Recibido: 19/01/2017 REVISTA DE TELEDETECCIN

Aceptado: 15/05/2017 Asociacin Espaola de Teledeteccin

(2017) 48, 55-66
ISSN 1133-0953
EISSN 1988-8740
https://doi.org/10.4995/raet.2017.7133

Clasificacin de usos del suelo a partir de imgenes Sentinel-2

Borrs, J.*1, Delegido, J.1, Pezzola, A.2, Pereira, M.1, Morassi, G.1, Camps-Valls, G.1
1
Laboratorio de Procesado de Imgenes, Universidad de Valencia. C/ Catedrtico Jos Beltrn, 2. 46980 Paterna, Valncia - Espaa.
2
Instituto Nacional de Tecnologa Agropecuaria. Estacin Experimental Hilario Ascasubi. Laboratorio de Teledeteccin y SIG.
Ruta Nac. 3 sur km. 794. (8142) Hilario Ascasubi, Argentina.

Resumen: Sentinel-2 (S2) es un nuevo satlite de la ESA que cuenta con 13bandas proporcionando imgenes de alta
calidad radiomtrica y excelente resolucin espacial (10y 20m) ideal para trabajos de clasificacin. En este trabajo
se han abordado dos objetivos: determinar el mejor mtodo de clasificacin con S2, y cuantificar su mejora respecto
a otras misiones operativas, como SPOT. Para ello se han seleccionado cuatro clasificadores (LDA, RF, rboles de
decisin, K-NN) que se han aplicado en dos zonas agrarias: una en la huerta de Valencia (Espaa) y otra en la regin
de Buenos Aires (Argentina). Se han probado todos los clasificadores usando, por una parte, todas las bandas de S2,
y por otra usando slo las cuatro que coinciden con SPOT. En todos los casos se han aplicando porcentajes entre el
10y el 50% de datos de entrenamiento y usado el resto de datos como validacin. Como resultado se ha generado
un mapa de usos del suelo a partir del mejor clasificador, basndose en el ndice Kappa, proporcionando informacin
cientficamente relevante como es el rea ocupada por cada una de las clases.
Palabras clave: clasificacin, teledeteccin, usos del suelo, ndice Kappa, Sentinel-2.

Land use classification from Sentinel-2 imagery

Abstract: Sentinel-2(S2), a new ESA satellite for Earth observation, accounts with 13bands which provide high-quality
radiometric images with an excellent spatial resolution (10and 20m) 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 S2bands and, on the other hand, only selecting those bands from
S2closer 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.
Keywords: classification, remote sensing, land use, Kappa Index, Sentinel-2.

1.Introduccin se da en un determinado lugar, e incluye usos

como residencial, comercial, industrial, agrcola,
El uso del suelo es un criterio socioeconmico etc., pudiendo estar estas categoras divididas en
que hace referencia a la actividad dominante que niveles ms especficos. La cobertura del suelo es

To cite this article: Borrs, J., Delegido, J., Pezzola, A., Pereira, M., Morassi, G., Camps-Valls, G. 2017. Land use classification from Sentinel-2
imagery. Revista de Teledeteccin, 48, 55-66. https://doi.org/10.4995/raet.2017.7133
*
Autor para la correspondencia: Juboher@alumni.uv.es
Attribution-NonCommercial-NoDerivatives 4,0 International (CC BY-NC-ND 4,0) 55
 Borrs et al.
un indicador biofsico que describe los materiales
que cubren el territorio, como por ejemplo, asfal-
to, vegetacin, suelo desnudo, agua, etc.
Segn Comber etal. (2005), la cobertura del suelo
es entendida de forma diferente segn las discipli-
nas cientficas. Los eclogos definen la cobertura
del suelo segn la presencia y abundancia de espe-
cies vegetales, mientras que para los edaflogos es
un indicador de la composicin y los tipos de sue-
los. Por otra parte, en la bibliografa en castellano
existe el trmino ocupacin del suelo que segn de dos zonas agrarias diferentes: una en la huerta
Lpez Gonzlez etal. (2002) hace referencia a
la cobertura, entendida como los materiales que
cubren el territorio, mientras que otros autores la
consideran como una combinacin de los concep-
tos de uso y cobertura (Del Bosque etal., 2005).
Es muy habitual la utilizacin conjunta de los
trminos uso y cobertura, ya que, en funcin del
objetivo final de la cartografa, se definen leyendas
donde coexisten clases que corresponden a usos
con otras que corresponden a coberturas.
A lo largo de los ltimos aos ha aumentado el
inters y la necesidad de disponer de una infor-
macin de usos y coberturas del territorio fiable
y actualizada, siendo numerosos los proyectos de
carcter local, nacional e internacional cuyo ob-
jetivo es la creacin y actualizacin de bases de
datos de usos y ocupacin del suelo.
Los procedimientos metodolgicos para llevar
a cabo estas tareas requieren un alto grado de
intervencin humana, ya que estn basados casi
ntegramente en la fotointerpretacin de imge-
nes, o su comparacin con otras imgenes u otra
base de datos. Sin embargo las recientes mejoras
en la calidad de los sensores, tanto aerotransporta-
dos como espaciales, han supuesto un incremento
significativo en la disponibilidad de imgenes de
alta resolucin.
Entre las nuevas misiones satelitales destaca
Sentinel-2(S2). El lanzamiento del primer satlite
S2en 2015por la ESA (European Space Agency)
ha despertado un gran inters en la comunidad
cientfica debido a sus mltiples aplicaciones, pues
su alta resolucin espacial, temporal, espectral
y radiomtrica, as como la distribucin gratuita
de los datos adquiridos abren una nueva era en la
observacin de la Tierra (ESA, 2015), mejorando
las misiones operativas actuales, como pueden ser
Landsat o SPOT.
56 REVISTA DE TELEDETECCIN (2017) 48, 55-66
El primer objetivo del presente trabajo es
cuantificar la mejora en las clasificaciones con
S2respecto a otras misiones como SPOT, aplican-
do diferentes mtodos con diferentes porcentajes
de entrenamiento. El segundo objetivo es estudiar
qu clasificador automtico es mejor para cla-
sificar las imgenes de S2, individualmente y
combinando todos los clasificadores, para calcular
la cantidad de cada cultivo que existe en una zona.
Usaremos para ello datos de campo e imgenes
cercana a Valencia (Espaa), y otra en una zona
agraria del sur de Argentina.
2.Mtodos
En primer lugar mostraremos las diferentes tcni-
cas de clasificacin de imgenes seleccionadas y
posteriormente los indicadores de calidad usados
en este trabajo.
2.1.Tcnicas de clasificacin
La clasificacin supervisada parte de un grupo de
elementos pertenecientes a la imagen, conocidos
como reas de entrenamiento, de los que se co-
noce con un nivel de exactitud alto la clase a la
que pertenecen. La clasificacin del conjunto de la
imagen es el proceso por el que a cada elemento
contenido en la imagen se le asigna una categora,
basndose en los atributos contenidos en las reas
de entrenamiento. La clasificacin supervisada
fuerza el resultado para que se corresponda con
coberturas del suelo definidas por el usuario, y
por tanto, de su inters, pero no garantiza que las
clases sean separables desde el punto de vista es-
tadstico (Rees, 2005).
Debido al inters de la clasificacin, se han de-
sarrollado un elevado nmero de clasificadores
automticos que pueden ser divididos en cuatro
grupos (Hastie etal., 2009). En este trabajo se ha
elegido un clasificador de cada grupo, seleccionan-
do los ms utilizados: un clasificador paramtrico
lineal, un clasificador no paramtrico que organiza
de forma jerrquica el conjunto de decisiones,
un clasificador no paramtrico que depende de
los vecinos ms cercanos y un clasificador no
paramtrico basado en rboles de decisin. En
concreto los mtodos seleccionados son LDA
(Linear Discriminant Analysis) (Camps-Valls

