reference, aerial photographs taken from a helicopter. Afterwards, the degree to which post-fire severity was influenced by factors associated with pre-fire vegetation was evaluated, using a variance analysis. This analysis served to compare the three indices in terms of their robustness against the influence of these factors. With the obtained data, and with the study of classification accuracies employing the Kappa statistic, we were able to propose the most suitable index for calculating post-fire severity in the Valencia region, along with its operating thresholds. The findings suggest that the results could be extrapolated to other areas of similar characteristics., [ES] En territorios de ámbito mediterráneo, con su climatología característica que incluye largos periodos de sequía y lluvias que suelen concentrarse en episodios torrenciales, los gestores forestales, tras un incendio, se enfrentan a una serie de decisiones que pueden ser de carácter urgente, algunas de ellas muy correlacionadas con el grado de daño causado por el fuego. En este sentido, el objeto de este estudio ha sido proporcionar una herramienta rápida y fiable para la evaluación inicial de la severidad post-incendio en este tipo de territorios, a partir de técnicas de teledetección. Para nueve incendios ocurridos en la Comunidad Valenciana, zona típicamente mediterránea, y a partir de imágenes Landsat 8, se han calculado tres índices de severidad: dNBR, RdNBR y RBR. Se han obtenido, para cada índice, los umbrales operativos de clasificación de la severidad en cuatro categorías (no quemado, baja, moderada y alta), validados utilizando como referencia-terreno fotografías aéreas tomadas desde helicóptero. Posteriormente se evaluó el grado en que la severidad post-incendio está influenciada por factores asociados a la vegetación preincendio, utilizando para ello un análisis de varianza. Este análisis sirvió para comparar los tres índices en cuanto a su robustez frente a la influencia de estos factores. Con estos datos, y con el estudio de la precisión de clasificación a través del estadístico Kappa, se ha podido llegar a una proposición de índice más idóneo para el cálculo de la severidad post-incendio en el territorio estudiado, con sus umbrales operativos validados. Los resultados obtenidos permiten pensar que podrían ser extrapolables a otros territorios de características similares.

[EN] Beaches are natural environments of great interest for our society. They go through remarkable changes run by key factors that are interconnected according to the literature. A better understanding of these parameters, such as sediment texture and shoreline variability, would be of a great interest for coastal monitoring and planning. Shorelines of all Landsat 8 (OLI) images available over the course of one year have been obtained for determining the variability that has occurred in different Valencian beaches. Likewise, the relation between shoreline variability and sediment texture has been evaluated, showing that beaches with higher variability over the year have smaller sediment texture, which is also related with gentle slopes, and vice versa. The methodology allows obtaining the shoreline variability, a key parameter of beach morphodynamics, in a semiautomatic way. The variability allows developing a gross estimate of beach texture., [ES] Las playas son entornos naturales de enorme interés para nuestra sociedad. Estos espacios están sometidos a grandes cambios regidos por factores clave fuertemente interrelacionados según la literatura. Un mayor conocimiento de estos parámetros, como la textura del sedimento o la variabilidad de la línea de costa de las playas resultaría de gran interés para la monitorización y gestión de la costa. Se han obtenido las líneas de costa de todas las escenas Landsat 8 (OLI) disponibles a lo largo de un año para, a partir de ellas, determinar la variabilidad de diferentes playas valencianas. Asimismo, se ha evaluado la relación existente entre dicha variabilidad y la textura del sedimento de las playas, mostrando que las playas con mayores cambios en la línea de costa a lo largo del año son aquellas con un tamaño de grano menor, asociado a pendientes más suaves y viceversa. La metodología seguida incluye la obtención de forma semiautomática de la variabilidad de la línea de costa, un parámetro clave de la morfodinámica costera, y a partir de ella la estimación a grandes rasgos de la textura del sedimento de las playas.

Revista oficial de la Asociación Española de Teledetección, [EN] In Mediterranean territories, with their characteristic climate that implies long periods of drought and rains often concentrated in torrential episodes, forest managers are faced with a series of decisions that can be urgent after a wildfire, some of them strongly correlated with the degree of damage caused by fire. In this sense, the object of this study was to provide a fast and reliable tool for the initial assessment of post-fire severity in these kinds of territories, by means of remote sensing techniques. Using Landsat 8 imagery, we have calculated three fire severity indices (dNBR, RdNBR, and RBR) for nine fires occurred in the Valencia region, a typical Mediterranean area. For each index, post-fire severity classification thresholds have been obtained taking into account the following categories: unburned, low, moderate, and high. These thresholds have been validated using, as ground-reference, aerial photographs taken from a helicopter. Afterwards, the degree to which post-fire severity was influenced by factors associated with pre-fire vegetation was evaluated, using a variance analysis. This analysis served to compare the three indices in terms of their robustness against the influence of these factors. With the obtained data, and with the study of classification accuracies employing the Kappa statistic, we were able to propose the most suitable index for calculating post-fire severity in the Valencia region, along with its operating thresholds. The findings suggest that the results could be extrapolated to other areas of similar characteristics., [ES] En territorios de ámbito mediterráneo, con su climatología característica que incluye largos periodos de sequía y lluvias que suelen concentrarse en episodios torrenciales, los gestores forestales, tras un incendio, se enfrentan a una serie de decisiones que pueden ser de carácter urgente, algunas de ellas muy correlacionadas con el grado de daño causado por el fuego. En este sentido, el objeto de este estudio ha sido proporcionar una herramienta rápida y fiable para la evaluación inicial de la severidad post-incendio en este tipo de territorios, a partir de técnicas de teledetección. Para nueve incendios ocurridos en la Comunidad Valenciana, zona típicamente mediterránea, y a partir de imágenes Landsat 8, se han calculado tres índices de severidad: dNBR, RdNBR y RBR. Se han obtenido, para cada índice, los umbrales operativos de clasificación de la severidad en cuatro categorías (no quemado, baja, moderada y alta), validados utilizando como referencia-terreno fotografías aéreas tomadas desde helicóptero. Posteriormente se evaluó el grado en que la severidad post-incendio está influenciada por factores asociados a la vegetación preincendio, utilizando para ello un análisis de varianza. Este análisis sirvió para comparar los tres índices en cuanto a su robustez frente a la influencia de estos factores. Con estos datos, y con el estudio de la precisión de clasificación a través del estadístico Kappa, se ha podido llegar a una proposición de índice más idóneo para el cálculo de la severidad post-incendio en el territorio estudiado, con sus umbrales operativos validados. Los resultados obtenidos permiten pensar que podrían ser extrapolables a otros territorios de características similares.

