Search

The delimitation and Spatio-temporal characterization of built-up or urbanized areas in cities is a fundamental input for territorial planning. Built-up Zone Indices are used to identify urban areas using remote sensing. The objective of this study was to evaluate the multitemporal assertiveness (1997, 2002, 2007 and 2018) of three Built-up Zone Indices (NDBI, UI and IBI) calculated in Landsat images for three Colombian cities. The images were enhanced through Remote Sensing techniques and the Built-up Zone Indices were determined by taking into account the parameters established by their creators. It means that 700 ground truth points (350 for the built-up zone and 350 for the non-built-up zone) were used to establish the multitemporal assertiveness using the Kappa Index. The results show that the index with the best overall multitemporal assertiveness was the NDBI (Kappa = 0.382), which was also the best performing for the largest city (Kappa = 0.566); for the intermediate size city, the most successful index was the UI (Kappa = 0.545). The evaluated indexes had null Kappa values in the city of Espinal; discarding the results obtained in the latter city, the global assertiveness of the indexes can be increased to 0.573. Further research is needed to evaluate in detail the applicability and assertiveness of the indices in the Colombian context, as well as the adjustments to the optimal value range for each particular city according to its architectural characteristics, La delimitación y caracterización espacio-temporal de las zonas construidas o urbanizadas en las ciudades es un insumo fundamental para la planificación territorial. Los Índices de Zonas Construidas son empleados para identificar las zonasurbanas utilizando sensores remotos. Este estudio tuvo por objetivo evaluar la asertividad multitemporal (1997, 2002, 2007 y 2018) de tres Índices de Zonas Construidas (NDBI, UI e IBI) calculados en imágenes Landsat para tres ciudadescolombianas. Las imágenes fueron mejoradas a través de técnicas de Teledetección y se determinaron los Índices de Zonas Construidas teniendo en cuenta los parámetros establecidos por sus creadores. Se emplearon 700 puntos verdad terreno(350 para zonas construidas y 350 para zonas no construidas) para establecer la asertividad multitemporal usando el Índice de Kappa. Los resultados muestran que el índice con mejor asertividad multitemporal global fue el NDBI (Kappa = 0.382),el cual también fue el de mejor desempeño para la ciudad de mayor tamaño (Kappa = 0.566); para la ciudad de tamaño intermedio el índice más acertado correspondió al UI (Kappa = 0.545). Los Índices evaluados tuvieron valores nulos de Kappa en la ciudad de Espinal; descartando los resultados obtenidos en esta última ciudad, la asertividad global de losíndices puede incrementarse hasta 0.573. Se infiere la necesidad de realizar nuevas investigaciones que permitan evaluar amayor detalle la aplicabilidad y asertividad de estos índices en el contexto colombiano, al igual que los ajustes a los rangos de valores óptimos para cada ciudad en particular de acuerdo a sus características arquitectónicas.

Forest fires cause temporary disappearance of vegetation. In the province of Azuay until October 2018, approximately 1,339.4 hectares of burned plant cover have been registered. In the present work, the degree of severity caused by a fire on the pine forest cover was estimated. This occurred on October 24, 2018 on the farm of the University of Cuenca, Irquis Azuay. Sentinel 2 satellite images (pre and post fire) were used, 55 ROIs were taken (30 training zones and 25 validation zones). The classification methods, Maximum Likelihood (ML) and Support Vector Machines (SVM) were used, but only the second one was used because it presented better results in its confusion matrix and Kappa index. Three indices were calculated to estimate the loss of vegetation cover; the normalized differential vegetation index (NDVI), the degree of severity index (NBR) and its differential version (dNBR). The NDVI post fire established that 91,87% of the surface contained sparse vegetation that was not vigorous; the rest was bare soil or dead vegetation, reducing the types of classification that existed before the fire. The pre and post fire NBR was performed to obtain its dNBR difference, it presented 4 levels of severity; 66,07% of the surface was intact (unburned), 22,93% burns of low severity, 10,07% low moderate severity and 0,93% moderate high severity. The dNBR results were visually contrasted with an orthophoto obtained with a drone by the university's geometrics department, reaching 4,9 ha burned compared to 7,9 ha obtained by the other method.

