Un enfoque de aprendizaje profundo para la cartografía automática de plantaciones de álamo utilizando imágenes de Sentinel-2

Los álamos son una de las especies de árboles de rápido crecimiento más extendidas utilizadas para plantaciones forestales. Debido a sus características distintivas (rápido crecimiento y corta rotación) y la dependencia del mercado de precios de la madera, las plantaciones de álamo están caracterizadas por grandes fluctuaciones interanuales en su extensión y distribución. Por lo tanto, el monitoreo de las plantaciones de álamos requiere una actualización frecuente de la información, lo que no es factible a través de los Inventarios Nacionales de Bosques debido a su periodicidad, pero es alcanzable mediante aplicaciones de sistemas de teledetección. En particular, la nueva misión de Sentinel-2, con un período de revisión de 5 días, representa una herramienta potencialmente eficiente para satisfacer esta necesidad. En este trabajo, presentamos un enfoque de aprendizaje profundo para el mapeo de plantaciones de álamo utilizando series temporales de Sentinel-2. Se disponía de un conjunto de datos de referencia de plantaciones de álamo para un gran área de estudio de más de 46,000 km2 en el norte de Italia, que sirvió como datos de entrenamiento y prueba. Se compararon dos métodos de clasificación: (1) una red neuronal completamente conectada (también llamada perceptrón multicapa), y (2) una regresión logística tradicional. El rendimiento de los dos enfoques se estimó mediante un procedimiento de bootstrapping con un intervalo de confianza del 99%. Los resultados indicaron para el aprendizaje profundo una tasa de error de omisión del 2.77%±2.76%, mostrando mejoras en comparación con la regresión logística, cuya tasa de error de omisión fue del 8.91%±4.79%.