cartografía del abandono de cultivos de cítricos mediante

49Attribution-NonCommercial-ShareAlike 40 International (CC BY-NC-SA 40)

Recibido 19112021Aceptado 14122021

REVISTA DE TELEDETECCIOacuteN Asociacioacuten Espantildeola de Teledeteccioacuten

(2022) 59 49-60ISSN 1133-0953

EISSN 1988-8740httpsdoiorg104995raet202216698

Corresponding author sermomondoctorupves

Cartografiacutea del abandono de cultivos de ciacutetricos mediante el uso de datos altimeacutetricos LiDAR y fotogrametriacutea SfMSergio Morell-Monzoacute1 Mariacutea-T Sebastiaacute-Frasquet2 Javier Estornell3

1 Universitat Politegravecnica de Valegravencia EPS Gandia C Paranimf 1 46730 Gandia Spain2 Instituto de Investigacioacuten para la Gestioacuten Integrada de Zonas Costeras Universitat Politegravecnica de Valegravencia

C Paranimf 1 46730 Grau de Gandia Spain3 Geo-Environmental Cartography and Remote Sensing Group Universitat Politegravecnica de Valegravencia Camiacute de Vera sn

46022 Valencia Spain

Resumen La Comunitat Valenciana (Espantildea) es el mayor productor de ciacutetricos de Europa sin embargo en las uacuteltimas deacutecadas se estaacute produciendo un acelerado abandono de las tierras de cultivo dedicadas a la citricultura El abandono de tierras agriacutecolas es un fenoacutemeno global con relevantes implicaciones medioambientales y socio-econoacutemicas Por este motivo es importante realizar un seguimiento de este proceso En el caso particular de los ciacutetricos el pequentildeo tamantildeo de las explotaciones agriacutecolas la alta fragmentacioacuten del paisaje y la baja separabilidad espectral entre las parcelas en produccioacuten y las abandonadas dificultan la deteccioacuten de cultivos abandonados utilizando imaacutegenes satelitales de resolucioacuten moderada En este trabajo se realiza la primera aproximacioacuten a la deteccioacuten de cultivos de ciacutetricos abandonados utilizando datos altimeacutetricos En el estudio se utilizan dos fuentes de datos altimeacutetricos el LiDAR del Plan Nacional de Ortofotografiacutea Aeacuterea (PNOA) y los datos obtenidos mediante un sistema aeacutereo no tripulado aplicando procesos fotogrameacutetricos (Structure from Motion) Los resultados mostraron una exactitud global del 679 para los datos LiDAR y un 836 de los datos fotogrameacutetricos La alta densidad de puntos de los datos fotogrameacutetricos permitioacute extraer caracteriacutesticas de textura a partir de la Matriz de Co-Ocurrencia de Nivel de Gris derivadas del Canopy Height Model Los resultados indican el potencial de la informacioacuten altimeacutetrica para la monitorizacioacuten de los campos abandonados de ciacutetricos especialmente utilizando nubes de puntos de alta densidad Investigaciones futuras deberiacutean explorar la fusioacuten de datos espectrales texturales y altimeacutetricos para el estudio de cultivos de ciacutetricos abandonados

Palabras clave LiDAR fotogrametriacutea 3D estado de cultivos abandono de tierras ciacutetricos

Cartography of citrus crops abandonment using altimetric data LiDAR and SfM photogrammetryAbstract The Comunitat Valenciana region (Spain) is the largest citrus producer in Europe However it has suffered an accelerated land abandonment in recent decades Agricultural land abandonment is a global phenomenon with environmental and socio-economic implications The small size of the agricultural parcels the highly fragmented landscape and the low spectral separability between productive and abandoned parcels make it difficult to

To cite this article Morell-Monzoacute S Sebastiaacute-Frasquet MT Estornell J 2022 Cartography of citrus crops abandonment using altimetric data LiDAR and SfM photogrammetry Revista de Teledeteccioacuten 59 49-60 httpsdoiorg104995raet202116698

REVISTA DE TELEDETECCIOacuteN (2022) 59 49-60

Morell-Monzoacute et al

50

1 Introduccioacuten

El abandono de tierras agriacutecolas es un fenoacutemeno creciente a nivel mundial con relevantes impli-caciones medioambientales (ej biodiversidad captacioacuten de CO2 incendios forestales recursos hiacutedricos etc) y socio-econoacutemicas (ej produccioacuten alimentaria sustento y paisaje) (Prishchepov 2020) El abandono de tierras agriacutecolas ocurre frecuentemente en aacutereas montantildeosas y en zonas con estructuras parcelarias fragmentadas (Czesak et al 2021) Ademaacutes seguacuten el tipo de cultivo el contexto social y ambiental el abandono de tie-rras se puede percibir como un problema o como una oportunidad (Czesak et al 2021) Algunos de los impactos negativos que se pueden derivar del abandono de tierras estaacuten relacionados con la seguridad alimentaria la degradacioacuten del paisaje la proliferacioacuten de especies invasoras o la peacuterdida de aspectos sociales y culturales (Subedi et al 2021) Por otra parte pueden producirse impactos positivos como el incremento en la fijacioacuten de CO2 la mejora de la calidad del suelo la creacioacuten de nuevos haacutebitats y el aumento de la biodiversi-dad (Subedi et al 2021) Sin embargo algunos de estos impactos pueden ser tanto positivos como negativos dependiendo del contexto donde se pro-duce el abandono de tierras (Subedi et al 2021) Estas caracteriacutesticas hacen del abandono de tierras un fenoacutemeno complejo que debe ser estudiado a distintas escalas (global regionalnacional y local)

Espantildea es el mayor productor de ciacutetricos de Europa y la Comunitat Valenciana alberga maacutes del 50 de la produccioacuten nacional (MAPAMA 2020) Sin embargo la Comunitat Valenciana es

una de las regiones donde se estaacute produciendo un mayor abandono de tierras en las uacuteltimas deacutecadas Desde el antildeo 2000 hasta el 2020 se ha producido una disminucioacuten en torno al 20 de la superficie cultivada (MAPAMA 2020) En 2020 la super-ficie dedicada al cultivo de ciacutetricos se estimaba en 159140 ha (MAPAMA 2020) Las causas que han propiciado el abandono de tierras son complejas sin embargo se podriacutean resumir en a) competencia con productores extranjeros fuera de la Unioacuten Europea b) aparicioacuten de usos del suelo maacutes rentables (usos urbanos) c) poliacuteticas de im-portacioacuten europeas desfavorables d) ineficiencias propias del sector citriacutecola valenciano (Compeacutes et al 2019) En los proacuteximos antildeos se espera un aumento de las zonas abandonadas dentro y fuera de la Comunidad Valenciana debido a los cambios socio-econoacutemicos que se estaacuten produciendo en la Unioacuten Europea (Rounsevell et al 2006 Subedi et al 2021)