Forest fires cause temporary disappearance of vegetation. In the province of Azuay until October 2018, approximately 1,339.4 hectares of burned plant cover have been registered. In the present work, the degree of severity caused by a fire on the pine forest cover was estimated. This occurred on October 24, 2018 on the farm of the University of Cuenca, Irquis Azuay. Sentinel 2 satellite images (pre and post fire) were used, 55 ROIs were taken (30 training zones and 25 validation zones). The classification methods, Maximum Likelihood (ML) and Support Vector Machines (SVM) were used, but only the second one was used because it presented better results in its confusion matrix and Kappa index. Three indices were calculated to estimate the loss of vegetation cover; the normalized differential vegetation index (NDVI), the degree of severity index (NBR) and its differential version (dNBR). The NDVI post fire established that 91,87% of the surface contained sparse vegetation that was not vigorous; the rest was bare soil or dead vegetation, reducing the types of classification that existed before the fire. The pre and post fire NBR was performed to obtain its dNBR difference, it presented 4 levels of severity; 66,07% of the surface was intact (unburned), 22,93% burns of low severity, 10,07% low moderate severity and 0,93% moderate high severity. The dNBR results were visually contrasted with an orthophoto obtained with a drone by the university's geometrics department, reaching 4,9 ha burned compared to 7,9 ha obtained by the other method.

Forest fires cause temporary disappearance of vegetation. In the province of Azuay until October 2018, approximately 1,339.4 hectares of burned plant cover have been registered. In the present work, the degree of severity caused by a fire on the pine forest cover was estimated. This occurred on October 24, 2018 on the farm of the University of Cuenca, Irquis Azuay. Sentinel 2 satellite images (pre and post fire) were used, 55 ROIs were taken (30 training zones and 25 validation zones). The classification methods, Maximum Likelihood (ML) and Support Vector Machines (SVM) were used, but only the second one was used because it presented better results in its confusion matrix and Kappa index. Three indices were calculated to estimate the loss of vegetation cover; the normalized differential vegetation index (NDVI), the degree of severity index (NBR) and its differential version (dNBR). The NDVI post fire established that 91,87% of the surface contained sparse vegetation that was not vigorous; the rest was bare soil or dead vegetation, reducing the types of classification that existed before the fire. The pre and post fire NBR was performed to obtain its dNBR difference, it presented 4 levels of severity; 66,07% of the surface was intact (unburned), 22,93% burns of low severity, 10,07% low moderate severity and 0,93% moderate high severity. The dNBR results were visually contrasted with an orthophoto obtained with a drone by the university's geometrics department, reaching 4,9 ha burned compared to 7,9 ha obtained by the other method.

Problem. Soil degradation and diminished production in the desert of La Tatacoa are attributed to both environmental and anthropic factors. This article assesses the spatiotemporal dynamics of soil coverage in a discontinuous period of 23 years (1987-2001-2010), identifying areas of loss and recovery of vegetation. Methodology. Geometric and radiometric corrections were applied, in addition, a quantitative analysis was performed by applying supervised classification to Landsat images. Spatiotemporal dynamics were identified through change matrices and the Kappa index. Results. Multitemporal analysis showed a decrease in the areas of degraded soils (16.7%) and an increase in vegetal coverage (13.4%), which evinces a recovery process of 124 ha/year. The areas of stable natural vegetation and of greatest positive variation in the vegetal coverage are located to the north, northeast, and east, while the negative variation can be observed in the region adjacent to the Magdalena river. Conclusion. These results serve as the basis for new research on the biotic, abiotic, and socioeconomic factors that have generated the recovery of natural vegetation areas in some sectors and desertification in others. They seek to contribute to the formulation of sectorized measures such as ecological restoration as well as silvopastoral and agroforestry systems in according to social and environmental issues in a context of climate change., Problema. No deserto da Tatacoa, a degradação do solo e a perda de produtividade são atribuídas a fatores ambientais e antrópicos. Neste artigo, avaliou-se a dinâmica espaço-temporal de cobertura em um período não contínuo de 23 anos (1987-2001-2010) e identificou-se áreas de perda e recuperação de vegetação. Metodologia. Foram aplicadas correções geométricas e radiométricas, além disso, foi realizado uma análise quantitativa aplicando uma classificação supervisionada às imagens Landsat. As dinâmicas espaço-temporais foram identificadas através de matrizes de mudança e do índice Kappa. Resultados. A análise multitemporal mostrou uma diminuição nas áreas de solos degradados (16,7%) e um aumento na cobertura vegetal (13,4%), o que evidencia um processo de recuperação a uma taxa de 124 ha/ano. As áreas de vegetação natural estáveis e de maior variação positiva de vegetação natural estão localizadas no norte, nordeste e leste; a variação negativa é observada na região adjacente ao rio Magdalena. Resultados. Esses resultados são a base para novas pesquisas sobre os fatores bióticos, abióticos e socioeconômicos que geraram a recuperação de áreas de vegetação natural em algumas áreas e de desertificação em outras, e são usados para propor medidas setorizadas, como a restauração ecológica, os sistemas silvopastoris e os agroflorestais de acordo com a problemática social e ambiental em um contexto de mudança climática., Problema. En el desierto de La Tatacoa, la degradación del suelo y la pérdida de productividad son atribuidas a factores ambientales y antrópicos. En este artículo se evalúa la dinámica espacio-temporal de coberturas en un periodo no continuo de 23 años (1987-2001-2010) identificando áreas de pérdida y de recuperación de vegetación. Metodología. Se aplicaron correcciones geométricas y radiométricas, además, se realizó un análisis cuantitativo aplicando clasificación supervisada a las imágenes Landsat. Las dinámicas espacio-temporales se identificaron a través de matrices de cambio y el índice Kappa. Resultados. El análisis multitemporal mostró disminución de las áreas de suelos degradados (16,7%) y aumento de la cobertura vegetal (13,4%), lo que evidencia un proceso de recuperación a una tasa de 124 ha/año. Las áreas de vegetación natural estables y de mayor variación positiva de vegetación natural están localizadas en el norte, nororiente y oriente; la variación negativa se observa en la región adyacente al río Magdalena. Conclusión. Estos resultados son la base para nuevas investigaciones sobre los factores bióticos, abióticos y socioeconómicos que han generado la recuperación de áreas de vegetación natural en algunos sectores y la desertificación en otros, y se encaminan a plantear medidas sectorizadas como la restauración ecológica, los sistemas silvopastoriles y agroforestales acordes con la problemática social y ambiental en un contexto de cambio climático.Ideas destacadas: artículo de investigación sobre la dinámica de las coberturas en el enclave seco de la Tatacoa con aplicaciones sig a partir de imágenes Landsat para determinar el proceso de desertificación y la revegetalización natural que ha tenido lugar en un periodo de 23 años.