etal., 2008), TREE (rbol de decisin) (Breiman,
1984), K-NN (Camps-Valls, 2016), y RF (Random
Forest) (Breiman, 2001).
LDA o Linear Discriminant Analysis es una
tcnica de clasificacin basada en el aprendizaje
supervisado. La idea central de LDA es obtener una
proyeccin de los datos entrantes, con el fin de que
la separabilidad de las clases sea la mayor posible.
Cuando las clases estn bien separadas, las esti-
maciones de parmetros de modelos de regresin
logstica son sorprendentemente inestables, en
cambio el LDA no sufre de este problema (James
etal., 2015). Es una tcnica supervisada ya que
para poder buscar esa proyeccin se debe entrenar
el sistema con patrones etiquetados (Camps-Valls
etal., 2008). El modelo de anlisis discriminan-
te utiliza un algoritmo que busca funciones o
vectores discriminantes, esto es, combinaciones
lineales o cuadrticas de las variables originales
que maximizan la varianza de las distribuciones
entre clases a la vez que minimizan las varianzas
inter-clases. Una vez determinada la funcin
discriminante es posible establecer fronteras ex-
plcitas que separan las regiones del espacio que
pertenecen a cada categora, mediante una recta,
o un plano o hiperplano, donde se igualan las
probabilidades de pertenencia a una u otra clase.
Esta lnea recta o plano es ortogonal a la funcin
discriminante encontrada. LDA es un clasificador
con un buen historial de proyectos debido a que
los datos slo pueden soportar lmites de decisin
simples, tales como lineal o cuadrtico, y las esti-
maciones proporcionadas a travs de los modelos
gaussianos son estables (Hastie etal., 2009).
Los rboles de decisin (TREE) son mtodos no
paramtricos en clasificacin. Un rbol representa
un conjunto de condiciones que se organizan de
forma jerrquica, y que se aplican sucesivamente
desde una raz hasta llegar a un nodo terminal u
hoja del rbol (Breiman, 1984; Quinlan, 1993).
Los rboles de decisin se representan mediante
un grfico con estructura arbrea que ha sido indu-
cido desde un conjunto de datos de entrenamiento.
Todo rbol de decisin comienza con un nodo
al que pertenecen todos los casos de la muestra
que se quiere clasificar. A este nodo se le deno-
mina raz. Adems del nodo o raz, en un rbol
de decisin pueden distinguirse nodos internos
y nodos terminales, que tambin se denominan
hojas. Los nodos internos se corresponden con
Clasificacin de usos del suelo a partir de imgenes Sentinel-2
una condicin elegida en el conjunto de atributos
y cada ramificacin de un nodo interno representa
un valor del dominio de la condicin del atributo.
Los nodos terminales u hojas contienen una nica
etiqueta, que corresponde, en este caso, a la cu-
bierta del suelo. Desde la raz del rbol hasta una
determinada hoja, el camino conforma una regla
de clasificacin (Rodrguez-Galiano etal., 2012).
Si el objetivo final es un resultado de clasificacin
tomando valores desde 1hasta las k clases, los
nicos cambios necesarios en el algoritmo del
rbol pertenecen a los criterios para seleccionar
nodos (Hastie etal., 2009). Los rboles de deci-
sin predicen que cada observacin pertenece a
la clase de entrenamiento ms frecuente en dicha
regin de observaciones (James etal., 2015).
El algoritmo de los k vecinos ms prximos (K-
NN) es un mtodo no paramtrico en clasificacin
y regresin. Estima la clase de un individuo (pxel,
parcela, etc.) en funcin de los k vecinos ms
cercanos mediante un sistema de seleccin, donde
la mayora determina la clase, es decir, cada ele-
mento de entrenamiento tiene una etiqueta de clase
asociada, y la clasificacin de un punto depender
del elemento de entrenamiento que tenga ms
cercano. El ms cercano es generalmente definido
por la distancia Eucldea en el espacio de caracte-
rsticas, despus de que cada caracterstica se haya
normalizado para tener la media 0 y la varianza
1en el dato de entrenamiento, ya que es posible
que tengan diferentes unidades. Adems la distan-
cia Eucldea es apropiada para las caractersticas
cuantitativas. El modelo K-NN est basado en la
memoria, y no requiere ningn otro modelo para
estar entrenado. A pesar de su simplicidad, K-NN
suele ser exitoso cuando cada clase tiene muchos
elementos de entrenamiento y el lmite de decisin
es muy irregular (Hastie etal., 2009).
El algoritmo Random Forest (RF) que fue pro-
puesto por Breiman (2001), construye una gran
coleccin de rboles des-correlacionados, y lue-
go los promedia. Segn James etal. (2015), los
Random Forest proporcionan una mejora respecto
a los rboles de decisin por el hecho de construir
estos rboles des-correlacionados. Se trata de un
algoritmo no paramtrico de aprendizaje autom-
tico ampliamente utilizado, que genera y combina
un conjunto de rboles de decisin, donde cada
uno se genera usando un subconjunto de elemen-
tos de entrenamiento diferente en cada iteracin,
ASOCIACIN ESPAOLA DE TELEDETECCIN 57
 Borrs et al.
y los nodos se dividen utilizando la mejor de las
variables de una muestra aleatoria de estas. La
clase de salida se obtiene como la seleccin de
la mayora de las salidas de un gran nmero de
rboles individuales (Breiman, 2001), es decir,
cada rbol ha votado la clase que consideraba, y
luego se ha clasificado usando el voto de la mayo-
ra (Hastie etal., 2009). El algoritmo produce una
estimacin objetiva interna de la generalizacin de
error, utilizando las llamadas out-of-bag, el cual
es un mtodo para medir el error de prediccin
de los Random Forest cuando existen muestras
que no estn incluidas en el subconjunto de en-
trenamiento. El muestreo aleatorio conduce a una
mayor estabilidad y una mejor exactitud de la cla-
sificacin en comparacin con un enfoque nico
de un rbol de decisin. Este clasificador tambin
es relativamente insensible a la cantidad de datos
de entrada y multicolinealidad de los datos (Hastie
etal., 2009). RF se ha aplicado con xito en varios
problemas de regresin y clasificacin de los datos
de observacin de la Tierra y en general logra bue-
nos resultados (Gislason etal., 2006).
Inicialmente se puede suponer que los cuatro
algoritmos seleccionados sern bastante precisos
y de su aplicacin se obtendrn resultados acep-
tables. Pero adems, en este trabajo se pretende
demostrar que ningn algoritmo de clasificacin
independiente es el ptimo y que es posible obte-
ner mejores resultados por la combinacin de dos
o ms algoritmos. La combinacin de clasifica-
dores se realiz mediante mximo voto (es decir,
cada pxel es clasificado con todos los mtodos
y al final se asigna a la clase que ms veces se
repite) por resultar muy sencilla de implementar y
robusta en general.
2.2.Indicadores de calidad de los
clasificadores
Un tema clave es la evaluacin de fiabilidad de
los procedimientos empleados y su calidad en los
resultados finales. La calidad final de un mtodo
de clasificacin o de combinacin de clasificado-
res, se puede extraer a partir de un coeficiente de
precisin, de forma que se otorga mayor confianza
a aquel clasificador que haya demostrado mayor
acierto. En este trabajo usaremos la matriz de con-
fusin y derivaremos distintos ndices de calidad
a partir de ella.
58 REVISTA DE TELEDETECCIN (2017) 48, 55-66
La matriz de confusin, tambin llamada tabla
de contingencias, consta de una tabla de doble
entrada, que confronta los valores reales o verdad-
terreno con los resultados de la clasificacin. La
diagonal de la matriz nos muestra la cantidad de
pxeles reales y de la clasificacin que coinciden
por categora, mientras que los restantes, nos
vienen a decir aquellos que se confunden con
otras categoras. Es decir, en sentido vertical se
representa el porcentaje de pxeles reales que se
confundieron en la verdad-terreno, y en sentido
horizontal el porcentaje de pxeles despus de la
clasificacin que se han confundido.
Como medida de precisin, se ha utilizado el
ndice Kappa, propuesto por Cohen (1960). El
ndice Kappa se usa para evaluar la concordancia
de mtodos cuyo resultado es categrico, con dos
o ms clases. Este ndice representa la proporcin
de acuerdos observados respecto del mximo
acuerdo posible ms all del azar. En la interpre-
tacin del ndice Kappa hay que tener en cuenta
que el ndice depende del acuerdo observado, pero
tambin de la prevalencia del carcter estudiado y
de la simetra de los totales marginales (Abraira,
2001).
Para cuantificar la mejora de S2respecto a SPOT,
calcularemos el ndice Kappa con todas las bandas
de S2y con las de SPOT, usando diferentes por-
centajes de entrenamiento (10, 20, 30, 40y 50%
de datos para entrenamiento y el resto de valida-
cin). La divisin entre datos de entrenamiento y
validacin se realiza al azar. Para cada porcentaje
se han aplicado los cuatro clasificadores, y la
combinacin de ellos. Adems calcularemos el in-
tervalo de confianza para un nivel de significacin
del 95%, para determinar cmo la mejora obtenida
es estadsticamente significativa.
3.Datos
Los datos de los que se parte en este trabajo son
por una parte los datos de campo, obtenidos de la
informacin sobre el terreno de las dos zonas en
estudio, y por otra parte las imgenes de telede-
teccin de S2.
3.1.Datos de campo
Las dos zonas en estudio son dos reas distantes
entre s, una situada en el continente europeo y la
 Clasificacin de usos del suelo a partir de imgenes Sentinel-2