Revista oficial de la Asociación Española de Teledetección, [EN] Fire severity evaluation and mapping following wildfire is an essential task for post-fire rehabilitation activities and forest management planning. For that purpose, some spectral indexes are used to quantify the changes caused by fire, being Landsat satellite one of the most frequently used. Even though Galicia is the Spanish region with the highest number of fires in the country, the information on fire severity estimation through satellite imagery is scarce. In the present study, the capacity of dNBR (differenced Normalized Burn Ratio) and RdNBR (Relative difference Normalized Burn Ratio), through Landsat 8 imagery processing, are compared for the first time in Galicia to test both indexes with field data following the methodology from CBI (Composite Burn Index) in Oia-O Rosal (Pontevedra) wildfire occurred in the summer of 2013. The results indicate that the models for dNBR and RdNBR estimation according to CBI were similar, explaining a 69 and 73% of variability, respectively. These models allow to obtain a new fire severity thresholds for dNBR and RdNBR for the burned area. Although, both indexes showed a similar and quite high overall accuracy in the classification of the different fire severity classes (75% y 83% for dNBR and RdNBR, respectively), RdNBR was slightly more accurate than dNBR. Additionally, the dNBR-based fire severity map significantly underestimated the high fire severity area, compared with RdNBR. Those preliminary results can be useful to evaluate fire severity spatial distribution, in wildfires in Galicia although new data will be necessary before an operational tool to be available., [ES] Evaluar y cartografiar la severidad del fuego después de incendios forestales se ha convertido en una tarea esencial para abordar la rehabilitación urgente de áreas quemadas y mejorar la planificación de la gestión postincendio. Aunque en Galicia se produce el mayor número de incendios forestales en España, la información sobre la estimación de la severidad del fuego mediante índices de teledetección es escasa. En este estudio se comparan, por primera vez en esta región, las capacidades de dNBR (differenced Normalized Burn Ratio) y RdNBR (Relative difference Normalized Burn Ratio), obtenidos de imágenes Landsat 8, para el testado de dichos índices con mediciones de severidad del fuego en campo, siguiendo el protocolo de CBI (Composite Burn Index), en el incendio de Oia-O Rosal (Pontevedra) ocurrido en 2013. Los modelos desarrollados para estimar dNBR y RdNBR en función del CBI fueron similares, con un porcentaje de variabilidad explicada de un 69% y 73%, respectivamente. Estos modelos permitieron obtener unos nuevos intervalos de las clases de severidad de dNBR y RdNBR para el área incendiada. Aunque los dos índices tuvieron valores de precisión conjunta relativamente altos y semejantes (75% y 83%, respectivamente) para clasificar las áreas afectadas por diferentes niveles de severidad, RdNBR mostró una ligera ventaja sobre dNBR. Además, el mapa de severidad basado en dNBR presentó menos superficie quemada con alta severidad, en comparación con RdNBR, y lo contrario para moderada severidad. Con esta información se dispone de una primera herramienta para abordar la evaluación de las pautas espaciales de severidad en incendios de Galicia, aunque será necesario contar con nuevos datos antes de disponer de una herramienta operativa.

[EN] Beaches are natural environments of great interest for our society. They go through remarkable changes run by key factors that are interconnected according to the literature. A better understanding of these parameters, such as sediment texture and shoreline variability, would be of a great interest for coastal monitoring and planning. Shorelines of all Landsat 8 (OLI) images available over the course of one year have been obtained for determining the variability that has occurred in different Valencian beaches. Likewise, the relation between shoreline variability and sediment texture has been evaluated, showing that beaches with higher variability over the year have smaller sediment texture, which is also related with gentle slopes, and vice versa. The methodology allows obtaining the shoreline variability, a key parameter of beach morphodynamics, in a semiautomatic way. The variability allows developing a gross estimate of beach texture., [ES] Las playas son entornos naturales de enorme interés para nuestra sociedad. Estos espacios están sometidos a grandes cambios regidos por factores clave fuertemente interrelacionados según la literatura. Un mayor conocimiento de estos parámetros, como la textura del sedimento o la variabilidad de la línea de costa de las playas resultaría de gran interés para la monitorización y gestión de la costa. Se han obtenido las líneas de costa de todas las escenas Landsat 8 (OLI) disponibles a lo largo de un año para, a partir de ellas, determinar la variabilidad de diferentes playas valencianas. Asimismo, se ha evaluado la relación existente entre dicha variabilidad y la textura del sedimento de las playas, mostrando que las playas con mayores cambios en la línea de costa a lo largo del año son aquellas con un tamaño de grano menor, asociado a pendientes más suaves y viceversa. La metodología seguida incluye la obtención de forma semiautomática de la variabilidad de la línea de costa, un parámetro clave de la morfodinámica costera, y a partir de ella la estimación a grandes rasgos de la textura del sedimento de las playas.

Revista oficial de la Asociación Española de Teledetección, [EN] In Mediterranean territories, with their characteristic climate that implies long periods of drought and rains often concentrated in torrential episodes, forest managers are faced with a series of decisions that can be urgent after a wildfire, some of them strongly correlated with the degree of damage caused by fire. In this sense, the object of this study was to provide a fast and reliable tool for the initial assessment of post-fire severity in these kinds of territories, by means of remote sensing techniques. Using Landsat 8 imagery, we have calculated three fire severity indices (dNBR, RdNBR, and RBR) for nine fires occurred in the Valencia region, a typical Mediterranean area. For each index, post-fire severity classification thresholds have been obtained taking into account the following categories: unburned, low, moderate, and high. These thresholds have been validated using, as ground-reference, aerial photographs taken from a helicopter. Afterwards, the degree to which post-fire severity was influenced by factors associated with pre-fire vegetation was evaluated, using a variance analysis. This analysis served to compare the three indices in terms of their robustness against the influence of these factors. With the obtained data, and with the study of classification accuracies employing the Kappa statistic, we were able to propose the most suitable index for calculating post-fire severity in the Valencia region, along with its operating thresholds. The findings suggest that the results could be extrapolated to other areas of similar characteristics., [ES] En territorios de ámbito mediterráneo, con su climatología característica que incluye largos periodos de sequía y lluvias que suelen concentrarse en episodios torrenciales, los gestores forestales, tras un incendio, se enfrentan a una serie de decisiones que pueden ser de carácter urgente, algunas de ellas muy correlacionadas con el grado de daño causado por el fuego. En este sentido, el objeto de este estudio ha sido proporcionar una herramienta rápida y fiable para la evaluación inicial de la severidad post-incendio en este tipo de territorios, a partir de técnicas de teledetección. Para nueve incendios ocurridos en la Comunidad Valenciana, zona típicamente mediterránea, y a partir de imágenes Landsat 8, se han calculado tres índices de severidad: dNBR, RdNBR y RBR. Se han obtenido, para cada índice, los umbrales operativos de clasificación de la severidad en cuatro categorías (no quemado, baja, moderada y alta), validados utilizando como referencia-terreno fotografías aéreas tomadas desde helicóptero. Posteriormente se evaluó el grado en que la severidad post-incendio está influenciada por factores asociados a la vegetación preincendio, utilizando para ello un análisis de varianza. Este análisis sirvió para comparar los tres índices en cuanto a su robustez frente a la influencia de estos factores. Con estos datos, y con el estudio de la precisión de clasificación a través del estadístico Kappa, se ha podido llegar a una proposición de índice más idóneo para el cálculo de la severidad post-incendio en el territorio estudiado, con sus umbrales operativos validados. Los resultados obtenidos permiten pensar que podrían ser extrapolables a otros territorios de características similares.