La teledeteccioacuten es una potente herramienta que nos permite observar los cambios en el uso de la tierra relacionados con el abandono de tierras agriacute-colas desde un punto de vista espacial y temporal a diferentes escalas Los esfuerzos previos para cartografiar el abandono de tierras se han centrado en la monitorizacioacuten de cultivos estacionales en grandes aacutereas que no requieren una resolucioacuten espacial fina Con este fin se han utilizado series temporales MODIS y Landsat (ej Alcantara et al 2012 Estel et al 2015 Loumlw et al 2018 Yin et al 2018 Grădinaru et al 2019 Prishchepov et al 2012 Dara et al 2018) Las imaacutegenes Sentinel-2 han permitido abordar el problema a una mayor resolucioacuten espacial (ej Szostak et al 2017) sin embargo la monitorizacioacuten de cultivos

detect abandoned crops using moderate resolution images In this work an approach is applied to monitor citrus crops using altimetric data The study uses two sources of altimetry data LiDAR from the National Plan for Aerial Orthophotography (PNOA) and altimetric data obtained through an unmanned aerial system applying photogrammetric processes (Structure from Motion) The results showed an overall accuracy of 679 for the LiDAR data and 836 for the photogrammetric data The high density of points in the photogrammetric data allowed to extract texture features from the Gray Level Co-Occurrence Matrix derived from the Canopy Height Model The results indicate the potential of altimetry information for monitoring abandoned citrus fields especially high-density point clouds Future research should explore the fusion of spectral textural and altimetric data for the study of abandoned citrus crops

Key words LiDAR 3D photogrammetry crop status land abandonment citrus

ASOCIACIOacuteN ESPANtildeOLA DE TELEDETECCIOacuteN

Cartografiacutea del abandono de cultivos de ciacutetricos mediante el uso de datos altimeacutetricos LiDAR y fotogrametriacutea SfM

51

a nivel de parcela en paisajes fragmentados sigue siendo un desafiacuteo utilizando este tipo de imaacutegenes (Vajsovaacute et al 2019 y 2020 Morell-Monzoacute et al 2020) Ademaacutes la monitorizacioacuten de cultivos permanentes especialmente los de hoja perenne como los ciacutetricos es auacuten maacutes compleja debido a la baja separabilidad espectral entre las parcelas abandonadas y activas Aunque en una parcela de ciacutetricos abandonada generalmente se produce una peacuterdida de vigor en los aacuterboles y un crecimiento de la vegetacioacuten silvestre estas diferencias son di-fiacuteciles de captar utilizando imaacutegenes de resolucioacuten moderada Estas circunstancias han motivado el uso de imaacutegenes de alta resolucioacuten (sub-meacutetricas) que permiten la extraccioacuten de texturas (Zurita-Milla et al 2017 Neigh et al 2018 Zhang et al 2020) y el anaacutelisis de patrones espaciales (Gil-Yepes et al 2016 Recio et al 2013) Teniendo en cuenta estos datos Amoroacutes-Loacutepez et al (2011) y Morell-Monzoacute et al (2021) consiguieron me-jorar los resultados utilizando imaacutegenes de alta resolucioacuten para la monitorizacioacuten de parcelas de ciacutetricos Sin embargo hasta donde sabemos no se ha explorado el uso de datos altimeacutetricos para la monitorizacioacuten de cultivos perennes Siacute existe una experiencia previa los trabajos de Kolecka et al (2015) y Czesak et al (2021) que utilizaron datos LiDAR para cartografiar el abandono de cultivos estacionales y sucesiones forestales secundarias en zonas con paisajes altamente fragmentados

En este trabajo se realiza una primera exploracioacuten del uso de datos altimeacutetricos para la deteccioacuten de cultivos de ciacutetricos abandonados El objetivo del trabajo es explorar el uso de los datos LiDAR del Plan Nacional de Ortofotografiacutea Aeacuterea (PNOA) y datos altimeacutetricos utilizando un vehiacuteculo aeacutereo no tripulado (UAV) y generados mediante procesos fotogrameacutetricos Structure from Motion (SfM) para cartografiar el estado (en produccioacuten abandona-do no en produccioacuten) de parcelas de ciacutetricos

Se utilizoacute el algoritmo Random Forests (Breiman 2001) como meacutetodo de clasificacioacuten Sin em-bargo el enfoque utilizado para la extraccioacuten de caracteriacutesticas fue adaptado a la naturaleza y caracteriacutesticas de cada fuente de informacioacuten Aunque existen muchos algoritmos de aprendizaje automaacutetico que han sido usados en el campo de la teledeteccioacuten Random Forests se ha convertido en uno de los maacutes utilizados (Sheykhmousa et al 2020) Esto se debe a sus caracteriacutesticas en lo que

respecta a exactitud de clasificacioacuten facilidad de uso (por su reducido nuacutemero de hiperparaacutemetros) robustez frente al sobreajuste (por su aprendizaje no secuencial) y buena escalabilidad frente a con-juntos de datos grandes (por su baja complejidad de tiempo de entrenamiento y la capacidad de ser paralelizado (Belgiu y Drăguţ 2016 Pal 2005)) Estas caracteriacutesticas lo han convertido en uno de los algoritmos estaacutendar para clasificaciones supervisadas en problemas de teledeteccioacuten que no requieren soluciones basadas en aprendizaje profundo o modelos de ensamble maacutes complejos El estudio se llevoacute a cabo en una zona de la comar-ca de La Safor (Comunitat Valenciana Espantildea) donde se estaacute produciendo un acelerado abandono de los cultivos de ciacutetricos

2 Material y meacutetodos

21 Aacuterea de estudio

El aacuterea de estudio se enmarca en la comarca de La Safor una zona costera de la Comunidad Valenciana (Espantildea) En esta zona coexisten di-versos usos del suelo como el uso urbano forestal y agriacutecola en el cual se centra este estudio El cultivo mayoritario de esta zona son los ciacutetricos que ocupan maacutes del 95 de la superficie agriacutecola (GVA 2020) La superficie agriacutecola se ubica en la llanura costera la cual se caracteriza por su relieve plano Esta zona destaca por suelos con una alta capacidad agronoacutemica y una alta disponibilidad de agua que han convertido a la comarca en una zona histoacutericamente agriacutecola Sin embargo en los uacuteltimos antildeos se han abandonado un gran por-centaje de explotaciones agriacutecolas La estructura agraria se caracteriza por el pequentildeo tamantildeo de las parcelas (promedio 025-050 ha) y la alta frag-mentacioacuten del paisaje El estudio fue realizado en una zona costera entre los municipios de Gandia y Oliva Se tomaron datos en 12 zonas que ocupan una superficie aproximada de 1300 ha (Figura 1) Se muestrearon 12 localizaciones con el objetivo de cubrir la variabilidad ambiental de la zona