otra en el americano. La primera corresponde a la requiriendo un buen sistema de drenaje para evitar
zona de huerta ubicada entre Valencia, Burjassot, los problemas de salinidad originados por la des-
Moncada y Alboraia, situada en la zona norte del embocadura del Ro Curac sobre el Ro Colorado.
rea metropolitana de Valencia (Espaa), en la El aporte de sales de esta agua al Colorado es una
comarca de lHorta Nord (Figura1). enorme preocupacin para el Valle Bonaerense
del Ro Colorado. El principal cultivo de esta zona
La superficie es casi llana y se encuentra a unos
es la cebolla, complementado con girasol, maz y
50m de altitud sobre el nivel del mar. Como toda
alfalfa, entre otros cultivos (Pezzola, 2014).
la comarca, posee un clima mediterrneo. En ella
se cultivan principalmente ctricos y hortalizas. En la zona de estudio de la huerta de Valencia,
En cada parcela se pueden obtener 2o 3cosechas se tomaron los datos los das 1y 2de Mayo de
al ao de diferentes cultivos, por lo que en cada 2016, coincidiendo con una imagen de S2des-
poca del ao se observan diferentes especies pejada de la zona (del 1 de Mayo). Para el
vegetales. Con una extensa red de acequias cons- trabajo se seleccionaron y etiquetaron 14 clases
truidas en el periodo islmico, se canaliza el agua con un total de 91parcelas con diferentes culti-
del ro Turia para llevar a cabo el regado que se vos o suelos: 2 parcelas de suelo abandonado,
realiza por inundacin. Las parcelas suelen tener 11parcelas de suelo desnudo, 4parcelas de
entre 50y 100m aproximadamente de lado. alfalfa (Medicago sativa), 9parcelas de asfalto,
11 parcelas de cauce seco, 6 parcelas de cebolla
La segunda rea de estudio se corresponde al
(Allium cepa), 1parcela de coles (Brassica ole-
Valle Bonaerense del Ro Colorado (VBRC), en
racea), 3parcelas de lechuga (Lactuca sativa L.),
Argentina. La regin se ubica al sudoeste de la
9parcelas de naranjo (Citrus sinensis), 1parcela
provincia de Buenos Aires sobre los partidos de
de palmeras (Phoenix roebelenii), 13parcelas de
Villarino y Patagones (Figura2). Est formada por
las localidades de Pedro Luro, Hilario Ascasubi,
Villalonga, Juan A. Pradere y Mayor Buratovich.
Se encuentra ubicada aproximadamente a 100km
al sur de la ciudad de Baha Blanca y a 800km de
la Capital Federal, Buenos Aires.
El VBRC tiene un clima semirido estepario
templado. Los suelos son muy variados con
predominio de los suelos arenosos que permiten
el desarrollo de una amplia gama de cultivos,

