EUVIMEDEUVIMED entdecken
Open Access · CC BY-NC-SA 4.0

Clasificación automatizada basada en series temporales y variables estructurales a partir de sensores remotos (S2, S1 y LiDAR).

Tomás Pugni Stanek, Isabel González González, José Luis Tomé Morán, Jessica Esteban Cava, Nur Algeet Abarquero, Laura Recuero Pavón, Silvia Merino De Miguel

Congresos UEx, actas de Congresos · 03.06.2026 · (2)

DOI: 10.17398/3101-7177.2.224 ↗

Kurz gefasst

Fachartikel in der Zeitschrift Congresos UEx, actas de Congresos, online erschienen am 03.06.2026. Verfasst von Tomás Pugni Stanek und 6 weiteren Autor:innen. Der Volltext ist frei zugänglich (Open Access, CC BY-NC-SA 4.0).

AbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

La clasificación precisa de las masas forestales es esencial para la gestión sostenible y la modelización de riesgos naturales. Este estudio evalúa la capacidad de discriminación de tres especies forestales (Pinus sylvestris, Quercus pyrenaica y Fagus sylvatica) en el Monte de Utilidad Pública de Villoslada de Cameros (La Rioja), mediante un enfoque de teledetección multitemporal y multisensor. Se integraron datos ópticos (Sentinel-2), de radar (Sentinel-1) y estructurales (LiDAR-PNOA) para caracterizar la fenología y estructura de la vegetación. La metodología partió de parcelas monoespecíficas del Inventario Forestal Nacional (IFN4) y datos locales, aplicando un sobremuestreo espacial mediante puntos aleatorios para corregir el desbalanceo de clases entre coníferas y frondosas. Tras generar un vector de 416 características, se utilizó el algoritmo de Eliminación Recursiva de Características con Validación Cruzada (RFECV) para seleccionar las 20 variables más robustas, optimizando el modelo. Los resultados mostraron una precisión global del 96,1%, identificando como predictores críticos la banda del Red-Edge (B6), el índice de Verdor del Tasseled Cap (TCG) y la polarización VH. Aunque la separación entre coníferas y frondosas fue excelente, se observó una ligera confusión entre las especies de frondosas debido a su similitud fenológica. Se concluye que las series temporales y las variables estructurales podrían ser determinante para mejorar la precisión en la automatización de la identificación de especies en inventarios forestales a gran escala.

Zitieren

APA

Stanek, T. P., González, I. G., Morán, J. L. T., Cava, J. E., Abarquero, N. A., Pavón, L. R., & Miguel, S. M. D. (2026). Clasificación automatizada basada en series temporales y variables estructurales a partir de sensores remotos (S2, S1 y LiDAR). Congresos UEx, actas de Congresos. https://doi.org/10.17398/3101-7177.2.224

Vancouver

Stanek TP, González IG, Morán JLT, Cava JE, Abarquero NA, Pavón LR, et al. Clasificación automatizada basada en series temporales y variables estructurales a partir de sensores remotos (S2, S1 y LiDAR). Congresos UEx, actas de Congresos. 2026. doi:10.17398/3101-7177.2.224

BibTeX
@article{Stanek2026,
  author = {Stanek, Tomás Pugni and González, Isabel González and Morán, José Luis Tomé and Cava, Jessica Esteban and Abarquero, Nur Algeet and Pavón, Laura Recuero and Miguel, Silvia Merino De},
  title = {Clasificación automatizada basada en series temporales y variables estructurales a partir de sensores remotos (S2, S1 y LiDAR)},
  journal = {Congresos UEx, actas de Congresos},
  year = {2026},
  number = {2},
  doi = {10.17398/3101-7177.2.224}
}
Kostenlos starten →