22 Datos

Con el objetivo de generar informacioacuten uacutetil para la deteccioacuten del abandono de cultivos de ciacutetricos y su gestioacuten se definioacute una clasificacioacuten basada en tres tipos de parcelas no productiva (NP) productiva (PR) y abandonada (AB) como se muestra en la



52

Figura 2 La identificacioacuten de la categoriacutea AB tiene intereacutes para el seguimiento del abandono de los cultivos Ademaacutes la diferenciacioacuten entre las categoriacuteas NP y PR permite realizar predicciones de produccioacuten de ciacutetricos maacutes precisas Las par-celas de ciacutetricos pueden ser identificadas a partir de la base de datos del Sistema de Informacioacuten Geograacutefica de Parcelas Agriacutecolas (SIGPAC) La clasificacioacuten propuesta en este trabajo se disentildeoacute para complementar la informacioacuten de SIGPAC y ser aplicada sobre las parcelas de ciacutetricos previa-mente identificadas

Los datos verdad terreno se obtuvieron median-te campantildeas de campo fotografiacuteas de drones y

fotointerpretacioacuten de ortofotos Se clasificaron un total de 400 parcelas citriacutecolas seguacuten la base de datos de SIGPAC 120 de ellas fueron usadas para entrenar y validar el modelo de clasificacioacuten basado en datos LiDAR del PNOA y 280 fueron utilizadas para entrenar y validar el modelo de clasificacioacuten basado en datos altimeacutetricos de-rivados de fotogrametriacutea SfM El conjunto de 280 parcelas fue generado mediante visitas de campo entre febrero y marzo de 2021 y revisioacuten de fotografiacuteas tomadas por el UAV Por otro lado el conjunto de 120 parcelas fue generado median-te fotointerpretacioacuten sobre ortofotos de octubre de 2015 El objetivo inicial era fotointerpretar la clase para el antildeo 2015 de las mismas parcelas

Figura 1 Aacuterea de estudio en la comarca de La Safor (Comunitat Valenciana Espantildea)

Figura 2 Clasificacioacuten utilizada no productivandashNP (izquierda) productivandashPR (centro) y abandonadandashAB (derecha)



53

que fueron visitadas en el campo Sin embargo la clasificacioacuten de las parcelas PR y AB mediante fotointerpretacioacuten no permitioacute conocer la clase real de todas las parcelas Ademaacutes un conjunto significativo de parcelas habiacutea cambiado de ca-tegoriacutea durante el periodo 2015-2021 por lo que finalmente se seleccionoacute un conjunto maacutes pequentildeo de 120 parcelas cuya clase si se pudo asegurar me-diante fotointerpretacioacuten Los liacutemites parcelarios se obtuvieron a partir de SIGPAC

En relacioacuten a la nube de puntos LiDAR se utili-zaron datos del proyecto PNOA (PNOA 2015 CC BY 40 wwwscnees) En el marco de este pro-yecto se genera una cobertura LiDAR de todo el territorio espantildeol utilizando un sistema LiDAR aeacutereo con una frecuencia aproximada de 6 antildeos desde el antildeo 2009 En este estudio se utilizaron los datos de la 2ordf cobertura correspondientes al antildeo 2015 Para nuestra zona de estudio los da-tos LiDAR fueron tomados en octubre de 2015 Estos datos se distribuyen de forma gratuita en aacutereas de 2times2 km La nube de puntos de la 2ordf cobertura tiene una densidad de puntos de 05-4 puntosm2 y una precisioacuten altimeacutetrica RMSEz lt 20 cm Ademaacutes del valor posicional (x y z) los archivos incluyen los atributos de intensidad nuacutemero de retorno cantidad de retornos valores de clasificacioacuten nuacutemero de pasada color RGB tiempo GPS aacutengulo y direccioacuten de escaneo para cada punto

La nube de puntos fotogrameacutetrica se obtuvo a traveacutes de 12 vuelos con un UAV realizados en febrero de 2021 El vehiacuteculo no tripulado fue un senseFly eBee X que incorpora una caacutemara SODA RGB 201MP y un sistema de posicio-namiento RTKPPK (error 3-8 cm) Los vuelos fueron realizados a una altura de 1237 mAED en tomas nadirales Se tomaron un total de 5510 fo-tografiacuteas con un solape lateral de 60 y un solape en el sentido del vuelo de 80 Las fotografiacuteas se procesaron utilizando la teacutecnica SfM en Agisoft PhotoScan Professional Edition software (Agisoft LLC) version 125 build 2735 No se utilizaron puntos de control adicionales debido al sistema de posicionamiento del RTKPPK equipado en el UAV Se obtuvo un error de alineacioacuten lt 6 cm Despueacutes se generoacute una nube de puntos densa (325 puntosm2) con un total aproximado de 4723 millones de puntos ocupando un espacio de memoria de 91 Gb

23 ProcesamientoLa nube de puntos LiDAR con una densidad pro-medio 08 puntosm2 fue reclasificada para extraer los puntos correspondientes al suelo Se utilizoacute el meacutetodo Progressive Morphological Filter (PMF) (Zhang et al 2003) para la identificacioacuten de los puntos correspondientes al suelo Se proboacute tam-bieacuten el meacutetodo Cloth Simulation Filter (Zhang et al 2016) Este meacutetodo es computacionalmente maacutes eficiente pero proporcionoacute peores resultados seguacuten la interpretacioacuten visual de los resultados por lo que se optoacute por el meacutetodo PMF Los pun-tos de suelo fueron interpolados para crear un modelo digital del terreno rasterizado con 1 m de resolucioacuten siguiendo el enfoque de k vecinos maacutes cercanos con una ponderacioacuten de distancia inversa (k=2) Este meacutetodo de interpolacioacuten es uno de los meacutetodos estaacutendar en muchas libreriacuteas de soft-ware Despueacutes la altura de la nube de puntos fue normalizada al suelo Finalmente se realizoacute una extraccioacuten de estadiacutesticas descriptivas de la altura utilizando la nube de puntos y los liacutemites parcela-rios para realizar una prediccioacuten wall-to-wall de cada parcela Siguiendo este enfoque basado en ob-jetos se extrajeron un total de 13 caracteriacutesticas de cada parcela Las caracteriacutesticas extraiacutedas fueron promedio desviacioacuten estaacutendar miacutenimo maacuteximo y rango de Z asimetriacutea curtosis y entropiacutea de Z nuacutemero de primeros retornos dividido entre el nuacute-mero de retornos por encima de 2 m porcentaje de retornos sobre la Z promedio nuacutemero de primeros retornos dividido entre el nuacutemero total de retornos y Leaf Aacuterea Index (LAD) (Bouvier et al 2015) donde Z es altura Las caracteriacutesticas extraiacutedas fueron utilizadas para entrenar un modelo Random Forests con 200 aacuterboles de decisioacuten y 13 de las muestras como muestras out-of-bag La Figura 3 muestra el flujo de trabajo para el procesamiento de los datos LiDAR