Figura 1. Mapa de ubicacin de la huerta de Burjassot, Figura 2. Mapa de ubicacin del VBRC, Buenos Aires,
Valncia. Argentina.

ASOCIACIN ESPAOLA DE TELEDETECCIN 59

 Borrs et al.
patata (Solanum tuberosum), 9parcelas de cons-
trucciones, 3parcelas de viveros y 9parcelas de
alcachofa (Cynara scolymus). En cada una de las
91parcelas se ha tomado un ROI (region of inter-
est) de entre 12y 16pxeles centrales, de manera
que se dispone al final de 1387pxeles como base
de datos de entrenamiento y validacin.
En el estudio del Valle Bonaerense del Ro
Colorado, la toma de los datos se realiz en el mes
de Marzo los das 2y 17. En la campaa argen-
tina fueron seleccionadas y etiquetadas 11clases
con un total de 190parcelas con diferentes cul-
tivos o suelos: 41parcelas de agua, 9parcelas de
viveros, 13 parcelas de caminos, 14 parcelas de
construcciones, 17parcelas de pasto natural (hier-
ba), 16 parcelas de maz (Zea mays), 3 parcelas
de girasoles (Helianthus annuus), 23parcelas de
cebolla (Allium cepa), 17 parcelas sin cultivo,
23parcelas de alfalfa (Medicago sativa), y 14par-
celas de agropiro (Thinopyrum ponticum). La
imagen S2 usada para clasificar los cultivos fue
seleccionada el 16de Enero, pues en esa poca
los cultivos se encontraban en pleno desarrollo.
En cada una de las 190parcelas se ha tomado un
ROI de entre 20 y 50 pxeles centrales, pues las
parcelas son mucho ms grandes que en la huerta
de Valencia, de manera que se dispone al final de
8032pxeles como base de datos de entrenamiento
y validacin.
En las dos reas de estudio se han usado los datos
de campo como datos de entrenamiento y valida-
cin, realizando las particiones de entrenamiento
y validacin-test mediante asignacin aleatoria de
los pxeles. El hecho de que el nmero de pxeles
de cada base de datos sea superior a 1200asegura
que al dividirlos aleatoriamente en dos grupos ten-
gamos pxeles de las distintas clases distribuidos
por toda la zona. Sin embargo, solo en el rea de
la huerta de Burjassot-Valencia se hizo el estudio
comparando los cuatro mtodos y cuantificando la
mejora respecto a SPOT. Una vez que se ha deter-
minado que el mejor clasificador es el K-NN se ha
aplicado este mtodo a ambas imgenes en las dos
zonas de estudio.
3.2.Descripcin de datos SENTINEL-2
Las imgenes usadas en este trabajo fueron toma-
das por S2, misin que forma parte del Programa
Coprnico para la Observacin de la Tierra de la
60 REVISTA DE TELEDETECCIN (2017) 48, 55-66
ESA. Este programa fue diseado para suministrar
informacin actualizada y de fcil acceso para me-
jorar la gestin del medio ambiente, y comprender
y mitigar los efectos del cambio climtico. El
programa tiene planificadas cinco misiones y cada
una est conformada por varios satlites.
La misin S2se basa en una constelacin de dos
satlites. El primero, S2A, fue lanzado el 23 de
junio de 2015. El S2B fue lanzado el 7de marzo
de 2017. El par de satlites S2entregar datos de
todas las superficies de la Tierra con un tiempo
efectivo de revisita en el Ecuador de cinco das.
S2proporciona datos para la generacin de pro-
ductos tales como: mapas de usos del suelo, mapas
de cambios a lo largo del tiempo, mapas de riesgo,
e imgenes rpidas para prevencin de desastres.
Tambin proporciona datos para la generacin
de variables biofsicas de la vegetacin como la
cobertura vegetal, el contenido de clorofila o el
contenido de agua en las hojas. Este satlite cuen-
ta con un instrumento de captura multiespectral
mejorando los datos de otras misiones operativas
(Drusch etal., 2012).
El instrumento multiespectral (MSI) a bordo de
S2 cuenta con 13 bandas espectrales, las cua-
les van desde el espectro visible y el infrarrojo
cercano (NIR), hasta el infrarrojo de onda corta
(SWIR). Entre ellas hay cuatro bandas de 10 m
(tres del visible y una del NIR), seis bandas de
20 m, y tres bandas de 60 m de resolucin para
correccin atmosfrica y deteccin de nubes.
S2incorpora tres nuevas bandas en la regin del
red-edge que mejora la configuracin del sensor
para estudios de aguas y vegetacin (Delegido
etal., 2011). Aunque est previsto que S2pro-
porcione productos de alto nivel (Nivel 2b/3),
actualmente los datos S2 disponibles son un
producto de radiancia TOA formado por un con-
junto de grillas (granules) contiguas de 100km2,
correspondientes al nivel 1c. Para el procesado de
los datos 1c la ESA ha desarrollado el software
Sen2Cor (Sentinel 2 Corrections), basado en un
conjunto de tcnicas para la correccin atmosf-
rica y un mdulo de clasificacin de escena (ESA,
2016). El resultado es un producto de reflectivida-
des BOA, correspondiente al nivel 2a, adems de
un mapa de espesor ptico de aerosoles, un mapa
de vapor de agua y un mapa de clasificacin de
la escena junto con los indicadores de calidad.
 Clasificacin de usos del suelo a partir de imgenes Sentinel-2

