High-resolution satellite imagery has substantially improved the monitoring of vegetation dynamics; however, the influence of spatial resolution and pixel aggregation on NDVI time series consistency remains insufficiently quantified, particularly across multiple native resolutions within a single sensor platform. This study evaluates how Sentinel-2 spatial resolutions (10 m, 20 m, and 60 m) and two pixel aggregation methods (pure-pixel and centroid) affect NDVI time series in 14,031 grassland plots across mainland Spain over the period 2018–2023. High-quality NDVI time series were selected using the Interpolation Efficiency Indicator (IEI), and discrepancies relative to a 10 m pure-pixel baseline were quantified through the Time Series Angle Distance (TSAD) and Root Mean Square Error (RMSE). A sensitivity check confirmed that the radiometric differences between Band 8 (10 m) and Band 8A (20/60 m) introduce negligible bias compared with genuine spatial-resolution effects. Formal non-parametric statistical testing—omnibus Kruskal–Wallis with epsilon-squared () effect sizes and pairwise Cliff’s Delta comparisons—was applied to assess the magnitude and practical significance of the observed differences across plot area categories and Köppen climate groups (B, Cs, Cf). Results show that coarser resolutions (60 m) substantially reduce NDVI reliability, excluding more than half of the plots under the pure-pixel criterion and smoothing temporal variability, whereas 10 m and 20 m resolutions preserve most spectral and temporal information. The 20 m resolution introduces moderate but non-severe phenological distortion (median TSAD ≈ 0.05 rad, RMSE ≈ 0.026) with a 78% reduction in data volume and 72% reduction in processing time. The choice between pure-pixel and centroid sampling has negligible impact at 10–20 m but becomes relevant at 60 m, where pure-pixel selection reduces errors from spectral mixing at the cost of severe sample attrition. Parcel area strongly conditions the error metrics, with large effect sizes () in the smallest plots, while Köppen climate classification decisively shapes TSAD (up to ), indicating that spatial degradation distorts phenological patterns differently across climate classes. These findings support a multi-scale monitoring strategy: 10 m for fragmented, heterogeneous grasslands (10 ha), and outline potential implications for policy frameworks such as the Common Agricultural Policy (CAP).
18 March 2026 in Congresos UEX, actas de congresos
Ante los daños persistentes sobre Pinus radiata ocasionados por la enfermedad de la banda marrón en Euskadi, la teledetección se presenta como una herramienta fundamental. Este trabajo explora la capacidad de los modelos de aprendizaje automático basados en datos Sentinel-2 para su monitorización. Se desarrolló un modelo Random Forest de clasificación para detectar los daños ocasionados según cuatro niveles de defoliación observada. La muestra de píxeles verdad-terreno se clasificó sobre ortofotografías de 25cm, calculándose como predictores un conjunto de índices de vegetación, así como variables topográficas. El modelo resultante quedó definido por tres índices, suficientes para un rendimiento del modelo estable con una precisión del 70%. Destacó su capacidad de identificar correctamente las clases extremas, sano y grave, en contraposición con la confusión en las clases intermedias, leve y moderado. Estos resultados son coherentes con la defoliación progresiva de los árboles afectados, lo que se traduce en un solape espectral entre los niveles de defoliación. Sin embargo, se ven penalizados por la decisión de definir una primera clase (sano) restrictiva, donde sólo se incluyeron píxeles sin afección. Estos resultados apuntan al potencial de los materiales y métodos empleados para aplicaciones futuras al seguimiento del estado de salud del pino.
Estimating production in cereal fields allows farmers to obtain information on improving management in their following campaigns and avoiding losses. The main objective of this work was to estimate grain production in cereals (wheat and barley) in the 2019 and 2020 campaigns in three provinces of Central Spain. The model was based on the prediction of the maximum values of the Sentinel-2 Normalized Difference Vegetation Index (NDVI) time series with ARIMA and multiple linear regression models. The highest correlation was found between grain yield and the variables’ five-month cumulative rainfall and maximum greenness (NDVImax).
18 March 2026 in Congresos UEX, actas de congresos
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.
18 March 2026 in Congresos UEX, actas de congresos
Se presenta el desarrollo de un sistema automático para la detección, identificación y posicionamiento planimétrico de árboles individuales a partir de imágenes panorámicas terrestres georreferenciadas, sin empleo directo de sensores LiDAR en el cálculo posicional. La metodología integra un modelo de detección basado en Deep Learning (YOLOv8) con un algoritmo de seguimiento multiobjeto (Deep SORT) y un procedimiento topográfico de intersección directa simple para estimar coordenadas planimétricas. El dataset fue generado a partir de inventarios de vegetación en carreteras de la Comunidad de Madrid, utilizando imágenes equirectangulares capturadas mediante sistema Mobile Mapping. Se entrenó el modelo con imágenes etiquetadas manualmente, estructuradas en subconjuntos de entrenamiento, validación y prueba. El ajuste de hiperparámetros se realizó mediante optimización automática. Las detecciones obtenidas se asociaron entre imágenes consecutivas y se transformaron en lecturas angulares a partir de la geometría de la proyección panorámica y la orientación del sensor. La posición final de cada árbol se estimó mediante intersección de visuales desde estaciones GNSS conocidas. La validación se realizó comparando los resultados con la nube de puntos LiDAR del mismo sistema. Los resultados muestran que la combinación de detección 2D y métodos topográficos permite obtener posiciones planimétricas coherentes, con errores compatibles con inventarios forestales de carácter operativo, reduciendo significativamente la intervención manual.