La nube de puntos fotogrameacutetrica con una densidad de 325 puntosm2 fue homogenizada y se redujo su densidad para reducir el tiempo de procesamien-to La homogenizacioacuten se realizoacute a una densidad objetivo de 50 puntosm2 Despueacutes se realizoacute una clasificacioacuten de los puntos del suelo utilizando el mismo meacutetodo aplicado para los datos LiDAR Los puntos de suelo fueron interpolados para crear un modelo digital del terreno rasterizado con 1 m de resolucioacuten siguiendo el enfoque de k vecinos maacutes cercanos con una ponderacioacuten de distancia



54

inversa (k=20) Despueacutes se calculoacute el modelo digital de superficie utilizando el meacutetodo pit-free (Khosravipour et al 2014) Finalmente se calculoacute el Canopy Heigh Model (CHM) y 9 caracteriacutesticas a partir de la nube de puntos normalizada prome-dio desviacioacuten estaacutendar maacuteximo miacutenimo y rango de Z varianza asimetriacutea curtosis y entropiacutea de Z Adicionalmente el CHM fue utilizado para calcu-lar 7 caracteriacutesticas de textura basadas en la Matriz de Co-Ocurrencia de Nivel de Gris (GLCM) adaptando el enfoque propuesto en Morell-Monzoacute et al (2021) Las caracteriacutesticas extraiacutedas fueron promedio varianza homogeneidad contraste disimilitud entropiacutea y segundo momento angular que fueron calculadas a 12 tamantildeos de ventana distintos (3times3 5times5 7times7 9times9 11times11 13times13 15times15 17times17 19times19 21times21 23times23 y 25times25) Las caracteriacutesticas de textura fueron calculadas en una direccioacuten espacial invariante que es el prome-dio de las cuatro direcciones 0deg 45deg 90deg y 135deg a partir de una discretizacioacuten del CHM a 64 niveles de gris La discretizacioacuten del CHM se realizoacute en intervalos uniformes entre el miacutenimo y el maacuteximo La extraccioacuten de caracteriacutesticas de textura a partir de CHM ha sido utilizada por otros autores de for-ma exitosa (ej Ozdemir y Donoghue 2013 Niemi y Vauhkonen 2016)

Las 9 caracteriacutesticas extraiacutedas de la nube de pun-tos junto con el CHM y las 7 caracteriacutesticas de textura fueron apiladas en un fichero raacutester de 1 m de resolucioacuten Estas bandas fueron utilizadas para entrenar un modelo Random Forests con

200 aacuterboles de decisioacuten y 13 de las muestras como muestras out-of-bag El modelo Random Forests permitioacute realizar una clasificacioacuten de los piacutexeles de la imagen generando una imagen segmentada semaacutenticamente Finalmente los liacute-mites de las parcelas se utilizaron para mejorar la clasificacioacuten basada en piacutexeles utilizando el voto mayoritario de los piacutexeles de cada parcela Este procedimiento crea un mapa basado en objetos donde cada objeto es una parcela (Ghorbanian et al 2020) y mejora la precisioacuten basada en piacutexe-les eliminando piacutexeles mal clasificados dentro de segmentos homogeacuteneos conocido como rui-do de sal y pimienta (Wulder et al 2018) Esta estrategia post-clasificacioacuten produjo mejoras de rendimiento en nuestros trabajos anteriores (Morell-Monzoacute et al 2020 Morell-Monzoacute et al 2021) La Figura 4 muestra el flujo de trabajo para el procesamiento de los datos fotogrameacutetricos

La lectura y procesamiento de las nubes de puntos se realizoacute utilizando el paquete lidR (Roussel y Auty 2021) La lectura y manipulacioacuten de archi-vos raster y vectoriales se realizoacute utilizando los paquetes raster (Hijmans 2021) y rgdal (Bivand et al 2021) respectivamente y la extraccioacuten de caracteriacutesticas de textura se realizoacute utilizando el paquete glcm (Zvoleff 2020) en un entorno R 361 (R Core Team 2019)

Figura 3 Flujo de trabajo para el procesamiento de los datos LiDAR



55

24 Evaluacioacuten

Se evaluoacute el rendimiento de clasificacioacuten para cada fuente de informacioacuten utilizada (LiDAR y fotogrametriacutea SfM) La evaluacioacuten de la precisioacuten se realizoacute a traveacutes de una validacioacuten cruzada de 4 iteraciones En cada iteracioacuten se utilizaron frac34 de las parcelas para entrenamiento y las parcelas res-tantes (frac14) que nunca fueron vistas por el modelo fueron utilizadas como conjunto de test Para la validacioacuten cruzada de los datos LiDAR en cada iteracioacuten se utilizaron 90 parcelas para entrena-miento y 30 para test Para los datos derivados de fotogrametriacutea SfM en cada iteracioacuten se utili-zaron 210 parcelas para entrenamiento y 70 para test Se calculoacute la exactitud global iacutendice Kappa de Cohen y meacutetricas derivadas de la matriz de confusioacuten (precisioacuten y exhaustividad) utilizando el promedio de las 4 iteraciones de la validacioacuten cruzada La exactitud global es la medida maacutes simple y representa el nuacutemero de muestras correc-tamente clasificadas entre el total de muestras de test Debido a que la clasificacioacuten propuesta cons-ta de pocas categoriacuteas la probabilidad de acierto utilizando un modelo aleatorio es alta Por este motivo se incluyoacute el iacutendice Kappa que compara la exactitud observada con la exactitud esperada (probabilidad aleatoria) Se incluyeron tambieacuten la precisioacuten y la exhaustividad de cada clase que corresponden a la exactitud del productor y del usuario respectivamente

3 Resultados

Todos los modelos Random Forests creados con-vergieron antes de los 200 aacuterboles de decisioacuten El hiperparaacutemetro mtry que define el nuacutemero de ca-racteriacutesticas en cada embolsamiento fue ajustado a 6 para el conjunto de caracteriacutesticas derivadas del LiDAR y a 5 para el conjunto de caracteriacutesti-cas derivadas de la nube de puntos fotogrameacutetrica

Los datos LiDAR obtuvieron una exactitud global de clasificacioacuten del 679 con un iacutendice Kappa de 052 La precisioacuten para las parcelas NP y AB fue del 65 y del 67 respectivamente mientras que la clase PR obtuvo una precisioacuten del 73 Los datos LiDAR tuvieron mayor capacidad para clasificar las parcelas PR que las parcelas NP y AB Esto se debe a la semejanza altimeacutetrica que hay entre las parcelas no productivas y las parcelas abandonadas con vegetacioacuten muy baja que son frecuentes en nuestro conjunto de datos Los valo-res de precisioacuten y exhaustividad tambieacuten muestran esta tendencia (Tabla 1)