Revista oficial de la Asociación Española de Teledetección, [EN] Fire severity evaluation and mapping following wildfire is an essential task for post-fire rehabilitation activities and forest management planning. For that purpose, some spectral indexes are used to quantify the changes caused by fire, being Landsat satellite one of the most frequently used. Even though Galicia is the Spanish region with the highest number of fires in the country, the information on fire severity estimation through satellite imagery is scarce. In the present study, the capacity of dNBR (differenced Normalized Burn Ratio) and RdNBR (Relative difference Normalized Burn Ratio), through Landsat 8 imagery processing, are compared for the first time in Galicia to test both indexes with field data following the methodology from CBI (Composite Burn Index) in Oia-O Rosal (Pontevedra) wildfire occurred in the summer of 2013. The results indicate that the models for dNBR and RdNBR estimation according to CBI were similar, explaining a 69 and 73% of variability, respectively. These models allow to obtain a new fire severity thresholds for dNBR and RdNBR for the burned area. Although, both indexes showed a similar and quite high overall accuracy in the classification of the different fire severity classes (75% y 83% for dNBR and RdNBR, respectively), RdNBR was slightly more accurate than dNBR. Additionally, the dNBR-based fire severity map significantly underestimated the high fire severity area, compared with RdNBR. Those preliminary results can be useful to evaluate fire severity spatial distribution, in wildfires in Galicia although new data will be necessary before an operational tool to be available., [ES] Evaluar y cartografiar la severidad del fuego después de incendios forestales se ha convertido en una tarea esencial para abordar la rehabilitación urgente de áreas quemadas y mejorar la planificación de la gestión postincendio. Aunque en Galicia se produce el mayor número de incendios forestales en España, la información sobre la estimación de la severidad del fuego mediante índices de teledetección es escasa. En este estudio se comparan, por primera vez en esta región, las capacidades de dNBR (differenced Normalized Burn Ratio) y RdNBR (Relative difference Normalized Burn Ratio), obtenidos de imágenes Landsat 8, para el testado de dichos índices con mediciones de severidad del fuego en campo, siguiendo el protocolo de CBI (Composite Burn Index), en el incendio de Oia-O Rosal (Pontevedra) ocurrido en 2013. Los modelos desarrollados para estimar dNBR y RdNBR en función del CBI fueron similares, con un porcentaje de variabilidad explicada de un 69% y 73%, respectivamente. Estos modelos permitieron obtener unos nuevos intervalos de las clases de severidad de dNBR y RdNBR para el área incendiada. Aunque los dos índices tuvieron valores de precisión conjunta relativamente altos y semejantes (75% y 83%, respectivamente) para clasificar las áreas afectadas por diferentes niveles de severidad, RdNBR mostró una ligera ventaja sobre dNBR. Además, el mapa de severidad basado en dNBR presentó menos superficie quemada con alta severidad, en comparación con RdNBR, y lo contrario para moderada severidad. Con esta información se dispone de una primera herramienta para abordar la evaluación de las pautas espaciales de severidad en incendios de Galicia, aunque será necesario contar con nuevos datos antes de disponer de una herramienta operativa.

[EN] Beaches are natural environments of great interest for our society. They go through remarkable changes run by key factors that are interconnected according to the literature. A better understanding of these parameters, such as sediment texture and shoreline variability, would be of a great interest for coastal monitoring and planning. Shorelines of all Landsat 8 (OLI) images available over the course of one year have been obtained for determining the variability that has occurred in different Valencian beaches. Likewise, the relation between shoreline variability and sediment texture has been evaluated, showing that beaches with higher variability over the year have smaller sediment texture, which is also related with gentle slopes, and vice versa. The methodology allows obtaining the shoreline variability, a key parameter of beach morphodynamics, in a semiautomatic way. The variability allows developing a gross estimate of beach texture., [ES] Las playas son entornos naturales de enorme interés para nuestra sociedad. Estos espacios están sometidos a grandes cambios regidos por factores clave fuertemente interrelacionados según la literatura. Un mayor conocimiento de estos parámetros, como la textura del sedimento o la variabilidad de la línea de costa de las playas resultaría de gran interés para la monitorización y gestión de la costa. Se han obtenido las líneas de costa de todas las escenas Landsat 8 (OLI) disponibles a lo largo de un año para, a partir de ellas, determinar la variabilidad de diferentes playas valencianas. Asimismo, se ha evaluado la relación existente entre dicha variabilidad y la textura del sedimento de las playas, mostrando que las playas con mayores cambios en la línea de costa a lo largo del año son aquellas con un tamaño de grano menor, asociado a pendientes más suaves y viceversa. La metodología seguida incluye la obtención de forma semiautomática de la variabilidad de la línea de costa, un parámetro clave de la morfodinámica costera, y a partir de ella la estimación a grandes rasgos de la textura del sedimento de las playas.

Revista oficial de la Asociación Española de Teledetección, [EN] Fire severity evaluation and mapping following wildfire is an essential task for post-fire rehabilitation activities and forest management planning. For that purpose, some spectral indexes are used to quantify the changes caused by fire, being Landsat satellite one of the most frequently used. Even though Galicia is the Spanish region with the highest number of fires in the country, the information on fire severity estimation through satellite imagery is scarce. In the present study, the capacity of dNBR (differenced Normalized Burn Ratio) and RdNBR (Relative difference Normalized Burn Ratio), through Landsat 8 imagery processing, are compared for the first time in Galicia to test both indexes with field data following the methodology from CBI (Composite Burn Index) in Oia-O Rosal (Pontevedra) wildfire occurred in the summer of 2013. The results indicate that the models for dNBR and RdNBR estimation according to CBI were similar, explaining a 69 and 73% of variability, respectively. These models allow to obtain a new fire severity thresholds for dNBR and RdNBR for the burned area. Although, both indexes showed a similar and quite high overall accuracy in the classification of the different fire severity classes (75% y 83% for dNBR and RdNBR, respectively), RdNBR was slightly more accurate than dNBR. Additionally, the dNBR-based fire severity map significantly underestimated the high fire severity area, compared with RdNBR. Those preliminary results can be useful to evaluate fire severity spatial distribution, in wildfires in Galicia although new data will be necessary before an operational tool to be available., [ES] Evaluar y cartografiar la severidad del fuego después de incendios forestales se ha convertido en una tarea esencial para abordar la rehabilitación urgente de áreas quemadas y mejorar la planificación de la gestión postincendio. Aunque en Galicia se produce el mayor número de incendios forestales en España, la información sobre la estimación de la severidad del fuego mediante índices de teledetección es escasa. En este estudio se comparan, por primera vez en esta región, las capacidades de dNBR (differenced Normalized Burn Ratio) y RdNBR (Relative difference Normalized Burn Ratio), obtenidos de imágenes Landsat 8, para el testado de dichos índices con mediciones de severidad del fuego en campo, siguiendo el protocolo de CBI (Composite Burn Index), en el incendio de Oia-O Rosal (Pontevedra) ocurrido en 2013. Los modelos desarrollados para estimar dNBR y RdNBR en función del CBI fueron similares, con un porcentaje de variabilidad explicada de un 69% y 73%, respectivamente. Estos modelos permitieron obtener unos nuevos intervalos de las clases de severidad de dNBR y RdNBR para el área incendiada. Aunque los dos índices tuvieron valores de precisión conjunta relativamente altos y semejantes (75% y 83%, respectivamente) para clasificar las áreas afectadas por diferentes niveles de severidad, RdNBR mostró una ligera ventaja sobre dNBR. Además, el mapa de severidad basado en dNBR presentó menos superficie quemada con alta severidad, en comparación con RdNBR, y lo contrario para moderada severidad. Con esta información se dispone de una primera herramienta para abordar la evaluación de las pautas espaciales de severidad en incendios de Galicia, aunque será necesario contar con nuevos datos antes de disponer de una herramienta operativa.