Sen2Cor se basa en una amplia base de look-up imagen con todas las bandas S2, y en la Tabla2con
tables que son compiladas a partir del modelo solo las cuatro bandas de S2 que coinciden con
de transferencia radiativa atmosfrica basada en SPOT (que son las 3del visible y la del NIR). Tal
libRadtran1. como se aprecia en la Tabla 1, cuando usamos
todas las bandas, todos los clasificadores han dado
El satlite S2 mejora misiones operativas como
un resultado bueno, pero algunos han dado incluso
Landsat o SPOT proporcionando bandas ms
mejor que la combinacin, como son el K-NN y
estrechas y con canales adicionales para evaluar
el RF.
vegetacin, y bandas dedicadas a la mejora de la
correccin atmosfrica y la deteccin de nubes Tabla 1. ndice Kappa para la imagen de Burjassot con to-
cirrus. La rbita de este satlite es heliosincrnica das las bandas S2, con porcentajes de pxeles aplicados a
y se encuentra a 786 km de altitud, tomando la entrenamiento quedando el resto como validacin.
imagen de una zona a las 10:30am. Esta hora local
Comb. Comb.
es la mejor para reducir al mnimo la cobertura de Sin Sin LDA
nubes y asegurar una iluminacin del Sol plena, y % LDA K-NN Tree RF Comb. LDA ni Tree
adems est cerca de la hora de paso de Landsat y 10 0,76 0,82 0,62 0,84 0,86 0,82 0,84
casi idntica a la del SPOT-5. El satlite est dise- 20 0,81 0,88 0,75 0,88 0,89 0,88 0,89
ado para una vida til de 7aos, con propulsor 30 0,80 0,91 0,81 0,91 0,91 0,91 0,92
de 12aos de operaciones, incluyendo la salida 40 0,81 0,94 0,82 0,94 0,92 0,93 0,94
final de rbita. 50 0,80 0,96 0,87 0,95 0,95 0,96 0,96
La misin est dedicada a una cobertura plena
de las superficies terrestres (incluyendo las islas
Si analizamos por partes las Tablas 1y 2, observa-
mayores) a partir de los 56 S (Amrica del Sur)
mos que el clasificador LDA, nos da un resultado
hasta los 83 N (Groenlandia).
Kappa que corresponde a un grado de acierto sus-
Para la obtencin de datos, la ESA ha desarrollado tancial, tanto con 4bandas como con todas.
un portal en el que se tiene acceso gratuitamente
a las imgenes del satlite Sentinel-2, pudiendo Tabla 2. ndice Kappa para la imagen de Burjassot con
acceder tambin a las imgenes de Sentinel-1. 4bandas SPOT (RGB y NIR), con porcentajes de pxeles
aplicados a entrenamiento quedando el resto como valida-
Las imgenes utilizadas son del da 1de Mayo de cin.
2016para Valencia, y del 13de Enero de 2016para
Argentina. Fueron elegidas por no tener nubes y Comb. Comb.
fueron corregidas atmosfricamente con Sen2cor. Sin Sin LDA
% LDA K-NN Tree RF Comb. LDA ni Tree
10 0,70 0,79 0,61 0,77 0,78 0,77 0,79
4.Resultados 20 0,71 0,85 0,75 0,82 0,83 0,83 0,85
En esta seccin se mostrarn los resultados de los 30 0,71 0,89 0,78 0,88 0,86 0,88 0,90
ndices Kappa calculados con todos los clasifica- 40 0,72 0,91 0,79 0,90 0,89 0,90 0,91
dores para ambas imgenes. Despus obtendremos 50 0,72 0,94 0,82 0,92 0,91 0,92 0,94
la matriz de confusin para analizar los resultados
obtenidos. Posteriormente se mostrarn los mapas
El clasificador K-NN da unos resultados con un
de usos del suelo obtenidos con el mejor clasifica-
grado de acierto casi perfecto en todas las clasifi-
dor para ambas zonas. Y por ltimo, se calcular
caciones, excepto con el 10% de entrenamiento con
el rea ocupada por cada cultivo en las zonas de
la imagen de cuatro bandas, que da un ndice de
estudio.
0,79, considerado sustancial con el acierto. Adems
empieza a dar mejores resultados que la combina-
4.1.ndice Kappa cin a partir del 40% de datos de entrenamiento con
todas las bandas, mientras que con cuatro bandas,
En la Tabla 1 se muestran los ndices Kappa
da siempre mejor que la combinacin.
para la imagen de Espaa, aplicando todos los
clasificadores mencionados, y los porcentajes El clasificador Tree, cuando se clasifica con todas
de entrenamiento entre el 10y el 50%, para una las bandas, da un grado de acierto sustancial para

ASOCIACIN ESPAOLA DE TELEDETECCIN 61

 Borrs et al.

el 10 y el 20% de entrenamiento, y a partir del se repiti la clasificacin con la combinacin,