Figura 4 Flujo de trabajo para el procesamiento de los datos fotogrameacutetricos

Tabla 1 Rendimiento de clasificacioacuten de los datos LiDAR mediante una validacioacuten cruzada de 4 iteraciones

LiDAR Validacioacuten cruzada (k=4)No

productivo Productivo AbandonadoPrecisioacuten 06507 07326 06713Exhaustividad 06750 07000 06625Exactitud global 067915Kappa de Cohen 051875



56

Los datos derivados de la nube de puntos fotogra-meacutetrica mostraron un rendimiento de clasificacioacuten mayor que los datos LiDAR Se obtuvo una exac-titud global maacutexima de 8356 No obstante la exactitud global de clasificacioacuten varioacute dependien-do del tamantildeo de ventana utilizado para calcular las caracteriacutesticas de textura entre el 7929-8357 (Tabla 2) con un promedio de 8089 El refina-miento de la clasificacioacuten utilizando la votacioacuten mayoritaria dentro de cada parcela produjo una mejora del rendimiento a todos los tamantildeos de ventana con una mejora promedio del 176 (Tabla 2)

Tabla 2 Exactitud global de clasificacioacuten basada en piacutexeles (antes de aplicar el voto mayoritario por parcela) y basada en parcelas (despueacutes de aplicar el voto mayoritario por parcela)

GLCMkernel

Exactitud global(piacutexel)

Exactitud global (parcela)

3times3 07588 07929

5times5 07674 08000

7times7 07757 07929

9times9 07831 08072

11times11 07883 08286

13times13 07966 08357

15times15 07984 08143

17times17 08044 08072

19times19 08055 08072

21times21 08056 08072

23times23 08058 08072

25times25 08060 08072

max 08060 08357

min 07588 07929

promedio 07913 08089

El mejor rendimiento se obtuvo al extraer las caracteriacutesticas de textura a un tamantildeo de ventana de 13times13 A este tamantildeo de ventana la exactitud global de la clasificacioacuten basada en piacutexeles fue del 7965 (Kappa 066) y el refinamiento mediante votacioacuten mayoritaria aumentoacute el rendimiento has-ta una exactitud global de 8357 (Kappa 074) con una precisioacuten de 8396 para la clase NP 9288 para la clase PR y 7658 para la clase AB La ca-tegoriacutea maacutes faacutecilmente detectable por esta fuente de informacioacuten fue tambieacuten PR Sin embargo las parcelas NP fueron maacutes faacutecilmente detectables que las AB (Tabla 3)

Tabla 3 Rendimiento de clasificacioacuten de los datos fotogra-meacutetricos mediante una validacioacuten cruzada de 4 iteraciones

Fotogrametriacutea SfM

Validacioacuten cruzada (k=4)No


A continuacioacuten la Figura 5 muestra la prediccioacuten de los datos LiDAR para el antildeo 2015 frente a la prediccioacuten de los datos fotogrameacutetricos SfM para 2021 Se pueden observar diferencias entre ambas predicciones debido tanto a los cambios en los usos del suelo producidos entre 2015 y 2021 como por las diferencias de exactitud de clasificacioacuten de ambas fuentes de datos utilizadas

4 Discusioacuten

El estudio evaluoacute el uso de datos altimeacutetricos para la deteccioacuten de parcelas de ciacutetricos abando-nadas Se evaluoacute el rendimiento de clasificacioacuten de tres tipos de parcelas uacutetiles para el estudio del abandono de tierras y para la estimacioacuten de rendimientos agriacutecolas Los resultados obtenidos mostraron un rendimiento de clasificacioacuten bajo para los datos LiDAR (68) con una resolucioacuten de 08 puntosm2 Sin embargo los datos altimeacute-tricos derivados de un proceso fotogrameacutetrico SfM obtuvieron una precisioacuten de clasificacioacuten del 8356 Este mejor rendimiento podriacutea ser explicado teniendo en cuenta que debido a la alta densidad de la nube de puntos fotogrameacutetri-ca se pudieron extraer caracteriacutesticas de textura a partir del CHM Nuestras experiencias previas (Morell-Monzoacute et al 2021) mostraron que las caracteriacutesticas de textura mejoran el rendimiento de clasificacioacuten para monitorizar parcelas de ciacute-tricos Los datos LiDAR con una resolucioacuten de 08 puntosm2 no permitieron la extraccioacuten de caracteriacutesticas de textura

Si comparamos los resultados obtenidos con estudios anteriores observamos las siguientes diferencias en cuanto a rendimiento Para la deteccioacuten de parcelas abandonadas de ciacutetricos las imaacutegenes de alta reso-lucioacuten (sub-meacutetricas) con 4 bandas espectrales (R G B NIR) ofrecieron un mejor rendimiento (exac-titud global 93-95) (Morell-Monzoacute et al 2021) que ambas fuentes de informacioacuten altimeacutetrica Sin



57

embargo los datos altimeacutetricos obtenidos mediante fotogrametriacutea mostraron un rendimiento similar a un enfoque basado en una uacutenica imagen Sentinel-2 (exactitud global 77) (Morell-Monzoacute et al 2020) En relacioacuten con los estudios de Kolecka et al (2015) y Czesak et al (2021) que utilizan datos LiDAR de una resolucioacuten mayor (4-12 puntosm2) la exactitud global para la deteccioacuten del abandono de cultivos estacionales fue del 82 (Czesak et al 2021) mientras que para la monitorizacioacuten de suce-siones forestales secundarias fue del 95 (Kolecka et al 2015) Estos mejores rendimientos pueden explicarse por la mayor densidad de puntos LiDAR utilizados en estos trabajos en comparacioacuten a los del PNOA aplicados en nuestro estudio (08 puntosm2) y teniendo en cuenta que la variacioacuten que se produce en los cultivos estacionales abandonados facilita su deteccioacuten frente a una cubierta de aacuterboles frutales perennes (ciacutetricos) Los mejores resultados

obtenidos a partir de la nube de puntos derivada por procesos fotogrameacutetricos basados en SfM y en otros estudios en los que utilizan datos LiDAR de mayor densidad sugieren que este paraacutemetro podriacutea ser de intereacutes para aportar resultados maacutes precisos a los obtenidos con los datos LiDAR utilizados en nuestro trabajo

5 Conclusiones

Este trabajo proporciona una de las primeras experiencias en el uso de datos altimeacutetricos para cartografiar el abandono de tierras agriacutecolas de cul-tivos perennes El estudio calcula el rendimiento de datos LiDAR (08 puntosm2) y de datos altimeacutetri-cos derivados de un proceso de fotogrametriacutea SfM para el caso especiacutefico del abandono de cultivos de ciacutetricos El potencial de los datos altimeacutetricos es especialmente notorio en el caso de las nubes