Revista oficial de la Asociación Española de Teledetección, [EN] In Mediterranean territories, with their characteristic climate that implies long periods of drought and rains often concentrated in torrential episodes, forest managers are faced with a series of decisions that can be urgent after a wildfire, some of them strongly correlated with the degree of damage caused by fire. In this sense, the object of this study was to provide a fast and reliable tool for the initial assessment of post-fire severity in these kinds of territories, by means of remote sensing techniques. Using Landsat 8 imagery, we have calculated three fire severity indices (dNBR, RdNBR, and RBR) for nine fires occurred in the Valencia region, a typical Mediterranean area. For each index, post-fire severity classification thresholds have been obtained taking into account the following categories: unburned, low, moderate, and high. These thresholds have been validated using, as ground-reference, aerial photographs taken from a helicopter. Afterwards, the degree to which post-fire severity was influenced by factors associated with pre-fire vegetation was evaluated, using a variance analysis. This analysis served to compare the three indices in terms of their robustness against the influence of these factors. With the obtained data, and with the study of classification accuracies employing the Kappa statistic, we were able to propose the most suitable index for calculating post-fire severity in the Valencia region, along with its operating thresholds. The findings suggest that the results could be extrapolated to other areas of similar characteristics., [ES] En territorios de ámbito mediterráneo, con su climatología característica que incluye largos periodos de sequía y lluvias que suelen concentrarse en episodios torrenciales, los gestores forestales, tras un incendio, se enfrentan a una serie de decisiones que pueden ser de carácter urgente, algunas de ellas muy correlacionadas con el grado de daño causado por el fuego. En este sentido, el objeto de este estudio ha sido proporcionar una herramienta rápida y fiable para la evaluación inicial de la severidad post-incendio en este tipo de territorios, a partir de técnicas de teledetección. Para nueve incendios ocurridos en la Comunidad Valenciana, zona típicamente mediterránea, y a partir de imágenes Landsat 8, se han calculado tres índices de severidad: dNBR, RdNBR y RBR. Se han obtenido, para cada índice, los umbrales operativos de clasificación de la severidad en cuatro categorías (no quemado, baja, moderada y alta), validados utilizando como referencia-terreno fotografías aéreas tomadas desde helicóptero. Posteriormente se evaluó el grado en que la severidad post-incendio está influenciada por factores asociados a la vegetación preincendio, utilizando para ello un análisis de varianza. Este análisis sirvió para comparar los tres índices en cuanto a su robustez frente a la influencia de estos factores. Con estos datos, y con el estudio de la precisión de clasificación a través del estadístico Kappa, se ha podido llegar a una proposición de índice más idóneo para el cálculo de la severidad post-incendio en el territorio estudiado, con sus umbrales operativos validados. Los resultados obtenidos permiten pensar que podrían ser extrapolables a otros territorios de características similares.

[EN] Beaches are natural environments of great interest for our society. They go through remarkable changes run by key factors that are interconnected according to the literature. A better understanding of these parameters, such as sediment texture and shoreline variability, would be of a great interest for coastal monitoring and planning. Shorelines of all Landsat 8 (OLI) images available over the course of one year have been obtained for determining the variability that has occurred in different Valencian beaches. Likewise, the relation between shoreline variability and sediment texture has been evaluated, showing that beaches with higher variability over the year have smaller sediment texture, which is also related with gentle slopes, and vice versa. The methodology allows obtaining the shoreline variability, a key parameter of beach morphodynamics, in a semiautomatic way. The variability allows developing a gross estimate of beach texture., [ES] Las playas son entornos naturales de enorme interés para nuestra sociedad. Estos espacios están sometidos a grandes cambios regidos por factores clave fuertemente interrelacionados según la literatura. Un mayor conocimiento de estos parámetros, como la textura del sedimento o la variabilidad de la línea de costa de las playas resultaría de gran interés para la monitorización y gestión de la costa. Se han obtenido las líneas de costa de todas las escenas Landsat 8 (OLI) disponibles a lo largo de un año para, a partir de ellas, determinar la variabilidad de diferentes playas valencianas. Asimismo, se ha evaluado la relación existente entre dicha variabilidad y la textura del sedimento de las playas, mostrando que las playas con mayores cambios en la línea de costa a lo largo del año son aquellas con un tamaño de grano menor, asociado a pendientes más suaves y viceversa. La metodología seguida incluye la obtención de forma semiautomática de la variabilidad de la línea de costa, un parámetro clave de la morfodinámica costera, y a partir de ella la estimación a grandes rasgos de la textura del sedimento de las playas.

Revista oficial de la Asociación Española de Teledetección, [EN] In Mediterranean territories, with their characteristic climate that implies long periods of drought and rains often concentrated in torrential episodes, forest managers are faced with a series of decisions that can be urgent after a wildfire, some of them strongly correlated with the degree of damage caused by fire. In this sense, the object of this study was to provide a fast and reliable tool for the initial assessment of post-fire severity in these kinds of territories, by means of remote sensing techniques. Using Landsat 8 imagery, we have calculated three fire severity indices (dNBR, RdNBR, and RBR) for nine fires occurred in the Valencia region, a typical Mediterranean area. For each index, post-fire severity classification thresholds have been obtained taking into account the following categories: unburned, low, moderate, and high. These thresholds have been validated using, as ground-reference, aerial photographs taken from a helicopter. Afterwards, the degree to which post-fire severity was influenced by factors associated with pre-fire vegetation was evaluated, using a variance analysis. This analysis served to compare the three indices in terms of their robustness against the influence of these factors. With the obtained data, and with the study of classification accuracies employing the Kappa statistic, we were able to propose the most suitable index for calculating post-fire severity in the Valencia region, along with its operating thresholds. The findings suggest that the results could be extrapolated to other areas of similar characteristics., [ES] En territorios de ámbito mediterráneo, con su climatología característica que incluye largos periodos de sequía y lluvias que suelen concentrarse en episodios torrenciales, los gestores forestales, tras un incendio, se enfrentan a una serie de decisiones que pueden ser de carácter urgente, algunas de ellas muy correlacionadas con el grado de daño causado por el fuego. En este sentido, el objeto de este estudio ha sido proporcionar una herramienta rápida y fiable para la evaluación inicial de la severidad post-incendio en este tipo de territorios, a partir de técnicas de teledetección. Para nueve incendios ocurridos en la Comunidad Valenciana, zona típicamente mediterránea, y a partir de imágenes Landsat 8, se han calculado tres índices de severidad: dNBR, RdNBR y RBR. Se han obtenido, para cada índice, los umbrales operativos de clasificación de la severidad en cuatro categorías (no quemado, baja, moderada y alta), validados utilizando como referencia-terreno fotografías aéreas tomadas desde helicóptero. Posteriormente se evaluó el grado en que la severidad post-incendio está influenciada por factores asociados a la vegetación preincendio, utilizando para ello un análisis de varianza. Este análisis sirvió para comparar los tres índices en cuanto a su robustez frente a la influencia de estos factores. Con estos datos, y con el estudio de la precisión de clasificación a través del estadístico Kappa, se ha podido llegar a una proposición de índice más idóneo para el cálculo de la severidad post-incendio en el territorio estudiado, con sus umbrales operativos validados. Los resultados obtenidos permiten pensar que podrían ser extrapolables a otros territorios de características similares.