Soil degradation and diminished production in the desert of La Tatacoa are attributed to both environmental and anthropic factors. This article assesses the spatiotemporal dynamics of soil coverage in a discontinuous period of 23 years (1987-2001-2010), identifying areas of loss and recovery of vegetation. Geometric and radiometric corrections were applied, in addition, a quantitative analysis was performed by applying supervised classification to Landsat images. Spatiotemporal dynamics were identified through change matrices and the Kappa index. Multitemporal analysis showed a decrease in the areas of degraded soils (16.7%) and an increase in vegetal coverage (13.4%), which evinces a recovery process of 124 ha/year. The areas of stable natural vegetation and of greatest positive variation in the vegetal coverage are located to the north, northeast, and east, while the negative variation can be observed in the region adjacent to the Magdalena river. These results serve as the basis for new research on the biotic, abiotic, and socioeconomic factors that have generated the recovery of natural vegetation areas in some sectors and desertification in others. They seek to contribute to the formulation of sectorized measures such as ecological restoration as well as silvopastoral and agroforestry systems in according to social and environmental issues in a context of climate change., En el desierto de La Tatacoa, la degradación del suelo y la pérdida de productividad son atribuidas a factores ambientales y antrópicos. En este artículo se evalúa la dinámica espaciotemporal de coberturas en un periodo no continuo de 23 anos (1987-2001-2010) identificando áreas de perdida y de recuperación de vegetación. Se aplicaron correcciones geométricas y radiométricas, además, se realizó un análisis cuantitativo aplicando clasificación supervisada a las imágenes Landsat. Las dinámicas espaciotemporales se identificaron a través de matrices de cambio y el índice Kappa. El análisis multitemporal mostro disminución de las áreas de suelos degradados (16,7%) y aumento de la cobertura vegetal (13,4%), lo que evidencia un proceso de recuperación a una tasa de 124 ha/ano. Las áreas de vegetación natural estables y de mayor variación positiva de vegetación natural están localizadas en el norte, nororiente y oriente; la variación negativa se observa en la región adyacente al rio Magdalena. Estos resultados son la base para nuevas investigaciones sobre los factores bióticos, abióticos y socioeconómicos que han generado la recuperación de áreas de vegetación natural en algunos sectores y la desertificación en otros, y se encaminan a plantear medidas sectorizadas como la restauración ecológica, los sistemas silvopastoriles y agroforestales acordes con la problemática social y ambiental en un contexto de cambio climático.Ideas destacadas: artículo de investigación sobre la dinámica de las coberturas en el enclave seco de la Tatacoa con aplicaciones sig a partir de imágenes Landsat para determinar el proceso de desertificación y la revegetalización natural que ha tenido lugar en un periodo de 23 años., No deserto da Tatacoa, a degradacao do solo e a perda de produtividade sao atribuidas a fatores ambientais e antropicos. Neste artigo, avaliou-se a dinamica espaco-temporal de cobertura em um periodo nao continuo de 23 anos (1987-2001-2010) e identificou-se areas de perda e recuperacao de vegetacao. Foram aplicadas correções geometricas e radiometricas, alem disso, foi realizado uma analise quantitativa aplicando uma classificação supervisionada as imagens Landsat. As dinamicas espaco-temporais foram identificadas atraves de matrizes de mudanca e do indice Kappa. A analise multitemporal mostrou uma diminuicao nas areas de solos degradados (16,7%) e um aumento na cobertura vegetal (13,4%), o que evidencia um processo de recuperacao a uma taxa de 124 ha/ano. As areas de vegetacao natural estaveis e de maior variacao positiva de vegetacao natural estão localizadas no norte, nordeste e leste; a variacao negativa e observada na regiao adjacente ao rio Magdalena. Esses resultados sao a base para novas pesquisas sobre os fatores bioticos, abioticos e socioeconomicos que geraram a recuperacao de areas de vegetacao natural em algumas areas e de desertificacao em outras, e sao usados para propor medidas setorizadas, como a restauracao ecologica, os sistemas silvopastoris e os agroflorestais de acordo com a problematica social e ambiental em um contexto de mudanca climatica.

