Development of remote sensing methodologies for the identification of sustainable agricultural practices
Date
Authors
Director
Publisher
Project identifier
Abstract
El objetivo del estudio fue desarrollar y validar metodologías de teledetección para identificar prácticas agrícolas sostenibles, centrándose específicamente en la Agricultura de Conservación (AC). Se analizaron datos de Sentinel-1 y Sentinel-2 para evaluar su eficacia a la hora de detectar parcelas de AC y diferenciarlas de las convencionales. Se trabajó con un conjunto de parcelas de cereal en AC y otras comparables manejadas de forma convencional. Se evaluó la significancia de las diferencias entre ambos casos para bandas e índices de Sentinel-2 y para los coeficientes de retrodispersión de Sentinel-1. Los resultados mostraron diferencias significativas principalmente para las bandas e índices basados en el infrarrojo medio, en el periodo entre la cosecha y la siembra. Los coeficientes de retrodispersión de Sentinel-1 también mostraron diferencias significativas, aunque con una mayor variabilidad. Se utilizó el algoritmo Random Forests (RF) para clasificar parcelas de AC y convencionales, obteniendo una fiabilidad del 88% cuando se utilizó como información de partida tanto Sentinel-1 como Sentinel-2. Estos resultados ponen en valor el potencial de las tecnologías de teledetección como herramienta para el seguimiento de prácticas agrícolas sostenibles de forma precisa y fiable.
The aim of the study was to develop and validate remote sensing methodologies to identify sustainable agricultural practices, with a specific focus on Conservation Agriculture (CA). Sentinel-1 and Sentinel-2 data were analysed to assess their effectiveness in detecting CA parcels and differentiating them from conventional ones. A set of cereal parcels in CA and comparable conventionally managed cereal parcels were used. The significance of the differences between the two cases was evaluated for Sentinel-2 bands and indices and for Sentinel-1backscatter coefficients. The results showed significant differences mainly for the mid-infrared based bands and indices in the period between harvest and sowing. Sentinel-1 backscatter coefficients also showed significant differences, although with a higher variability. The Random Forest (RF) algorithm was used to classify CA and conventional parcels, with an accuracy of 88% when both Sentinel-1 and Sentinel-2 were used as input data. These results highlight the potential of remote sensing technologies as a tool for monitoring sustainable agricultural practices accurately and reliably.
Description
Keywords
Department
Faculty/School
Degree
Doctorate program
item.page.cita
item.page.rights
Los documentos de Academica-e están protegidos por derechos de autor con todos los derechos reservados, a no ser que se indique lo contrario.