Revista oficial de la Asociación Española de Teledetección, [EN] Fire severity evaluation and mapping following wildfire is an essential task for post-fire rehabilitation activities and forest management planning. For that purpose, some spectral indexes are used to quantify the changes caused by fire, being Landsat satellite one of the most frequently used. Even though Galicia is the Spanish region with the highest number of fires in the country, the information on fire severity estimation through satellite imagery is scarce. In the present study, the capacity of dNBR (differenced Normalized Burn Ratio) and RdNBR (Relative difference Normalized Burn Ratio), through Landsat 8 imagery processing, are compared for the first time in Galicia to test both indexes with field data following the methodology from CBI (Composite Burn Index) in Oia-O Rosal (Pontevedra) wildfire occurred in the summer of 2013. The results indicate that the models for dNBR and RdNBR estimation according to CBI were similar, explaining a 69 and 73% of variability, respectively. These models allow to obtain a new fire severity thresholds for dNBR and RdNBR for the burned area. Although, both indexes showed a similar and quite high overall accuracy in the classification of the different fire severity classes (75% y 83% for dNBR and RdNBR, respectively), RdNBR was slightly more accurate than dNBR. Additionally, the dNBR-based fire severity map significantly underestimated the high fire severity area, compared with RdNBR. Those preliminary results can be useful to evaluate fire severity spatial distribution, in wildfires in Galicia although new data will be necessary before an operational tool to be available., [ES] Evaluar y cartografiar la severidad del fuego después de incendios forestales se ha convertido en una tarea esencial para abordar la rehabilitación urgente de áreas quemadas y mejorar la planificación de la gestión postincendio. Aunque en Galicia se produce el mayor número de incendios forestales en España, la información sobre la estimación de la severidad del fuego mediante índices de teledetección es escasa. En este estudio se comparan, por primera vez en esta región, las capacidades de dNBR (differenced Normalized Burn Ratio) y RdNBR (Relative difference Normalized Burn Ratio), obtenidos de imágenes Landsat 8, para el testado de dichos índices con mediciones de severidad del fuego en campo, siguiendo el protocolo de CBI (Composite Burn Index), en el incendio de Oia-O Rosal (Pontevedra) ocurrido en 2013. Los modelos desarrollados para estimar dNBR y RdNBR en función del CBI fueron similares, con un porcentaje de variabilidad explicada de un 69% y 73%, respectivamente. Estos modelos permitieron obtener unos nuevos intervalos de las clases de severidad de dNBR y RdNBR para el área incendiada. Aunque los dos índices tuvieron valores de precisión conjunta relativamente altos y semejantes (75% y 83%, respectivamente) para clasificar las áreas afectadas por diferentes niveles de severidad, RdNBR mostró una ligera ventaja sobre dNBR. Además, el mapa de severidad basado en dNBR presentó menos superficie quemada con alta severidad, en comparación con RdNBR, y lo contrario para moderada severidad. Con esta información se dispone de una primera herramienta para abordar la evaluación de las pautas espaciales de severidad en incendios de Galicia, aunque será necesario contar con nuevos datos antes de disponer de una herramienta operativa.

Revista oficial de la Asociación Española de Teledetección, [EN] In Mediterranean territories, with their characteristic climate that implies long periods of drought and rains often concentrated in torrential episodes, forest managers are faced with a series of decisions that can be urgent after a wildfire, some of them strongly correlated with the degree of damage caused by fire. In this sense, the object of this study was to provide a fast and reliable tool for the initial assessment of post-fire severity in these kinds of territories, by means of remote sensing techniques. Using Landsat 8 imagery, we have calculated three fire severity indices (dNBR, RdNBR, and RBR) for nine fires occurred in the Valencia region, a typical Mediterranean area. For each index, post-fire severity classification thresholds have been obtained taking into account the following categories: unburned, low, moderate, and high. These thresholds have been validated using, as ground-reference, aerial photographs taken from a helicopter. Afterwards, the degree to which post-fire severity was influenced by factors associated with pre-fire vegetation was evaluated, using a variance analysis. This analysis served to compare the three indices in terms of their robustness against the influence of these factors. With the obtained data, and with the study of classification accuracies employing the Kappa statistic, we were able to propose the most suitable index for calculating post-fire severity in the Valencia region, along with its operating thresholds. The findings suggest that the results could be extrapolated to other areas of similar characteristics., [ES] En territorios de ámbito mediterráneo, con su climatología característica que incluye largos periodos de sequía y lluvias que suelen concentrarse en episodios torrenciales, los gestores forestales, tras un incendio, se enfrentan a una serie de decisiones que pueden ser de carácter urgente, algunas de ellas muy correlacionadas con el grado de daño causado por el fuego. En este sentido, el objeto de este estudio ha sido proporcionar una herramienta rápida y fiable para la evaluación inicial de la severidad post-incendio en este tipo de territorios, a partir de técnicas de teledetección. Para nueve incendios ocurridos en la Comunidad Valenciana, zona típicamente mediterránea, y a partir de imágenes Landsat 8, se han calculado tres índices de severidad: dNBR, RdNBR y RBR. Se han obtenido, para cada índice, los umbrales operativos de clasificación de la severidad en cuatro categorías (no quemado, baja, moderada y alta), validados utilizando como referencia-terreno fotografías aéreas tomadas desde helicóptero. Posteriormente se evaluó el grado en que la severidad post-incendio está influenciada por factores asociados a la vegetación preincendio, utilizando para ello un análisis de varianza. Este análisis sirvió para comparar los tres índices en cuanto a su robustez frente a la influencia de estos factores. Con estos datos, y con el estudio de la precisión de clasificación a través del estadístico Kappa, se ha podido llegar a una proposición de índice más idóneo para el cálculo de la severidad post-incendio en el territorio estudiado, con sus umbrales operativos validados. Los resultados obtenidos permiten pensar que podrían ser extrapolables a otros territorios de características similares.