Figura 5 Detalle de prediccioacuten obtenida a partir de los datos LiDAR (2015) frente a la obtenida por los datos fotogrameacute-tricos SfM (2021)



58

de puntos fotogrameacutetricas Structure from Motion de alta densidad Los resultados mostraron una exactitud global del 679 para los datos LiDAR y de un 836 de los datos fotogrameacutetricos La extraccioacuten de caracteriacutesticas de textura a partir del Canopy Heigh Model fue clave para identificar par-celas no productivas productivas y abandonadas Investigaciones futuras deberiacutean explorar la fusioacuten de datos espectrales texturales y altimeacutetricos para el estudio de parcelas de ciacutetricos y otros cultivos perennes y analizar el rendimiento de las futuras co-berturas de datos LiDAR con una mayor densidad de puntos

Agradecimientos

Los autores agradecen los fondos recibidos para realizar este trabajo a traveacutes del proyecto de in-vestigacioacuten ldquoEstudio del Abandono de Tierras Utilizando Diferentes Teacutecnicas de Teledeteccioacutenrdquo (AICO2020246) financiado por la Generalitat Valenciana

ReferenciasAlcantara C Kuemmerle T Prishchepov A

V Radeloff V C 2012 Mapping abandoned agriculture with multi-temporal MODIS satellite data Remote Sensing of Environment 124 334-347 httpsdoiorg101016jrse201205019

Amoroacutes-Lopez J Izquierdo-Verdiguier E Goacutemez-Chova L Muntildeoz-Mariacute J Rodriacuteguez-Barreiro J Z Camps-Valls G Calpe-Maravilla J 2011 Land cover classification of VHR airborne images for citrus grove identification ISPRS Journal of Photogrammetry and Remote Sensing 66 115-123 httpsdoiorg101016jisprsjprs201009008

Belgiu M Drăguţ L 2016 Random forest in remote sensing A review of applications and future directions ISPRS Journal of Photogrammetry and Remote Sensing 114 24-31 httpsdoiorg101016jisprsjprs201601011

Bivand R Keitt T Rowlingson B 2021 rgdal Bindings for the lsquoGeospatialrsquo Data Abstraction Library R package version 15-23 httpsCRANR-projectorgpackage=rgdal

Bouvier M Durrieu S Fournier R A Renaud J 2015 Generalizing predictive models of forest inventory attributes using an area-based approach with airborne las data Remote Sensing of Environment 156 322-334 httpdoiorg101016jrse201410004

Breiman L 2001 Random Forests Machine Learning 45 5-32 httpsdoiorg101023A1010933404324

Compeacutes R Garciacutea J M Martiacutenez V 2019 La crisis citriacutecola en la Comunidad Valenciana y el Acuerdo de Asociacioacuten Econoacutemica con el sur de Aacutefrica Comunicacioacuten Universitat Politegravecnica de Valegravencia

Czesak B Roacuteżycka-Czas R Salata T Dixon-Gough R Hernik J 2021 Determining the Intangible Detecting Land Abandonment at Local Scale Remote Sensing 13 1166 httpsdoiorg103390rs13061166

Dara A Baumann M Kuemmerle T Pflugmacher D Rabe A Griffiths P Houmllzel N Kamp J Freitag M Hostert P 2018 Mapping the timing of cropland abandonment and recultivation in northern Kazakhstan using annual Landsat time series Remote Sensing of Environment 213 49-60 httpsdoiorg101016jrse201805005

Estel S Kuemmerle T Alcaacutentara C Levers C Prishchepov A V Hostert P 2015 Mapping farmland abandonment and recultivation across Europe using MODIS NDVI time series Remote Sensing of Environment 163 312-325 httpsdoiorg101016jrse201503028

Generalitat Valenciana 2020 Estadiacutesticas agriacutecolas Superficies y produccioacuten de la Comunitat Valenciana (Principales cultivos) httpsagroambientgvaesesestadistiques-agricoles

Gil-Yepes J L Ruiz L A Recio J A Balaguer-Beser A Hermosilla T 2016 Description and validation of a new set of object-based temporal geostatistical features for land-useland-cover change detection ISPRS Journal of Photogrammetry and Remote Sensing 121 77-91 httpsdoiorg101016jisprsjprs201608010

Ghorbanian A Kakooei M Amani M Mahdavi S Mohammadzadeh A Hasanlou M 2020 Improved land cover map of Iran using Sentinel imagery withing Google Earth Engine and novel automatic workflow for land cover classification using migrated training samples ISPRS Journal of Photogrammetry and Remote Sensing 167 276-288 httpsdoiorg101016jisprsjprs202007013

Grădinaru S R Kienast F Psomas A 2019 Using multi-seasonal Landsat imagery for rapid identification of abandoned land in areas affected by urban sprawl Ecological Indicators 96(2) 79-86 httpsdoiorg101016jecolind201706022

Hijmans R H 2021 raster Geographic Data Analysis and Modeling R package version 34-10 httpsCRANR-projectorgpackage=raster



59

Khosravipour A Skidmore A K Isenburg M Wang T Hussin Y A 2014 Generating pitfree canopy height models from airborne Lidar Photogrammetric Engineering amp Remote Sensing 80(9) 863-872 httpsdoiorg1014358PERS809863

Kolecka N Kozak J Kaim D Dobosz M Ginzler C Psomas A 2015 Mapping Secondary Forest Succession on Abandoned Agricultural Land with LiDAR Point Clouds and Terrestrial Photography Remote Sensing 7(7) 8300-8322 httpsdoiorg103390rs70708300

Loumlw F Prishchepov F Waldner F Dubovyk O Akramkhanov A Biradar C Lamers J 2018 Mapping Cropland Abandonment in the Aral Sea Basin with MODIS Time Series Remote Sensing 10(2) 159 httpsdoiorg103390rs10020159

Ministerio de Agricultura y Pesca Alimentacioacuten y Medio Ambiente 2020 ESYRCE Encuesta Sobre Superficies y Rendimientos del antildeo 2019 Ministerio de Agricultura y Pesca Alimentacioacuten y Medio Ambiente Madrid Spain 2020 httpswwwmapagobesesestadisticatemasestadisticas-agrariasagriculturaesyrce

Morell-Monzoacute S Estornell J Sebastiaacute-Frasquet M-T 2020 Comparison of Sentinel-2 and High-Resolution Imagery for Mapping Land Abandonment in Fragmented Areas Remote Sensing 12(12) 2062 httpsdoiorg103390rs12122062

Morell-Monzoacute S Sebastiaacute-Frasquet MT Estornell J 2021 Land Use Classification of VHR Images for Mapping Small-Sized Abandoned Citrus Plots by Using Spectral and Textural Information Remote Sensing 13(4) 681 httpsdoiorg103390rs13040681

