Clasificación automática de cultivos usando imágenes multitemporales con super-resolución Sentinel-2

El conocer, caracterizar y monitorear los cultivos en el territorio es de vital importancia para la sociedad por su aporte a las economías locales y por resguardar la seguridad alimentaria de la población, donde el uso de sensores remotos, y en específico de Sentinel-2, está ampliamente documentado por sus ventajas. Este estudio compara la clasificación de cultivos utilizando técnicas de aprendizaje automático, específicamente el algoritmo XGBoost, aplicadas a imágenes de Sentinel-2 en su resolución nativa y a imágenes mejoradas con técnicas de superresolución, utilizando el algoritmo SENX4 desarrollado por la empresa TRACASA. El análisis se basa en datos de campo recogidos en varios municipios de las comarcas agrarias III de Pamplona y VI de Ribera Alta-Aragón, en la Comunidad Foral de Navarra, España, en el año 2017.

Knowing, characterizing and monitoring crops in the territory is of vital importance to society due to its contribution to local economies and its role in safeguarding food security for the population. The use of remote sensors, specifically Sentinel-2, is widely documented for its advantages. This study compares crop classification using machine learning techniques, specifically the XGBoost algorithm, applied to Sentinel-2 images in their native resolution and to enhanced images using super-resolution techniques, utilizing the SENX4 algorithm developed by the company TRACASA. The analysis is based on field data collected in several municipalities of Agricultural Regions III of Pamplona and VI of Ribera Alta-Aragón, in Navarra, Spain, in 2017.