[EN] Beaches are natural environments of great interest for our society. They go through remarkable changes run by key factors that are interconnected according to the literature. A better understanding of these parameters, such as sediment texture and shoreline variability, would be of a great interest for coastal monitoring and planning. Shorelines of all Landsat 8 (OLI) images available over the course of one year have been obtained for determining the variability that has occurred in different Valencian beaches. Likewise, the relation between shoreline variability and sediment texture has been evaluated, showing that beaches with higher variability over the year have smaller sediment texture, which is also related with gentle slopes, and vice versa. The methodology allows obtaining the shoreline variability, a key parameter of beach morphodynamics, in a semiautomatic way. The variability allows developing a gross estimate of beach texture., [ES] Las playas son entornos naturales de enorme interés para nuestra sociedad. Estos espacios están sometidos a grandes cambios regidos por factores clave fuertemente interrelacionados según la literatura. Un mayor conocimiento de estos parámetros, como la textura del sedimento o la variabilidad de la línea de costa de las playas resultaría de gran interés para la monitorización y gestión de la costa. Se han obtenido las líneas de costa de todas las escenas Landsat 8 (OLI) disponibles a lo largo de un año para, a partir de ellas, determinar la variabilidad de diferentes playas valencianas. Asimismo, se ha evaluado la relación existente entre dicha variabilidad y la textura del sedimento de las playas, mostrando que las playas con mayores cambios en la línea de costa a lo largo del año son aquellas con un tamaño de grano menor, asociado a pendientes más suaves y viceversa. La metodología seguida incluye la obtención de forma semiautomática de la variabilidad de la línea de costa, un parámetro clave de la morfodinámica costera, y a partir de ella la estimación a grandes rasgos de la textura del sedimento de las playas.

Revista oficial de la Asociación Española de Teledetección, [EN] Soil coverage and its modifications are critical variables in human-environmental sciences. Changes in land use are causes and consequences of climate change. This situation makes that detailed and updated information is needed for many applications. Remote sensing provides data of large areas periodically, so it becomes a useful input to soil classification. The objectives of this work were to determinate algorithm and images combination that produces the best results to classify agricultural land and, simultaneously, evaluate the need of making atmospheric corrections over them, when classifying multi-temporal/multi-sensor series. The two supervised classification algorithms used were neural networks and maximum likelihood. In the study area, agriculture is the main land use, predominantly summer crops, and the area sown with soybean, corn and sorghum account for over 90% of the total. Time series of Landsat 8 and SPOT 5 images were used, and 164 plots were registered to train and validate the models as ground truth. Maximum likelihood and neural networks models produce very good results when multi-temporal/multi-sensor series are used, with global accuracy between 79.17% to 90.14% and Kappa index between 60% to 82%. The radiometric correction at surface level did not improve the results when the reflectance was corrected at the top of the atmosphere. The time series that use images taken in more advanced phenological stages of crops produce better coverage classifications than time series that use images from early stages., [ES] La cobertura del suelo y sus modificaciones son variables críticas para el desarrollo humano y el medio ambiente. Los cambios en el uso del suelo son causas y consecuencias del cambio climático. Estas situaciones hacen necesario contar con información detallada y actualizada. La teledetección proporciona datos de grandes áreas periódicamente, lo que hace que sea una fuente de datos importante para la clasificación de suelos. Los objetivos de este trabajo fueron determinar los algoritmos y la combinación de imágenes que producen los mejores resultados para clasificar tierras agrícolas y, simultáneamente, evaluar la necesidad de hacer correcciones atmosféricas sobre las mismas, al clasificar series multi-temporales y multi-sensor. Los dos algoritmos de clasificación supervisada utilizados fueron redes neuronales y máxima verosimilitud. En el área de estudio, la agricultura es el principal uso de la tierra, predominando cultivos de verano, y la superficie sembrada con soja, maíz y sorgo representa más del 90% del total. Se utilizaron series temporales de imágenes provenientes de Landsat 8 y SPOT 5, y 164 parcelas fueron registradas, como terreno, para entrenar y validar los modelos. Los algoritmos basados en máxima verosimilitud y en redes neuronales producen muy buenos resultados cuando se utilizan series multi-temporales e imágenes de varios sensores, con una precisión global entre 79,17% y 90,14% y un índice de Kappa entre el 60% y el 82%. La corrección radiométrica a nivel de superficie no mejoró los resultados obtenidos cuando se corrigieron reflectancias medidas al tope de la atmósfera. Las series temporales que utilizan imágenes tomadas sobre cultivos con estados fenológicos más avanzados producen mejores clasificaciones de cobertura que aquellas que utilizan imágenes de etapas tempranas

Revista oficial de la Asociación Española de Teledetección, [EN] Soil coverage and its modifications are critical variables in human-environmental sciences. Changes in land use are causes and consequences of climate change. This situation makes that detailed and updated information is needed for many applications. Remote sensing provides data of large areas periodically, so it becomes a useful input to soil classification. The objectives of this work were to determinate algorithm and images combination that produces the best results to classify agricultural land and, simultaneously, evaluate the need of making atmospheric corrections over them, when classifying multi-temporal/multi-sensor series. The two supervised classification algorithms used were neural networks and maximum likelihood. In the study area, agriculture is the main land use, predominantly summer crops, and the area sown with soybean, corn and sorghum account for over 90% of the total. Time series of Landsat 8 and SPOT 5 images were used, and 164 plots were registered to train and validate the models as ground truth. Maximum likelihood and neural networks models produce very good results when multi-temporal/multi-sensor series are used, with global accuracy between 79.17% to 90.14% and Kappa index between 60% to 82%. The radiometric correction at surface level did not improve the results when the reflectance was corrected at the top of the atmosphere. The time series that use images taken in more advanced phenological stages of crops produce better coverage classifications than time series that use images from early stages., [ES] La cobertura del suelo y sus modificaciones son variables críticas para el desarrollo humano y el medio ambiente. Los cambios en el uso del suelo son causas y consecuencias del cambio climático. Estas situaciones hacen necesario contar con información detallada y actualizada. La teledetección proporciona datos de grandes áreas periódicamente, lo que hace que sea una fuente de datos importante para la clasificación de suelos. Los objetivos de este trabajo fueron determinar los algoritmos y la combinación de imágenes que producen los mejores resultados para clasificar tierras agrícolas y, simultáneamente, evaluar la necesidad de hacer correcciones atmosféricas sobre las mismas, al clasificar series multi-temporales y multi-sensor. Los dos algoritmos de clasificación supervisada utilizados fueron redes neuronales y máxima verosimilitud. En el área de estudio, la agricultura es el principal uso de la tierra, predominando cultivos de verano, y la superficie sembrada con soja, maíz y sorgo representa más del 90% del total. Se utilizaron series temporales de imágenes provenientes de Landsat 8 y SPOT 5, y 164 parcelas fueron registradas, como terreno, para entrenar y validar los modelos. Los algoritmos basados en máxima verosimilitud y en redes neuronales producen muy buenos resultados cuando se utilizan series multi-temporales e imágenes de varios sensores, con una precisión global entre 79,17% y 90,14% y un índice de Kappa entre el 60% y el 82%. La corrección radiométrica a nivel de superficie no mejoró los resultados obtenidos cuando se corrigieron reflectancias medidas al tope de la atmósfera. Las series temporales que utilizan imágenes tomadas sobre cultivos con estados fenológicos más avanzados producen mejores clasificaciones de cobertura que aquellas que utilizan imágenes de etapas tempranas