Neigh C S R Carroll M L Wooten M R McCarty J L Powell B F Husak G J Enenkel M Hain C R 2018 Smallholder crop area mapped with wall-to-wall WorldView sub-meter panchromatic image texture A test case for Tigray Ethiopia Remote Sensing of Environment 212 8-20 httpsdoiorg101016jrse201804025

Niemi M T Vauhkonen J 2016 Extracting Canopy Surface Texture from Airborne Laser Scanning Data for the Supervised and Unsupervised Prediction of Area-Based Forest Characteristics Remote Sensing 8(7) 582 httpsdoiorg103390rs8070582

Ozdemir I Donoghue D N M 2013 Modelling tree size diversity from airborne laser scanning using canopy height models with image texture measures Forest Ecology and Management 295 28-37 httpsdoiorg101016jforeco201212044

Pal M 2005 Random forest classifier for remote sensing classification International Journal of Remote Sensing 26(1) 217-222 httpsdoiorg10108001431160412331269698

Prishchepov AV 2020 Agricultural Land Abandonment Oxford Bibliographies Environmental Science Oxford University Press httpsdoiorg101093obo9780199363445-0129

Prishchepov AV Radeloff VC Dubinin M Alcantara C 2012 The effect of Landsat ETMETM image acquisition dates on the detection of agricultural land abandonment in Eastern Europe Remote Sensing of Environment 126 195-209 httpsdoiorg101016jrse201208017

R Core Team 2019 R A language and environment for statistical computing R Foundation for Statistical Computing Vienna Austria URL httpswwwR-projectorg

Recio J A Hermosilla T Ruiz L A Palomar J 2013 Automated extraction of tree and plot-based parameters in citrus orchards from aerial images Computer and Electronics in Agriculture 90 24-34 httpsdoiorg101016jcompag201210005

Rounsevell M D A Reginster I Arauacutejo M B Carter T R Dendoncker N Ewert F House J I Kankaanpaumlauml S Leemans R Metzger M J 2006 A coherent set of future land use change scenarios for Europe Agriculture Ecosystems and Environment 114 57-68 httpsdoiorg101016jagee200511027

Roussel J R Auty D 2021 Airborne LiDAR Data Manipulation and Visualization for Forestry Applications R package version 312 httpscranrprojectorgpackage=lidR

Sheykhmousa M Mahdianpari M Ghanbari H Mohammadimanesh F Ghamisi P Homayouni S 2020 Support Vector Machine versus Random Forest for Remote Sensing Image Classification A Meta-Analysis and Systematic Review IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing 13 6308-6325 httpsdoiorg101109JSTARS20203026724

Subedi Y R Kristiansen P Cacho O 2021 Drivers and consecuences of agricultural land abandonment and its reutilisation pathways A systematic review Environmental Development (in press) httpsdoiorg101016jenvdev2021100681

Szostak M Hawryło P Piela D 2017 Using of Sentinel-2 images for automation of the forest succession detection European Journal of Remote Sensing 51 142-149 httpsdoiorg1010802279725420171412272



60

Vajsovaacute B Fasbender D Wirnhardt C Lemajic S 2019 Applicability limits of Sentinel-2 data compared to higher resolution imagery for CAP checks by monitoring Sima A and Aastrand P editor(s) EUR 29721 EN Publications Office of the European Union Ispra 2019 ISBN 978-92-76-01935-0 httpsdoiorg10276026277 JRC115564

Vajsovaacute B Fasbender D Wirnhardt C Lemajic S Devos W 2020 Assessing Spatial Limits of Sentinel-2 Data on Arable Crops in the Context of Checks by Monitoring Remote Sensing 12(14) 2195 httpsdoiorg103390rs12142195

Wulder M A Coops NC Roy DP White JC Hermosilla T 2018 Land cover 20 International Journal of Remote Sensing 39 4254-4284 httpsdoiorg1010800143116120181452075

Yin H Prishchepov A V Kuemmerle T Bleyhl B Buchner J Radeloff V C 2018 Mapping agricultural land abandonment from spatial and temporal segmentation of Landsat time series Remote Sensing of Environment 210 12-24 httpsdoiorg101016jrse201802050

Zhang K Chen S C Whitman D Shyu M L Yan J Zhang C 2003 A progressive morphological filter for removing nonground measurements from airborne LIDAR data IEEE Transactions on Geoscience and Remote Sensing 41(4 PART I) 872-882 httpdoiorg101109TGRS2003810682

Zhang P Hu S Li W Zhang C 2020 Parcel-level mapping of crops in smallholder agricultural area A case study of central China using single-temporal VHSR imagery Computer and Electronics in Agriculture 175 105581 httpsdoiorg101016jcompag2020105581

Zhang W Qi J Wan P Wang H Xie D Wang X Yan G 2016 An Easy-to-Use Airborne LiDAR Data Filtering Method Based on Cloth Simulation Remote Sensing 8(6) 501 httpsdoiorg103390rs8060501

Zurita-Milla R Izquierdo-Verdiguier E de By RA 2017 Identifying crops in smallholder farms using time series of WorldView-2 images 9th International Workshop on the Analysis of Multitemporal Remote Sensing Images (MultiTemp) httpsdoiorg101109Multi-Temp20178035246

Zvoleff A 2020 glcm Calculate Textures from Grey-Level Co-Occurrence Matrices (GLCMs) R package version 165 httpsCRANR-projectorgpackage=glcm



50

1 Introduccioacuten

El abandono de tierras agriacutecolas es un fenoacutemeno creciente a nivel mundial con relevantes impli-caciones medioambientales (ej biodiversidad captacioacuten de CO2 incendios forestales recursos hiacutedricos etc) y socio-econoacutemicas (ej produccioacuten alimentaria sustento y paisaje) (Prishchepov 2020) El abandono de tierras agriacutecolas ocurre frecuentemente en aacutereas montantildeosas y en zonas con estructuras parcelarias fragmentadas (Czesak et al 2021) Ademaacutes seguacuten el tipo de cultivo el contexto social y ambiental el abandono de tie-rras se puede percibir como un problema o como una oportunidad (Czesak et al 2021) Algunos de los impactos negativos que se pueden derivar del abandono de tierras estaacuten relacionados con la seguridad alimentaria la degradacioacuten del paisaje la proliferacioacuten de especies invasoras o la peacuterdida de aspectos sociales y culturales (Subedi et al 2021) Por otra parte pueden producirse impactos positivos como el incremento en la fijacioacuten de CO2 la mejora de la calidad del suelo la creacioacuten de nuevos haacutebitats y el aumento de la biodiversi-dad (Subedi et al 2021) Sin embargo algunos de estos impactos pueden ser tanto positivos como negativos dependiendo del contexto donde se pro-duce el abandono de tierras (Subedi et al 2021) Estas caracteriacutesticas hacen del abandono de tierras un fenoacutemeno complejo que debe ser estudiado a distintas escalas (global regionalnacional y local)