Problem. Soil degradation and diminished production in the desert of La Tatacoa are attributed to both environmental and anthropic factors. This article assesses the spatiotemporal dynamics of soil coverage in a discontinuous period of 23 years (1987-2001-2010), identifying areas of loss and recovery of vegetation. Methodology. Geometric and radiometric corrections were applied, in addition, a quantitative analysis was performed by applying supervised classification to Landsat images. Spatiotemporal dynamics were identified through change matrices and the Kappa index. Results. Multitemporal analysis showed a decrease in the areas of degraded soils (16.7%) and an increase in vegetal coverage (13.4%), which evinces a recovery process of 124 ha/year. The areas of stable natural vegetation and of greatest positive variation in the vegetal coverage are located to the north, northeast, and east, while the negative variation can be observed in the region adjacent to the Magdalena river. Conclusion. These results serve as the basis for new research on the biotic, abiotic, and socioeconomic factors that have generated the recovery of natural vegetation areas in some sectors and desertification in others. They seek to contribute to the formulation of sectorized measures such as ecological restoration as well as silvopastoral and agroforestry systems in according to social and environmental issues in a context of climate change., Problema. No deserto da Tatacoa, a degradação do solo e a perda de produtividade são atribuídas a fatores ambientais e antrópicos. Neste artigo, avaliou-se a dinâmica espaço-temporal de cobertura em um período não contínuo de 23 anos (1987-2001-2010) e identificou-se áreas de perda e recuperação de vegetação. Metodologia. Foram aplicadas correções geométricas e radiométricas, além disso, foi realizado uma análise quantitativa aplicando uma classificação supervisionada às imagens Landsat. As dinâmicas espaço-temporais foram identificadas através de matrizes de mudança e do índice Kappa. Resultados. A análise multitemporal mostrou uma diminuição nas áreas de solos degradados (16,7%) e um aumento na cobertura vegetal (13,4%), o que evidencia um processo de recuperação a uma taxa de 124 ha/ano. As áreas de vegetação natural estáveis e de maior variação positiva de vegetação natural estão localizadas no norte, nordeste e leste; a variação negativa é observada na região adjacente ao rio Magdalena. Resultados. Esses resultados são a base para novas pesquisas sobre os fatores bióticos, abióticos e socioeconômicos que geraram a recuperação de áreas de vegetação natural em algumas áreas e de desertificação em outras, e são usados para propor medidas setorizadas, como a restauração ecológica, os sistemas silvopastoris e os agroflorestais de acordo com a problemática social e ambiental em um contexto de mudança climática., Problema. En el desierto de La Tatacoa, la degradación del suelo y la pérdida de productividad son atribuidas a factores ambientales y antrópicos. En este artículo se evalúa la dinámica espacio-temporal de coberturas en un periodo no continuo de 23 años (1987-2001-2010) identificando áreas de pérdida y de recuperación de vegetación. Metodología. Se aplicaron correcciones geométricas y radiométricas, además, se realizó un análisis cuantitativo aplicando clasificación supervisada a las imágenes Landsat. Las dinámicas espacio-temporales se identificaron a través de matrices de cambio y el índice Kappa. Resultados. El análisis multitemporal mostró disminución de las áreas de suelos degradados (16,7%) y aumento de la cobertura vegetal (13,4%), lo que evidencia un proceso de recuperación a una tasa de 124 ha/año. Las áreas de vegetación natural estables y de mayor variación positiva de vegetación natural están localizadas en el norte, nororiente y oriente; la variación negativa se observa en la región adyacente al río Magdalena. Conclusión. Estos resultados son la base para nuevas investigaciones sobre los factores bióticos, abióticos y socioeconómicos que han generado la recuperación de áreas de vegetación natural en algunos sectores y la desertificación en otros, y se encaminan a plantear medidas sectorizadas como la restauración ecológica, los sistemas silvopastoriles y agroforestales acordes con la problemática social y ambiental en un contexto de cambio climático.Ideas destacadas: artículo de investigación sobre la dinámica de las coberturas en el enclave seco de la Tatacoa con aplicaciones sig a partir de imágenes Landsat para determinar el proceso de desertificación y la revegetalización natural que ha tenido lugar en un periodo de 23 años.