Revista oficial de la Asociación Española de Teledetección, [EN] Soil coverage and its modifications are critical variables in human-environmental sciences. Changes in land use are causes and consequences of climate change. This situation makes that detailed and updated information is needed for many applications. Remote sensing provides data of large areas periodically, so it becomes a useful input to soil classification. The objectives of this work were to determinate algorithm and images combination that produces the best results to classify agricultural land and, simultaneously, evaluate the need of making atmospheric corrections over them, when classifying multi-temporal/multi-sensor series. The two supervised classification algorithms used were neural networks and maximum likelihood. In the study area, agriculture is the main land use, predominantly summer crops, and the area sown with soybean, corn and sorghum account for over 90% of the total. Time series of Landsat 8 and SPOT 5 images were used, and 164 plots were registered to train and validate the models as ground truth. Maximum likelihood and neural networks models produce very good results when multi-temporal/multi-sensor series are used, with global accuracy between 79.17% to 90.14% and Kappa index between 60% to 82%. The radiometric correction at surface level did not improve the results when the reflectance was corrected at the top of the atmosphere. The time series that use images taken in more advanced phenological stages of crops produce better coverage classifications than time series that use images from early stages., [ES] La cobertura del suelo y sus modificaciones son variables críticas para el desarrollo humano y el medio ambiente. Los cambios en el uso del suelo son causas y consecuencias del cambio climático. Estas situaciones hacen necesario contar con información detallada y actualizada. La teledetección proporciona datos de grandes áreas periódicamente, lo que hace que sea una fuente de datos importante para la clasificación de suelos. Los objetivos de este trabajo fueron determinar los algoritmos y la combinación de imágenes que producen los mejores resultados para clasificar tierras agrícolas y, simultáneamente, evaluar la necesidad de hacer correcciones atmosféricas sobre las mismas, al clasificar series multi-temporales y multi-sensor. Los dos algoritmos de clasificación supervisada utilizados fueron redes neuronales y máxima verosimilitud. En el área de estudio, la agricultura es el principal uso de la tierra, predominando cultivos de verano, y la superficie sembrada con soja, maíz y sorgo representa más del 90% del total. Se utilizaron series temporales de imágenes provenientes de Landsat 8 y SPOT 5, y 164 parcelas fueron registradas, como terreno, para entrenar y validar los modelos. Los algoritmos basados en máxima verosimilitud y en redes neuronales producen muy buenos resultados cuando se utilizan series multi-temporales e imágenes de varios sensores, con una precisión global entre 79,17% y 90,14% y un índice de Kappa entre el 60% y el 82%. La corrección radiométrica a nivel de superficie no mejoró los resultados obtenidos cuando se corrigieron reflectancias medidas al tope de la atmósfera. Las series temporales que utilizan imágenes tomadas sobre cultivos con estados fenológicos más avanzados producen mejores clasificaciones de cobertura que aquellas que utilizan imágenes de etapas tempranas

Revista oficial de la Asociación Española de Teledetección, [EN] Soil coverage and its modifications are critical variables in human-environmental sciences. Changes in land use are causes and consequences of climate change. This situation makes that detailed and updated information is needed for many applications. Remote sensing provides data of large areas periodically, so it becomes a useful input to soil classification. The objectives of this work were to determinate algorithm and images combination that produces the best results to classify agricultural land and, simultaneously, evaluate the need of making atmospheric corrections over them, when classifying multi-temporal/multi-sensor series. The two supervised classification algorithms used were neural networks and maximum likelihood. In the study area, agriculture is the main land use, predominantly summer crops, and the area sown with soybean, corn and sorghum account for over 90% of the total. Time series of Landsat 8 and SPOT 5 images were used, and 164 plots were registered to train and validate the models as ground truth. Maximum likelihood and neural networks models produce very good results when multi-temporal/multi-sensor series are used, with global accuracy between 79.17% to 90.14% and Kappa index between 60% to 82%. The radiometric correction at surface level did not improve the results when the reflectance was corrected at the top of the atmosphere. The time series that use images taken in more advanced phenological stages of crops produce better coverage classifications than time series that use images from early stages., [ES] La cobertura del suelo y sus modificaciones son variables críticas para el desarrollo humano y el medio ambiente. Los cambios en el uso del suelo son causas y consecuencias del cambio climático. Estas situaciones hacen necesario contar con información detallada y actualizada. La teledetección proporciona datos de grandes áreas periódicamente, lo que hace que sea una fuente de datos importante para la clasificación de suelos. Los objetivos de este trabajo fueron determinar los algoritmos y la combinación de imágenes que producen los mejores resultados para clasificar tierras agrícolas y, simultáneamente, evaluar la necesidad de hacer correcciones atmosféricas sobre las mismas, al clasificar series multi-temporales y multi-sensor. Los dos algoritmos de clasificación supervisada utilizados fueron redes neuronales y máxima verosimilitud. En el área de estudio, la agricultura es el principal uso de la tierra, predominando cultivos de verano, y la superficie sembrada con soja, maíz y sorgo representa más del 90% del total. Se utilizaron series temporales de imágenes provenientes de Landsat 8 y SPOT 5, y 164 parcelas fueron registradas, como terreno, para entrenar y validar los modelos. Los algoritmos basados en máxima verosimilitud y en redes neuronales producen muy buenos resultados cuando se utilizan series multi-temporales e imágenes de varios sensores, con una precisión global entre 79,17% y 90,14% y un índice de Kappa entre el 60% y el 82%. La corrección radiométrica a nivel de superficie no mejoró los resultados obtenidos cuando se corrigieron reflectancias medidas al tope de la atmósfera. Las series temporales que utilizan imágenes tomadas sobre cultivos con estados fenológicos más avanzados producen mejores clasificaciones de cobertura que aquellas que utilizan imágenes de etapas tempranas

Revista oficial de la Asociación Española de Teledetección, [EN] Soil coverage and its modifications are critical variables in human-environmental sciences. Changes in land use are causes and consequences of climate change. This situation makes that detailed and updated information is needed for many applications. Remote sensing provides data of large areas periodically, so it becomes a useful input to soil classification. The objectives of this work were to determinate algorithm and images combination that produces the best results to classify agricultural land and, simultaneously, evaluate the need of making atmospheric corrections over them, when classifying multi-temporal/multi-sensor series. The two supervised classification algorithms used were neural networks and maximum likelihood. In the study area, agriculture is the main land use, predominantly summer crops, and the area sown with soybean, corn and sorghum account for over 90% of the total. Time series of Landsat 8 and SPOT 5 images were used, and 164 plots were registered to train and validate the models as ground truth. Maximum likelihood and neural networks models produce very good results when multi-temporal/multi-sensor series are used, with global accuracy between 79.17% to 90.14% and Kappa index between 60% to 82%. The radiometric correction at surface level did not improve the results when the reflectance was corrected at the top of the atmosphere. The time series that use images taken in more advanced phenological stages of crops produce better coverage classifications than time series that use images from early stages., [ES] La cobertura del suelo y sus modificaciones son variables críticas para el desarrollo humano y el medio ambiente. Los cambios en el uso del suelo son causas y consecuencias del cambio climático. Estas situaciones hacen necesario contar con información detallada y actualizada. La teledetección proporciona datos de grandes áreas periódicamente, lo que hace que sea una fuente de datos importante para la clasificación de suelos. Los objetivos de este trabajo fueron determinar los algoritmos y la combinación de imágenes que producen los mejores resultados para clasificar tierras agrícolas y, simultáneamente, evaluar la necesidad de hacer correcciones atmosféricas sobre las mismas, al clasificar series multi-temporales y multi-sensor. Los dos algoritmos de clasificación supervisada utilizados fueron redes neuronales y máxima verosimilitud. En el área de estudio, la agricultura es el principal uso de la tierra, predominando cultivos de verano, y la superficie sembrada con soja, maíz y sorgo representa más del 90% del total. Se utilizaron series temporales de imágenes provenientes de Landsat 8 y SPOT 5, y 164 parcelas fueron registradas, como terreno, para entrenar y validar los modelos. Los algoritmos basados en máxima verosimilitud y en redes neuronales producen muy buenos resultados cuando se utilizan series multi-temporales e imágenes de varios sensores, con una precisión global entre 79,17% y 90,14% y un índice de Kappa entre el 60% y el 82%. La corrección radiométrica a nivel de superficie no mejoró los resultados obtenidos cuando se corrigieron reflectancias medidas al tope de la atmósfera. Las series temporales que utilizan imágenes tomadas sobre cultivos con estados fenológicos más avanzados producen mejores clasificaciones de cobertura que aquellas que utilizan imágenes de etapas tempranas