30% tiene un grado de acierto casi perfecto. Con pero esta vez eliminando de la combinacin
cuatro bandas el resultado es ms desfavorable, tambin el clasificador Tree, ya que despus del
con lo que el grado de acuerdo es sustancial hasta LDA, era el que peores resultados proporcionaba.
el 40% de entrenamiento, y solo con el 50% se En la octava columna de las Tablas 1y 2tenemos
puede considerar casi perfecto. Este clasificador los resultados de la combinacin K-NN y RF, es
siempre proporciona peores resultados que la decir, sin el clasificador LDA y el Tree.
combinacin.
Tras haber eliminado los dos peores clasificado-
El clasificador RF da un resultado de acierto casi res, se observa que la combinacin ha mejorado
perfecto con las bandas S2, y tambin con las tanto con todas las bandas como con cuatro,
cuatro bandas SPOT, excepto con el 10% de en- respecto a los clasificadores K-NN y RF. En
trenamiento. A partir de 30% da mejor resultado algunos porcentajes la combinacin supera a
que la combinacin. los clasificadores, y en otros los iguala, aunque
si aadisemos decimales se podra comprobar
Tras este primer anlisis ya se puede observar
cmo ha mejorado ligeramente.
cmo los resultados obtenidos con todas las
bandas son mejores que con cuatro bandas. Pero En la Tabla 3 se muestra la mejora obtenida en
debido a que se quera demostrar que la combina- la clasificacin realizndola con todas las bandas
cin deba ser mejor que cualquiera de ellos, y se de S2 respecto a realizarla con solo las cuatro
comprob que no siempre se cumpla, se repiti que coinciden con SPOT. Se puede observar que
la clasificacin eliminando el peor de ellos, el S2permite mejorar la clasificacin realizada con
cul es el LDA, tanto con todas las bandas como SPOT entre el 2y el 5%, usando la combinacin
con cuatro. K-NN y RF. En las Tablas 4y 5se muestra cmo
el intervalo de confianza da unos valores estads-
En la sptima columna de las Tablas 1y 2mos-
ticamente significativos.
tramos nuevamente todos los clasificadores, pero
con la combinacin realizada sin el clasificador Tabla 3. Cuantificacin de la mejora de S2 respecto SPOT,
LDA. En la clasificacin con todas las bandas, con porcentajes de pxeles aplicados a entrenamiento que-
vemos cmo la combinacin ha mejorado respec- dando el resto como validacin.
to a todos los dems clasificadores, pero todava Comb. sin
hay porcentajes en los que queda por debajo de % LDA K-NN Tree RF LDA ni Tree
algunos de los clasificadores. Por ejemplo el cla- 10 0,06 0,03 0,01 0,06 0,05
sificador K-NN a partir del 40% arroja mejores 20 0,10 0,03 0,01 0,06 0,04
resultados que la combinacin, y el RF tambin, 30 0,09 0,02 0,03 0,03 0,02
mientras que en la clasificacin con cuatro bandas 40 0,09 0,02 0,03 0,03 0,03
se aprecia cmo la combinacin ya da mejores 50 0,08 0,02 0,05 0,03 0,02
resultados que el clasificador RF, pero en cambio
el clasificador K-NN sigue siendo mejor que la
4.2.Mapas de usos del suelo
combinacin en todo momento.
Como todava exista resultados en los que la En la Figura 3se muestra el mapa de usos del suelo
combinacin de clasificadores daba resultados para la huerta de Burjassot en Valencia (Espaa).
ms bajos que los clasificadores individualmente, El mapa se ha construido mediante el clasificador

Tabla 4. Intervalos de confianza para el 95% sobre la imagen de Burjassot con todas las bandas de S2, con porcentajes de
pxeles aplicados a entrenamiento quedando el resto como validacin.

% LDA K-NN Tree RF Comb. sin LDA ni Tree

10 0,76 0,83 0,82 0,86 0,63 0,68 0,84 0,87 0,84 0,87
20 0,81 0,85 0,84 0,88 0,76 0,80 0,87 0,91 0,89 0,92
30 0,80 0,84 0,91 0,94 0,81 0,85 0,90 0,93 0,91 0,94
40 0,81 0,85 0,93 0,95 0,82 0,86 0,93 0,95 0,93 0,96
50 0,80 0,84 0,95 0,97 0,87 0,90 0,95 0,97 0,95 0,97

62 REVISTA DE TELEDETECCIN (2017) 48, 55-66

 Clasificacin de usos del suelo a partir de imgenes Sentinel-2

Tabla 5. Intervalos de confianza para el 95% sobre la imagen de Burjassot con las 4 bandas de SPOT (RGB y NIR) , con
porcentajes de pxeles aplicados a entrenamiento quedando el resto como validacin.

% LDA K-NN Tree RF Comb. sin LDA ni Tree

10 0,70 0,75 0,79 0,84 0,62 0,67 0,78 0,82 0,72 0,77
20 0,71 0,76 0,85 0,89 0,75 0,80 0,82 0,86 0,83 0,87
30 0,72 0,76 0,89 0,92 0,79 0,83 0,88 0,91 0,88 0,91
40 0,73 0,77 0,91 0,94 0,79 0,83 0,90 0,93 0,90 0,93
50 0,73 0,77 0,93 0,96 0,82 0,86 0,92 0,94 0,92 0,95

K-NN, ya que era el mejor clasificador, y con un 4.3.Matriz de confusin

50% de entrenamiento, dando un ndice Kappa
En la Tabla 6se muestra la matriz de confusin
de0,94.
para la zona de estudio de Espaa, con las catorce
categoras representadas, con la cantidad de los
pxeles para cada clase en porcentaje.
Tras calcular la precisin global se obtuvo que
el 96,52% de las muestras estaban correctamente
clasificadas. Si analizamos la tabla 6 se aprecia
cmo las clases mejor etiquetadas y clasificadas
han sido el suelo abandonado, la alfalfa y los
viveros, obtenindose un 100% de aciertos. Por
el contrario, la clase peor etiquetada y por lo
tanto peor clasificada ha sido la palmera con un
63,63% de aciertos, por el hecho de tener pocos
pxeles, y pocos datos de campo. El resto de cla-
ses presenta unos valores coherentes dentro de
Figura 3. Mapa de usos del suelo de la huerta de Burjassot,
una clasificacin.
Valencia.
En la Tabla 7se muestra la matriz de confusin
para la zona de estudio en Argentina, con las
En la Figura 4se muestra el mapa de usos del sue-
once categoras elegidas y con el porcentaje
lo del Valle Bonaerense del Ro Colorado, usando
de la cantidad de pxeles para cada clase. Tras
tambin el clasificador K-NN. La clasificacin se
calcular la precisin global se obtuvo que el
ha realizado con el 50% de datos como entrena-
85,28% de las muestras estaban correctamente
miento, y ha dado como grado de acierto un ndice
clasificadas. Este valor fue inferior al valor de la
Kappa de 0,83, lo cual se considera casi perfecto.
imagen de Espaa (96,52%), lo que nos llev a
pensar que existan varios factores que podran
haber afectado a este resultado: el rea a clasi-
ficar de Argentina era mucho ms grande que la
de Espaa, con lo que se le estaban inyectando
ms datos a los clasificadores; adems haba ms
tipos de clases en Espaa que en Argentina, por
lo que se podan diferenciar ms cultivos; la toma
de datos coincida con el paso de Sentinel, mien-
tras en Argentina no, porque, aunque los datos de
campo fueron tomados en el mes de Marzo, se
decidi trabajar con la imagen de Enero debido a
que los cultivos estaban en pleno desarrollo. Otro
factor podra ser el hecho de que el mejor mtodo
de clasificacin en la huerta de Valencia, no lo
Figura 4. Mapa de usos del suelo del VBRC, BsAs.
sea para la zona de Argentina.