Soil degradation and diminished production in the desert of La Tatacoa are attributed to both environmental and anthropic factors. This article assesses the spatiotemporal dynamics of soil coverage in a discontinuous period of 23 years (1987-2001-2010), identifying areas of loss and recovery of vegetation. Geometric and radiometric corrections were applied, in addition, a quantitative analysis was performed by applying supervised classification to Landsat images. Spatiotemporal dynamics were identified through change matrices and the Kappa index. Multitemporal analysis showed a decrease in the areas of degraded soils (16.7%) and an increase in vegetal coverage (13.4%), which evinces a recovery process of 124 ha/year. The areas of stable natural vegetation and of greatest positive variation in the vegetal coverage are located to the north, northeast, and east, while the negative variation can be observed in the region adjacent to the Magdalena river. These results serve as the basis for new research on the biotic, abiotic, and socioeconomic factors that have generated the recovery of natural vegetation areas in some sectors and desertification in others. They seek to contribute to the formulation of sectorized measures such as ecological restoration as well as silvopastoral and agroforestry systems in according to social and environmental issues in a context of climate change., En el desierto de La Tatacoa, la degradación del suelo y la pérdida de productividad son atribuidas a factores ambientales y antrópicos. En este artículo se evalúa la dinámica espaciotemporal de coberturas en un periodo no continuo de 23 anos (1987-2001-2010) identificando áreas de perdida y de recuperación de vegetación. Se aplicaron correcciones geométricas y radiométricas, además, se realizó un análisis cuantitativo aplicando clasificación supervisada a las imágenes Landsat. Las dinámicas espaciotemporales se identificaron a través de matrices de cambio y el índice Kappa. El análisis multitemporal mostro disminución de las áreas de suelos degradados (16,7%) y aumento de la cobertura vegetal (13,4%), lo que evidencia un proceso de recuperación a una tasa de 124 ha/ano. Las áreas de vegetación natural estables y de mayor variación positiva de vegetación natural están localizadas en el norte, nororiente y oriente; la variación negativa se observa en la región adyacente al rio Magdalena. Estos resultados son la base para nuevas investigaciones sobre los factores bióticos, abióticos y socioeconómicos que han generado la recuperación de áreas de vegetación natural en algunos sectores y la desertificación en otros, y se encaminan a plantear medidas sectorizadas como la restauración ecológica, los sistemas silvopastoriles y agroforestales acordes con la problemática social y ambiental en un contexto de cambio climático.Ideas destacadas: artículo de investigación sobre la dinámica de las coberturas en el enclave seco de la Tatacoa con aplicaciones sig a partir de imágenes Landsat para determinar el proceso de desertificación y la revegetalización natural que ha tenido lugar en un periodo de 23 años., No deserto da Tatacoa, a degradacao do solo e a perda de produtividade sao atribuidas a fatores ambientais e antropicos. Neste artigo, avaliou-se a dinamica espaco-temporal de cobertura em um periodo nao continuo de 23 anos (1987-2001-2010) e identificou-se areas de perda e recuperacao de vegetacao. Foram aplicadas correções geometricas e radiometricas, alem disso, foi realizado uma analise quantitativa aplicando uma classificação supervisionada as imagens Landsat. As dinamicas espaco-temporais foram identificadas atraves de matrizes de mudanca e do indice Kappa. A analise multitemporal mostrou uma diminuicao nas areas de solos degradados (16,7%) e um aumento na cobertura vegetal (13,4%), o que evidencia um processo de recuperacao a uma taxa de 124 ha/ano. As areas de vegetacao natural estaveis e de maior variacao positiva de vegetacao natural estão localizadas no norte, nordeste e leste; a variacao negativa e observada na regiao adjacente ao rio Magdalena. Esses resultados sao a base para novas pesquisas sobre os fatores bioticos, abioticos e socioeconomicos que geraram a recuperacao de areas de vegetacao natural em algumas areas e de desertificacao em outras, e sao usados para propor medidas setorizadas, como a restauracao ecologica, os sistemas silvopastoris e os agroflorestais de acordo com a problematica social e ambiental em um contexto de mudanca climatica.