Revista oficial de la Asociación Española de Teledetección, [EN] Soil coverage and its modifications are critical variables in human-environmental sciences. Changes in land use are causes and consequences of climate change. This situation makes that detailed and updated information is needed for many applications. Remote sensing provides data of large areas periodically, so it becomes a useful input to soil classification. The objectives of this work were to determinate algorithm and images combination that produces the best results to classify agricultural land and, simultaneously, evaluate the need of making atmospheric corrections over them, when classifying multi-temporal/multi-sensor series. The two supervised classification algorithms used were neural networks and maximum likelihood. In the study area, agriculture is the main land use, predominantly summer crops, and the area sown with soybean, corn and sorghum account for over 90% of the total. Time series of Landsat 8 and SPOT 5 images were used, and 164 plots were registered to train and validate the models as ground truth. Maximum likelihood and neural networks models produce very good results when multi-temporal/multi-sensor series are used, with global accuracy between 79.17% to 90.14% and Kappa index between 60% to 82%. The radiometric correction at surface level did not improve the results when the reflectance was corrected at the top of the atmosphere. The time series that use images taken in more advanced phenological stages of crops produce better coverage classifications than time series that use images from early stages., [ES] La cobertura del suelo y sus modificaciones son variables críticas para el desarrollo humano y el medio ambiente. Los cambios en el uso del suelo son causas y consecuencias del cambio climático. Estas situaciones hacen necesario contar con información detallada y actualizada. La teledetección proporciona datos de grandes áreas periódicamente, lo que hace que sea una fuente de datos importante para la clasificación de suelos. Los objetivos de este trabajo fueron determinar los algoritmos y la combinación de imágenes que producen los mejores resultados para clasificar tierras agrícolas y, simultáneamente, evaluar la necesidad de hacer correcciones atmosféricas sobre las mismas, al clasificar series multi-temporales y multi-sensor. Los dos algoritmos de clasificación supervisada utilizados fueron redes neuronales y máxima verosimilitud. En el área de estudio, la agricultura es el principal uso de la tierra, predominando cultivos de verano, y la superficie sembrada con soja, maíz y sorgo representa más del 90% del total. Se utilizaron series temporales de imágenes provenientes de Landsat 8 y SPOT 5, y 164 parcelas fueron registradas, como terreno, para entrenar y validar los modelos. Los algoritmos basados en máxima verosimilitud y en redes neuronales producen muy buenos resultados cuando se utilizan series multi-temporales e imágenes de varios sensores, con una precisión global entre 79,17% y 90,14% y un índice de Kappa entre el 60% y el 82%. La corrección radiométrica a nivel de superficie no mejoró los resultados obtenidos cuando se corrigieron reflectancias medidas al tope de la atmósfera. Las series temporales que utilizan imágenes tomadas sobre cultivos con estados fenológicos más avanzados producen mejores clasificaciones de cobertura que aquellas que utilizan imágenes de etapas tempranas

Revista oficial de la Asociación Española de Teledetección, [EN] Soil coverage and its modifications are critical variables in human-environmental sciences. Changes in land use are causes and consequences of climate change. This situation makes that detailed and updated information is needed for many applications. Remote sensing provides data of large areas periodically, so it becomes a useful input to soil classification. The objectives of this work were to determinate algorithm and images combination that produces the best results to classify agricultural land and, simultaneously, evaluate the need of making atmospheric corrections over them, when classifying multi-temporal/multi-sensor series. The two supervised classification algorithms used were neural networks and maximum likelihood. In the study area, agriculture is the main land use, predominantly summer crops, and the area sown with soybean, corn and sorghum account for over 90% of the total. Time series of Landsat 8 and SPOT 5 images were used, and 164 plots were registered to train and validate the models as ground truth. Maximum likelihood and neural networks models produce very good results when multi-temporal/multi-sensor series are used, with global accuracy between 79.17% to 90.14% and Kappa index between 60% to 82%. The radiometric correction at surface level did not improve the results when the reflectance was corrected at the top of the atmosphere. The time series that use images taken in more advanced phenological stages of crops produce better coverage classifications than time series that use images from early stages., [ES] La cobertura del suelo y sus modificaciones son variables críticas para el desarrollo humano y el medio ambiente. Los cambios en el uso del suelo son causas y consecuencias del cambio climático. Estas situaciones hacen necesario contar con información detallada y actualizada. La teledetección proporciona datos de grandes áreas periódicamente, lo que hace que sea una fuente de datos importante para la clasificación de suelos. Los objetivos de este trabajo fueron determinar los algoritmos y la combinación de imágenes que producen los mejores resultados para clasificar tierras agrícolas y, simultáneamente, evaluar la necesidad de hacer correcciones atmosféricas sobre las mismas, al clasificar series multi-temporales y multi-sensor. Los dos algoritmos de clasificación supervisada utilizados fueron redes neuronales y máxima verosimilitud. En el área de estudio, la agricultura es el principal uso de la tierra, predominando cultivos de verano, y la superficie sembrada con soja, maíz y sorgo representa más del 90% del total. Se utilizaron series temporales de imágenes provenientes de Landsat 8 y SPOT 5, y 164 parcelas fueron registradas, como terreno, para entrenar y validar los modelos. Los algoritmos basados en máxima verosimilitud y en redes neuronales producen muy buenos resultados cuando se utilizan series multi-temporales e imágenes de varios sensores, con una precisión global entre 79,17% y 90,14% y un índice de Kappa entre el 60% y el 82%. La corrección radiométrica a nivel de superficie no mejoró los resultados obtenidos cuando se corrigieron reflectancias medidas al tope de la atmósfera. Las series temporales que utilizan imágenes tomadas sobre cultivos con estados fenológicos más avanzados producen mejores clasificaciones de cobertura que aquellas que utilizan imágenes de etapas tempranas