ASOCIACIN ESPAOLA DE TELEDETECCIN 63

 Borrs et al.

Tabla 6. Matriz de confusin de la clasificacin para la huerta de Burjassot.

Valores reales (en porcentaje)

Construcciones
Suelo aband.

Suelo desn.
Cauce seco

Alcachofa
Lechuga

Palmera
Cebolla

naranjo
Asfalto
Alfalfa

Vivero
Patata
Coles
CLASE
Suelo aband. 100,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0
Alfalfa 0,0 100,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0
Asfalto 0,0 0,0 96,7 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,7 0,0 0,0 0,0
Cauce seco 0,0 0,0 0,0 94,2 0,0 0,0 0,0 3,5 0,0 0,0 0,0 0,5 0,0 0,0
Resultados clasificacin

Cebolla 0,0 0,0 0,0 1,9 97,9 0,0 0,0 0,0 9,1 0,4 0,0 0,5 0,0 3,6
Coles 0,0 0,0 0,0 0,0 0,0 92,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0
Lechuga 0,0 0,0 0,0 0,0 0,0 0,0 94,7 0,0 0,0 0,0 0,0 0,5 0,0 0,0
Naranja 0,0 0,0 0,0 1,3 0,0 0,0 0,0 93,0 9,1 0,0 0,0 0,0 0,0 0,0
Palmera 0,0 0,0 0,0 1,3 0,0 0,0 0,0 1,2 63,6 0,0 0,0 0,0 0,0 0,0
Patata 0,0 0,0 0,0 0,0 0,0 0,0 5,3 0,0 0,0 99,6 0,0 0,0 0,0 0,9
Construc. 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 97,1 0,5 0,0 0,0
Suelo desn. 0,0 0,0 3,3 1,3 0,0 0,0 0,0 0,0 0,0 0,0 2,1 98,1 0,0 0,0
Vivero 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 100,0 0,0
Alcachofa 0,0 0,0 0,0 0,0 2,1 8,0 0,0 2,3 18,2 0,0 0,0 0,0 0,0 95,5

Si analizamos la Tabla 7se aprecia como la clase 4.4.rea ocupada por clase
mejor etiquetada y clasificada ha sido el maz, con
En la Tabla 8se muestran las cantidades de cul-
un 95,1%. Por el contrario, la clase peor etiquetada
tivo calculadas para cada zona asignando a cada
y por lo tanto peor clasificada ha sido el agropiro
pxel un rea de 100m2. En la tabla de la huerta
con un 61,9% de aciertos.
de Burjassot se aprecia cmo el cultivo que mayor

Tabla 7. Matriz de confusin de la clasificacin para el VBRC, Argentina.

Valores real(en porcentajes)

Parcela sin cultivo
Construcciones
Pasto natural

Agropiro
Caminos
Cebolla
Viveros

Girasol

Alfalfa

Agua
Maz

CLASE
Pasto natural 84,8 0,0 0,0 0,1 2,0 6,4 6,1 0,5 21,0 0,3 0,0
Viveros 0,0 93,1 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0
Resultados de la clasificacin

Maz 0,0 0,0 95,1 1,8 0,0 0,9 0,0 0,0 0,0 0,0 11,9
Girasol 0,0 0,0 0,0 87,7 0,0 0,0 0,0 1,5 0,0 0,0 0,0
Cebolla 0,0 0,0 1,3 0,0 77,2 2,8 0,0 0,0 0,0 7,1 15,5
Construcciones 0,0 0,0 0,0 0,1 0,0 70,6 0,0 1,5 0,0 1,8 1,8
Parcela sin cultivo 1,0 0,0 0,0 0,0 8,3 1,8 90,9 1,0 4,8 1,6 0,0
Caminos 0,3 6,9 0,0 0,0 0,0 6,4 2,9 76,4 76,4 0,0 0,0
Alfalfa 13,9 0,0 0,1 6,0 0,0 1,8 0,0 0,5 74,1 74,1 3,4
Agua 0,0 0,0 2,8 0,0 11,7 1,8 0,0 10,8 10,8 88,7 5,4
Agropiro 0,0 0,0 0,7 4,2 0,7 7,3 0,0 7,9 0,0 0,2 61,9