Antecedentes: Actualmente la clasificación de fenómenos se dificulta por la masiva existencia de casos donde algunas clases están muy poco representadas en comparación con otras, refiriéndonos así a datos multiclase desequilibrados que impiden un óptimo desempeño del clasificador. Los análisis de concordancia ya sea entre un gold estándar (patrón) y un clasificador o a su vez entre dos clasificadores utilizan el índice kappa como elemento de validación que permite realizar una comparación confiable basada en la relación entre la precisión observada y la esperada, demostrando gran sensibilidad para casos desbalanceados. Los métodos bayesianos han ganado terreno especialmente en el área de la salud en la mayoría de cálculos estadísticos, permitiendo a través del teorema de Bayes y la teoría de la decisión generar modelos que adicionen información del fenómeno en la distribución a priori transmitiéndola a la distribución a posteriori con la ayuda de métodos de simulación de cadenas de Markov Monte Carlo (MCMC). Objetivo: Ayudar a solucionar problemas de clasificación multiclase con categorías desequilibradas, los cuales son cada vez más comunes debido a la aparición de nuevos métodos procedentes del campo del aprendizaje automático, poniendo el enfoque en métodos de concordancia con la aplicación de la inferencia estadística. Obteniendo la estimación puntual del parámetro de interés a través de modelos que presenten robustez y exactitud en sucesos con probabilidades extremas, permitiendo la inserción de información en la distribución a priori en forma de probabilidad. Métodos: El trabajo se centra en el diseño de una librería para el lenguaje R llamada K_Freq_Bay, que posee funciones principales y secundarias que permite obtener el análisis frecuentista y bayesiano en problemas de clasificación categóricos multiclase. El enfoque bayesiano trabaja con tres modelos planteados: Dirichlet-Dirichlet, Dirichlet-Multinomial y Beta-Beta. La librería proporciona un informe con

[EN] Sentinel-2 (S2), a new ESA satellite for Earth observation, accounts with 13 bands which provide high-quality radiometric images with an excellent spatial resolution (10 and 20 m) ideal for classification purposes. In this paper, two objectives have been addressed: to determine the best classification method for S2, and to quantify its improve-ment with respect to the SPOT operational mission. To do so, four classifiers (LDA, RF, Decision Trees, K-NN) have been selected and applied to two different agricultural areas located in Valencia (Spain) and Buenos Aires (Argentina). All classifiers were tested using, on the one hand, all the S2 bands and, on the other hand, only selecting those bands from S2 closer to the four bands from SPOT. In all the cases, between 10%-50% of samples were used to train the classifier while remaining the rest for validation. As a result, a land use map was generated from the best classifier, according to the Kappa index, providing scientifically relevant information such as the area of each land use class., [ES] Sentinel-2 (S2) es un nuevo satélite de la ESA que cuenta con 13 bandas proporcionando imágenes de alta calidad radiométrica y excelente resolución espacial (10 y 20 m) ideal para trabajos de clasificación. En este trabajo se han abordado dos objetivos: determinar el mejor método de clasificación con S2, y cuantificar su mejora respecto a otras misiones operativas, como SPOT. Para ello se han seleccionado cuatro clasificadores (LDA, RF, Árboles de decisión, K-NN) que se han aplicado en dos zonas agrarias: una en la huerta de Valencia (España) y otra en la región de Buenos Aires (Argentina). Se han probado todos los clasificadores usando, por una parte, todas las bandas de S2, y por otra usando sólo las cuatro que coinciden con SPOT. En todos los casos se han aplicando porcentajes entre el 10 y el 50% de datos de entrenamiento y usado el resto de datos como validación. Como resultado se ha generado un mapa de usos del suelo a partir del mejor clasificador, basándose en el índice Kappa, proporcionando información científicamente relevante como es el área ocupada por cada una de las clases.

