Qué aporta la fusión de datos

La estadística suiza del uso del suelo describe más de 4,1 millones de puntos en una cuadrícula regular de 100 metros. El uso representa la función de una superficie; la cobertura, su aspecto visible. Una imagen aérea no siempre permite distinguirlos: un prado de tierras bajas y un pasto alpino pueden parecer similares y pertenecer a usos distintos.

El prototipo combina dos etapas. Redes neuronales convolucionales analizan imágenes aéreas RGB y de falso color infrarrojo. Un bosque aleatorio integra sus probabilidades de clase con series Landsat, elevación del terreno, altura de vegetación e información catastral. Las series temporales aportan patrones estacionales; las capas espaciales ayudan a interpretar el punto determinante de la muestra.

Referencias [1]

Tabla de conjuntos de imágenes aéreas SWISSIMAGE, ejemplos RGB e infrarrojos y tres recortes con los puntos de referencia marcados.
Imágenes aéreas para ADELE: datos SWISSIMAGE en RGB e infrarrojo en falso color, períodos y resoluciones de adquisición, y recortes de 50 × 50 m centrados en los puntos de referencia de la estadística suiza de superficie. Los ejemplos ilustran la diferencia entre cobertura y uso del suelo. Meyer et al. (2025), fig. 2. Imagen y fuente ↗

Resultados y utilidad práctica

En el conjunto de evaluación representativo, la fusión completa alcanza un 83 % de exactitud global para el uso del suelo y un 86 % para la cobertura. Los modelos basados únicamente en imágenes RGB alcanzan un 53 % y un 72 %, respectivamente. La comparación demuestra la utilidad de los datos complementarios para esta tarea. Los resultados se publicaron en European Journal of Remote Sensing en 2025.

La exactitud global oculta diferencias entre clases frecuentes y poco representadas. El artículo también presenta puntuaciones F1 por clase y las dificultades de categorías pequeñas, heterogéneas o visualmente similares. En el uso documentado de ADELE, solo se aceptan automáticamente los casos sin cambios suficientemente seguros. El objetivo de precisión del 98 % corresponde a ese subconjunto, no a todos los puntos y clases.

Referencias [1]

Gráficos de barras que comparan las puntuaciones F1 de CNN y Random Forest para clases frecuentes de uso y cobertura del suelo, con las contribuciones de los grupos de datos.
La aportación de la fusión de datos: puntuaciones F1 de las cinco clases más frecuentes de uso y cobertura del suelo, comparando variantes de CNN con el modelo Random Forest completo. Abajo: contribuciones estimadas de los datos de entrada a la clasificación Random Forest. Meyer et al. (2025), fig. 8. Imagen y fuente ↗
Métodos en detalle
  1. Clasificar imágenes aéreas RGB y de falso color infrarrojo con redes neuronales.
  2. Integrar las probabilidades de clase con series Landsat, elevación, altura de vegetación y catastro mediante un bosque aleatorio.
  3. Evaluar la exactitud global y el F1 por clase en un conjunto representativo.

Publicaciones y fuentes

  1. PublicadoMeyer et al. (2025), European Journal of Remote Sensing