Espantildea es el mayor productor de ciacutetricos de Europa y la Comunitat Valenciana alberga maacutes del 50 de la produccioacuten nacional (MAPAMA 2020) Sin embargo la Comunitat Valenciana es

una de las regiones donde se estaacute produciendo un mayor abandono de tierras en las uacuteltimas deacutecadas Desde el antildeo 2000 hasta el 2020 se ha producido una disminucioacuten en torno al 20 de la superficie cultivada (MAPAMA 2020) En 2020 la super-ficie dedicada al cultivo de ciacutetricos se estimaba en 159140 ha (MAPAMA 2020) Las causas que han propiciado el abandono de tierras son complejas sin embargo se podriacutean resumir en a) competencia con productores extranjeros fuera de la Unioacuten Europea b) aparicioacuten de usos del suelo maacutes rentables (usos urbanos) c) poliacuteticas de im-portacioacuten europeas desfavorables d) ineficiencias propias del sector citriacutecola valenciano (Compeacutes et al 2019) En los proacuteximos antildeos se espera un aumento de las zonas abandonadas dentro y fuera de la Comunidad Valenciana debido a los cambios socio-econoacutemicos que se estaacuten produciendo en la Unioacuten Europea (Rounsevell et al 2006 Subedi et al 2021)

La teledeteccioacuten es una potente herramienta que nos permite observar los cambios en el uso de la tierra relacionados con el abandono de tierras agriacute-colas desde un punto de vista espacial y temporal a diferentes escalas Los esfuerzos previos para cartografiar el abandono de tierras se han centrado en la monitorizacioacuten de cultivos estacionales en grandes aacutereas que no requieren una resolucioacuten espacial fina Con este fin se han utilizado series temporales MODIS y Landsat (ej Alcantara et al 2012 Estel et al 2015 Loumlw et al 2018 Yin et al 2018 Grădinaru et al 2019 Prishchepov et al 2012 Dara et al 2018) Las imaacutegenes Sentinel-2 han permitido abordar el problema a una mayor resolucioacuten espacial (ej Szostak et al 2017) sin embargo la monitorizacioacuten de cultivos

detect abandoned crops using moderate resolution images In this work an approach is applied to monitor citrus crops using altimetric data The study uses two sources of altimetry data LiDAR from the National Plan for Aerial Orthophotography (PNOA) and altimetric data obtained through an unmanned aerial system applying photogrammetric processes (Structure from Motion) The results showed an overall accuracy of 679 for the LiDAR data and 836 for the photogrammetric data The high density of points in the photogrammetric data allowed to extract texture features from the Gray Level Co-Occurrence Matrix derived from the Canopy Height Model The results indicate the potential of altimetry information for monitoring abandoned citrus fields especially high-density point clouds Future research should explore the fusion of spectral textural and altimetric data for the study of abandoned citrus crops

Key words LiDAR 3D photogrammetry crop status land abandonment citrus



51








22 Datos




52








53








54








55

24 Evaluacioacuten


3 Resultados









56



GLCMkernel



3times3 07588 07929

5times5 07674 08000

7times7 07757 07929

9times9 07831 08072

11times11 07883 08286

13times13 07966 08357

15times15 07984 08143

17times17 08044 08072

19times19 08055 08072

21times21 08056 08072

23times23 08058 08072

25times25 08060 08072

max 08060 08357

min 07588 07929








4 Discusioacuten





57



5 Conclusiones





58


Agradecimientos




















59






















60












51








22 Datos




52








53








54








55

24 Evaluacioacuten


3 Resultados









56



GLCMkernel



3times3 07588 07929

5times5 07674 08000

7times7 07757 07929

9times9 07831 08072

11times11 07883 08286

13times13 07966 08357

15times15 07984 08143

17times17 08044 08072

19times19 08055 08072

21times21 08056 08072

23times23 08058 08072

25times25 08060 08072

max 08060 08357

min 07588 07929








4 Discusioacuten





57



5 Conclusiones





58


Agradecimientos




















59






















60












52








53








54








55

24 Evaluacioacuten


3 Resultados









56



GLCMkernel



3times3 07588 07929

5times5 07674 08000

7times7 07757 07929

9times9 07831 08072

11times11 07883 08286

13times13 07966 08357

15times15 07984 08143

17times17 08044 08072

19times19 08055 08072

21times21 08056 08072

23times23 08058 08072

25times25 08060 08072

max 08060 08357

min 07588 07929








4 Discusioacuten





57



5 Conclusiones





58


Agradecimientos




















59






















60












53








54








55

24 Evaluacioacuten


3 Resultados









56



GLCMkernel



3times3 07588 07929

5times5 07674 08000

7times7 07757 07929

9times9 07831 08072

11times11 07883 08286

13times13 07966 08357

15times15 07984 08143

17times17 08044 08072

19times19 08055 08072

21times21 08056 08072

23times23 08058 08072

25times25 08060 08072

max 08060 08357

min 07588 07929








4 Discusioacuten





57



5 Conclusiones





58


Agradecimientos




















59






















60












54








55

24 Evaluacioacuten


3 Resultados









56



GLCMkernel



3times3 07588 07929

5times5 07674 08000

7times7 07757 07929

9times9 07831 08072

11times11 07883 08286

13times13 07966 08357

15times15 07984 08143

17times17 08044 08072

19times19 08055 08072

21times21 08056 08072

23times23 08058 08072

25times25 08060 08072

max 08060 08357

min 07588 07929








4 Discusioacuten





57



5 Conclusiones





58


Agradecimientos




















59






















60












55

24 Evaluacioacuten


3 Resultados









56



GLCMkernel



3times3 07588 07929

5times5 07674 08000

7times7 07757 07929

9times9 07831 08072

11times11 07883 08286

13times13 07966 08357

15times15 07984 08143

17times17 08044 08072

19times19 08055 08072

21times21 08056 08072

23times23 08058 08072

25times25 08060 08072

max 08060 08357

min 07588 07929








4 Discusioacuten





57



5 Conclusiones





58


Agradecimientos




















59






















60












56



GLCMkernel



3times3 07588 07929

5times5 07674 08000

7times7 07757 07929

9times9 07831 08072

11times11 07883 08286

13times13 07966 08357

15times15 07984 08143

17times17 08044 08072

19times19 08055 08072

21times21 08056 08072

23times23 08058 08072

25times25 08060 08072

max 08060 08357

min 07588 07929








4 Discusioacuten





57



5 Conclusiones





58


Agradecimientos




















59






















60












57



5 Conclusiones





58


Agradecimientos




















59






















60












58


Agradecimientos




















59






















60












59






















60












60










cartografía del abandono de cultivos de cítricos mediante

Documents