[EN] Sentinel-2 (S2), a new ESA satellite for Earth observation, accounts with 13 bands which provide high-quality radiometric images with an excellent spatial resolution (10 and 20 m) ideal for classification purposes. In this paper, two objectives have been addressed: to determine the best classification method for S2, and to quantify its improve-ment with respect to the SPOT operational mission. To do so, four classifiers (LDA, RF, Decision Trees, K-NN) have been selected and applied to two different agricultural areas located in Valencia (Spain) and Buenos Aires (Argentina). All classifiers were tested using, on the one hand, all the S2 bands and, on the other hand, only selecting those bands from S2 closer to the four bands from SPOT. In all the cases, between 10%-50% of samples were used to train the classifier while remaining the rest for validation. As a result, a land use map was generated from the best classifier, according to the Kappa index, providing scientifically relevant information such as the area of each land use class., [ES] Sentinel-2 (S2) es un nuevo satélite de la ESA que cuenta con 13 bandas proporcionando imágenes de alta calidad radiométrica y excelente resolución espacial (10 y 20 m) ideal para trabajos de clasificación. En este trabajo se han abordado dos objetivos: determinar el mejor método de clasificación con S2, y cuantificar su mejora respecto a otras misiones operativas, como SPOT. Para ello se han seleccionado cuatro clasificadores (LDA, RF, Árboles de decisión, K-NN) que se han aplicado en dos zonas agrarias: una en la huerta de Valencia (España) y otra en la región de Buenos Aires (Argentina). Se han probado todos los clasificadores usando, por una parte, todas las bandas de S2, y por otra usando sólo las cuatro que coinciden con SPOT. En todos los casos se han aplicando porcentajes entre el 10 y el 50% de datos de entrenamiento y usado el resto de datos como validación. Como resultado se ha generado un mapa de usos del suelo a partir del mejor clasificador, basándose en el índice Kappa, proporcionando información científicamente relevante como es el área ocupada por cada una de las clases.

[EN] Sentinel-2 (S2), a new ESA satellite for Earth observation, accounts with 13 bands which provide high-quality radiometric images with an excellent spatial resolution (10 and 20 m) ideal for classification purposes. In this paper, two objectives have been addressed: to determine the best classification method for S2, and to quantify its improve-ment with respect to the SPOT operational mission. To do so, four classifiers (LDA, RF, Decision Trees, K-NN) have been selected and applied to two different agricultural areas located in Valencia (Spain) and Buenos Aires (Argentina). All classifiers were tested using, on the one hand, all the S2 bands and, on the other hand, only selecting those bands from S2 closer to the four bands from SPOT. In all the cases, between 10%-50% of samples were used to train the classifier while remaining the rest for validation. As a result, a land use map was generated from the best classifier, according to the Kappa index, providing scientifically relevant information such as the area of each land use class., [ES] Sentinel-2 (S2) es un nuevo satélite de la ESA que cuenta con 13 bandas proporcionando imágenes de alta calidad radiométrica y excelente resolución espacial (10 y 20 m) ideal para trabajos de clasificación. En este trabajo se han abordado dos objetivos: determinar el mejor método de clasificación con S2, y cuantificar su mejora respecto a otras misiones operativas, como SPOT. Para ello se han seleccionado cuatro clasificadores (LDA, RF, Árboles de decisión, K-NN) que se han aplicado en dos zonas agrarias: una en la huerta de Valencia (España) y otra en la región de Buenos Aires (Argentina). Se han probado todos los clasificadores usando, por una parte, todas las bandas de S2, y por otra usando sólo las cuatro que coinciden con SPOT. En todos los casos se han aplicando porcentajes entre el 10 y el 50% de datos de entrenamiento y usado el resto de datos como validación. Como resultado se ha generado un mapa de usos del suelo a partir del mejor clasificador, basándose en el índice Kappa, proporcionando información científicamente relevante como es el área ocupada por cada una de las clases.

[EN] Sentinel-2 (S2), a new ESA satellite for Earth observation, accounts with 13 bands which provide high-quality radiometric images with an excellent spatial resolution (10 and 20 m) ideal for classification purposes. In this paper, two objectives have been addressed: to determine the best classification method for S2, and to quantify its improve-ment with respect to the SPOT operational mission. To do so, four classifiers (LDA, RF, Decision Trees, K-NN) have been selected and applied to two different agricultural areas located in Valencia (Spain) and Buenos Aires (Argentina). All classifiers were tested using, on the one hand, all the S2 bands and, on the other hand, only selecting those bands from S2 closer to the four bands from SPOT. In all the cases, between 10%-50% of samples were used to train the classifier while remaining the rest for validation. As a result, a land use map was generated from the best classifier, according to the Kappa index, providing scientifically relevant information such as the area of each land use class., [ES] Sentinel-2 (S2) es un nuevo satélite de la ESA que cuenta con 13 bandas proporcionando imágenes de alta calidad radiométrica y excelente resolución espacial (10 y 20 m) ideal para trabajos de clasificación. En este trabajo se han abordado dos objetivos: determinar el mejor método de clasificación con S2, y cuantificar su mejora respecto a otras misiones operativas, como SPOT. Para ello se han seleccionado cuatro clasificadores (LDA, RF, Árboles de decisión, K-NN) que se han aplicado en dos zonas agrarias: una en la huerta de Valencia (España) y otra en la región de Buenos Aires (Argentina). Se han probado todos los clasificadores usando, por una parte, todas las bandas de S2, y por otra usando sólo las cuatro que coinciden con SPOT. En todos los casos se han aplicando porcentajes entre el 10 y el 50% de datos de entrenamiento y usado el resto de datos como validación. Como resultado se ha generado un mapa de usos del suelo a partir del mejor clasificador, basándose en el índice Kappa, proporcionando información científicamente relevante como es el área ocupada por cada una de las clases.