64 REVISTA DE TELEDETECCIN (2017) 48, 55-66

 Clasificacin de usos del suelo a partir de imgenes Sentinel-2

Tabla 8. rea ocupada por las clases de la huerta de Bur- Breiman, L. 1984. Classification and regression trees.
jassot, VLC, y VBRC, BsAs. Chapman & Hall/CRC.
Breiman, L. 2001. Random forests. Machine
Huerta de Burjassot INTA Argentina
Learning, 45(1), 5-32. https://doi.
Clase rea (ha) Clase rea (ha) org/10.1023/A:1010933404324
Suelo aband. 8,26 Parcela sin cult. 2665,74
Camps-Valls, G., Gmez Chova, L., Muoz Mar, J.,
Alfalfa 7,13 Girasol 804,47
Rojo lvarez, J.L., Martnez-Ramn, M. 2008.
Asfalto 185,79 Maz 1210,27
Kernel based framework for muli-temporal and
Cauce seco 227,69 Cebolla 1073,30 multi-source remote sensing data classification
Cebolla 101,80 Agua 1276,88 and change detection. IEEE Trans. Geosc. Rem.
Col 10,86 Pasto natural 748,76 Sens., 46(6), 1822-1835. https://doi.org/10.1109/
Lechuga 32,29 Agropiro 3309,03 TGRS.2008.916201
Naranjo 261,71 Alfalfa 2120,34 Camps-Valls, G., Tuia, D., Gmez-Chova, L., Jimnez,
Palmera 14,46 Construcciones 1239,00 S., Malo, J. 2011. Remote Sensing Image Processing.
Patata 122,01 Caminos 1887,38 Synthesis Lectures on Image, Video, and Multimedia
Construcc. 144,13 Viveros 2099,71 Processing, 5(1), 1-192. https://doi.org/10.2200/
Suelo desn. 324,23 S00392ED1V01Y201107IVM012
Vivero 46,78 Cohen J. A. 1960. Coefficient of agreement for nominal
scales. Educ. Psychol. Meas., 20(1), 37-46. https://
Alcachofa 124,56
doi.org/10.1177/001316446002000104
Comber, A., Fisher, P., Wadsworth, R. 2005. You know
what land cover is but does anyone else? ... an
superficie ocupa es el naranjo, y el que menor investigation into semantic and ontological confusion.
ocupa es la alfalfa. En la tabla de la zona de estu- International Journal of Remote Sensing, 26(1), 223-
dio de Argentina se observa cmo el cultivo que 228. https://doi.org/10.1080/0143116042000274032
ms rea ocupa es el agropiro, mientras que el Del Bosque, I., Arozarena, A., Villa, G., Valcrcel,
pasto natural es el que menos ocupa. N., Porcuna, A. 2005. Creacin de un sistema de
informacin geogrfico de ocupacin del suelo en
Espaa."Proyecto SIOSE". Actas del XI Congreso
5.Conclusiones Nacional de Teledeteccin, 21-23 Septiembre,
Puerto de la Cruz, Espaa, 255-262.
En este trabajo se han obtenido los mapas de usos
Delegido, J., Verrelst, J., Alonso, L., Moreno, J. 2011.
del suelo con el rea de cada cultivo para dos Evaluation of Sentinel-2 Red-Edge Bands for
zonas agrarias con imgenes S2. Se ha observado Empirical Estimation of Green LAI and Chlorophyll
que el mejor clasificador para imgenes S2 es Content. Sensors, 11, 7063-7081. https://doi.
el K-NN, y la combinacin del K-NN y el RF. org/10.3390/s110707063
Adems, se ha demostrado la mejora de S2 res- Drusch, M., Del Bello, U., Carlier, S., Colin, O.,
pecto a SPOT cuantificndose entre 2 y 5% por Fernndez, V., Gascn, F., Hoersch, B., Isola, C.,
encima. Por otro lado, la precisin global para Laberinti, P., Martimort, P., Meygret, A., Spoto,
la huerta de Burjassot fue 96,52%, mientras que F., Sy, O., Marchese, F., Bargellini, P. 2012.
Sentinel-2: ESAs Optical High-Resolution Mission
para la zona de Argentina fue del 85,28%, es decir,
for GMES Operational Services. Remote sensing of
el porcentaje de que las muestras estuviesen co- Environment, 120, 25-36. https://doi.org/10.1016/j.
rrectamente clasificadas fue mejor en Espaa que rse.2011.11.026
en Argentina. Finalmente, los resultados de este
ESA. 2016. www.esa.int/. Consultado el 10 de julio de
trabajo muestran que la mejora en la resolucin 2016.
espacial y radiomtrica de S2respecto a otras
Gislason, P.O., Benediktsson, J.A., Sveinsson, J.R.
misiones operativas, permite tambin la mejora en 2006. Random Forests for land cover classification.
los resultados de la clasificacin. Pattern Recognition Letters, 27(4), 294-300. https://
doi.org/10.1016/j.patrec.2005.08.011
Referencias Hastie, T., Tibshirani, R., Friedman, J. 2009. The
Elements of Statistical Learning: Data Mining,
Abraira, V. 2001. El ndice kappa. Semergen, Inference, and Prediction, 2nd ed.; Springer: New
27(5), 247-249. https://doi.org/10.1016/S1138- York, NY, USA. https://doi.org/10.1007/978-0-387-
3593(01)73955-X 84858-7

ASOCIACIN ESPAOLA DE TELEDETECCIN 65

 Borrs et al.

Immitzer, M., Atzberger, C., Koukal, T. 2012. Tree

species classification with Random Forest using
very high spatial resolution 8-band WorldView-2
satellite data. Remote Sensing, 4, 2661-2693. https://
doi.org/10.3390/rs4092661
James, G., Witten, D., Hastie, T., Tibshiram, R.
2015. An Introduction to Statistical Learning with
Applications in R. In Springer Texts in Statistics.
Volume 103. https://doi.org/10.1007/978-1-4614-
7138-7
Landis, J.R., Koch, G.G. 1977. The measurement of
observer agreement for categorical data. Biometrics,
33, 159-174. https://doi.org/10.2307/2529310
Lpez Gonzlez, F.J., Crecente Maseda, R., lvarez
Lpez, C.J. 2002. Los usos del suelo analizados
mediante S.I.G. XIV Congreso de Ingeniera
Grfica. 5-7 Junio, Santander, Espaa.
Manual de usuario de Sentinel 2-ESA. Julio 2015.
Martimort, P., Berger, M., Carnicero, B., Del Bello, U.,
Fernndez, V., Gascn, F., etal. 2007. Sentinel-2:
Optical high-resolution mission for GMES
operational services. Geoscience and Remote
Sensing Symposium, 2007. IGARSS 2007. IEEE
International, 131, 18-23. https://doi.org/10.1109/
igarss.2007.4423394
Mena, A.J. 2014. Procesamiento de imgenes satelitales
multiespectrales. Proyecto final de carrera, Facultad
de Informtica, Universidad del Pas Vasco.
Pezzola, A. 2014. Transformaciones territoriales
producto del riego en el Valle Bonaerense del Ro
Colorado. Departamento de geografa y turismo,
UNS, provincia de Buenos Aires.
Quinlan, J.R. 1993. Programs for Machine Learning. 1st
ed. San Mateo, CA, Morgan.
Rees, G. 2005. The Remote Sensing Data Book.
Cambridge University Press, 262 pp.
Rodrguez-Galiano, V., Chica-Rivas, M. 2012.
Clasificacin de imgenes de satlite mediante
software libre: Nuevas tendencias en algoritmos
de Inteligencia artificial. Departamento de
Geodinmica, Universidad de Granada.

66 REVISTA DE TELEDETECCIN (2017) 48, 55-66