Multitemporal Remote Sensing for Crop Classification and Drought Assessment Using Landsat and Sentinel-2

Abstract

Aquest estudi investiga l'ús de tecnologies de teledetecció per satèl·lit per millorar la classificació de cultius i avaluar el fracàs dels cultius i les pèrdues en la collita a causa de la sequera. El Capítol 1 se centra en el seguiment a llarg termini dels cultius a la regió semiàrida de Barrax, Espanya, utilitzant imatges de Landsat-5, -7 i -8 des del 1985 fins al 2022. Per gestionar la complexitat de les dades, es va aplicar l'Anàlisi de Components Principals (PCA) per reduir la dimensionalitat de les sèries temporals de l'Índex de Vegetació de Diferència Normalitzada (NDVI), seguit de l'ús de l'algorisme de classificació Random Forest per generar mapes anuals de cultius. Els resultats van demostrar una millora notable en la precisió de la classificació, passant del 94,6% l’any 1995 utilitzant només Landsat-5, fins al 98,7% l’any 2015 amb la integració de dades de Landsat-7 i Landsat-8. Aquest estudi ressalta el valor de les dades multitemporals de Landsat per a una classificació precisa dels cultius, proporcionant informació sobre els patrons de creixement estacional i els canvis en l'ús del sòl, donant suport a la gestió agrícola sostenible en regions semiàrides. El Capítol 2 explora la detecció dels impactes de la sequera en els cereals d'hivern a Catalunya, Espanya, utilitzant imatges del satèl·lit Sentinel-2. Durant la sequera extrema de 2023, es van recollir dades de camp sobre el fracàs dels cultius, i es van identificar les millors variables de Sentinel-2 per predir les classes d'impacte de la sequera. Es van extreure mètriques fenològiques i índexs de vegetació, i es va trobar que l’índex NDVI durant les etapes tardanes del desenvolupament dels cultius és un fort predictor del fracàs dels cultius (R² = 0,66). Els resultats suggereixen que les dades de Sentinel-2 de la segona meitat de la temporada de creixement són crucials per detectar amb precisió el fracàs dels cultius induït per la sequera. Aquest enfocament subratlla la importància de les dades fenològiques per monitoritzar la salut dels cultius i identificar pèrdues agrícoles a causa d'esdeveniments climàtics extrems. En conjunt, aquests capítols demostren el paper essencial de la teledetecció per satèl·lit per millorar el seguiment agrícola i la resiliència davant la variabilitat climàtica. La integració de les dades de Landsat i Sentinel-2 proporciona eines robustes per millorar la gestió agrícola i donar suport a la presa de decisions en regions semiàrides propenses a la sequera.

Este estudio investiga el uso de tecnologías de teledetección por satélite para mejorar la clasificación de cultivos y evaluar el fracaso de los cultivos y pérdida de la cosecha debido a la sequía. El Capítulo 1 se centra en el monitoreo a largo plazo de los cultivos en la región semiárida de Barrax, España, utilizando imágenes de Landsat-5, -7 y -8 desde 1985 hasta 2022. Para gestionar la complejidad de los datos, se aplicó el Análisis de Componentes Principales (PCA) para reducir la dimensionalidad de las series temporales del Índice de Vegetación de Diferencia Normalizada (NDVI), seguido del uso del algoritmo de clasificación Random Forest para generar mapas anuales de cultivos. Los resultados demostraron una notable mejora en la precisión de la clasificación, desde un 94.6% en 1995 utilizando únicamente Landsat-5, hasta un 98.7% en 2015 con la integración de datos de Landsat-7 y Landsat-8. Este estudio resalta el valor de los datos multitemporales de Landsat para una clasificación precisa de los cultivos, proporcionando información sobre los patrones de crecimiento estacional y los cambios en el uso de la tierra, apoyando la gestión agrícola sostenible en regiones semiáridas. El Capítulo 2 explora la detección de los impactos de la sequía en los cereales de invierno en Cataluña, España, utilizando imágenes del satélite Sentinel-2. Durante la sequía extrema de 2023, se recopilaron datos de campo sobre el fracaso de los cultivos, y se identificaron las mejores variables de Sentinel-2 para predecir las clases de impacto de la sequía. Se extrajeron métricas fenológicas e índices de vegetación, y se encontró que el NDVI durante las etapas tardías del desarrollo de los cultivos es un fuerte predictor del fracaso de los cultivos (R² = 0.66). Los hallazgos sugieren que los datos de Sentinel-2 de la segunda mitad de la temporada de crecimiento son críticos para detectar con precisión el fracaso de los cultivos inducido por la sequía. Este enfoque subraya la importancia de los datos fenológicos para monitorear la salud de los cultivos e identificar pérdidas agrícolas debido a eventos climáticos extremos. En conjunto, estos capítulos demuestran el papel esencial de la teledetección satelital para mejorar el monitoreo agrícola y la resiliencia frente a la variabilidad climática. La integración de los datos de Landsat y Sentinel-2 proporciona herramientas robustas para mejorar la gestión agrícola y apoyar la toma de decisiones en regiones semiáridas propensas a la sequía.

This study investigates the use of satellite remote sensing technologies to improve crop classification and assess drought-induced crop failure. Chapter 1 focuses on long-term crop monitoring in the semi-arid region of Barrax, Spain, utilizing Landsat-5, -7, and -8 imagery from 1985 to 2022. To manage the complexity of the data, Principal Component Analysis (PCA) was applied to reduce the dimensionality of time series of the Normalized Difference Vegetation Index (NDVI), followed by the Random Forest classification algorithm to generate annual crop maps. The results demonstrated a notable improvement in classification accuracy, from 94.6% in 1995 using Landsat-5 alone, to 98.7% in 2015 with the integration of Landsat-7 and Landsat-8 data. This study highlights the value of multi-temporal Landsat data for precise crop classification, offering insights into seasonal growth patterns and land use changes, and supporting sustainable agricultural management in semi-arid regions.

Chapter 2 explores the detection of drought impacts on winter cereals in Catalonia, Spain, using Sentinel-2 satellite imagery. During the extreme drought of 2023, ground-truth data on crop failure were collected, and the best Sentinel-2 variables for predicting drought impact classes were identified. Phenological metrics and vegetation indices were extracted, with the NDVI during later stages of crop development found to be a strong predictor of crop failure (R² = 0.66). The findings suggest that Sentinel-2 data from the latter half of the growing season are critical for accurately detecting drought-induced crop failure. This approach underscores the importance of phenological data in monitoring crop health and identifying agricultural losses due to extreme climatic events.

Together, these chapters demonstrate the essential role of satellite remote sensing in enhancing agricultural monitoring and resilience to climate variability. The integration of Landsat and Sentinel-2 data provides robust tools for improving land management and supporting informed decision-making in drought-prone and semi-arid regions.