[EN] Sentinel-2 (S2), a new ESA satellite for Earth observation, accounts with 13 bands which provide high-quality radiometric images with an excellent spatial resolution (10 and 20 m) ideal for classification purposes. In this paper, two objectives have been addressed: to determine the best classification method for S2, and to quantify its improve-ment with respect to the SPOT operational mission. To do so, four classifiers (LDA, RF, Decision Trees, K-NN) have been selected and applied to two different agricultural areas located in Valencia (Spain) and Buenos Aires (Argentina). All classifiers were tested using, on the one hand, all the S2 bands and, on the other hand, only selecting those bands from S2 closer to the four bands from SPOT. In all the cases, between 10%-50% of samples were used to train the classifier while remaining the rest for validation. As a result, a land use map was generated from the best classifier, according to the Kappa index, providing scientifically relevant information such as the area of each land use class., [ES] Sentinel-2 (S2) es un nuevo satélite de la ESA que cuenta con 13 bandas proporcionando imágenes de alta calidad radiométrica y excelente resolución espacial (10 y 20 m) ideal para trabajos de clasificación. En este trabajo se han abordado dos objetivos: determinar el mejor método de clasificación con S2, y cuantificar su mejora respecto a otras misiones operativas, como SPOT. Para ello se han seleccionado cuatro clasificadores (LDA, RF, Árboles de decisión, K-NN) que se han aplicado en dos zonas agrarias: una en la huerta de Valencia (España) y otra en la región de Buenos Aires (Argentina). Se han probado todos los clasificadores usando, por una parte, todas las bandas de S2, y por otra usando sólo las cuatro que coinciden con SPOT. En todos los casos se han aplicando porcentajes entre el 10 y el 50% de datos de entrenamiento y usado el resto de datos como validación. Como resultado se ha generado un mapa de usos del suelo a partir del mejor clasificador, basándose en el índice Kappa, proporcionando información científicamente relevante como es el área ocupada por cada una de las clases.

[EN] Sentinel-2 (S2), a new ESA satellite for Earth observation, accounts with 13 bands which provide high-quality radiometric images with an excellent spatial resolution (10 and 20 m) ideal for classification purposes. In this paper, two objectives have been addressed: to determine the best classification method for S2, and to quantify its improve-ment with respect to the SPOT operational mission. To do so, four classifiers (LDA, RF, Decision Trees, K-NN) have been selected and applied to two different agricultural areas located in Valencia (Spain) and Buenos Aires (Argentina). All classifiers were tested using, on the one hand, all the S2 bands and, on the other hand, only selecting those bands from S2 closer to the four bands from SPOT. In all the cases, between 10%-50% of samples were used to train the classifier while remaining the rest for validation. As a result, a land use map was generated from the best classifier, according to the Kappa index, providing scientifically relevant information such as the area of each land use class., [ES] Sentinel-2 (S2) es un nuevo satélite de la ESA que cuenta con 13 bandas proporcionando imágenes de alta calidad radiométrica y excelente resolución espacial (10 y 20 m) ideal para trabajos de clasificación. En este trabajo se han abordado dos objetivos: determinar el mejor método de clasificación con S2, y cuantificar su mejora respecto a otras misiones operativas, como SPOT. Para ello se han seleccionado cuatro clasificadores (LDA, RF, Árboles de decisión, K-NN) que se han aplicado en dos zonas agrarias: una en la huerta de Valencia (España) y otra en la región de Buenos Aires (Argentina). Se han probado todos los clasificadores usando, por una parte, todas las bandas de S2, y por otra usando sólo las cuatro que coinciden con SPOT. En todos los casos se han aplicando porcentajes entre el 10 y el 50% de datos de entrenamiento y usado el resto de datos como validación. Como resultado se ha generado un mapa de usos del suelo a partir del mejor clasificador, basándose en el índice Kappa, proporcionando información científicamente relevante como es el área ocupada por cada una de las clases.