In this paper, the aerial biomass of citrus plantations in Spain was evaluated using destructive methods. Before cutting down the trees, their geometric variables were measured: trunk diameter at 10 cm from the ground (D_t), trunk perimeter at 10 cm from the ground (P_m), mean crown diameter (D_c), canopy height (H_c), and maximum crown height (H_max). After geometric characterization of the tree, it was felled. This was performed with a chainsaw about 10 cm above the ground. After cutting down, trees with and without leaves were weighed, and biomass variables such as moisture, calorific value, elemental composition, and proximate analysis were measured. The predictive models obtained showed an r² of 0.78. According to our analysis, in plantations in Spain, where the average plantation pattern is 4 × 4 m, the amount of carbon stored in a plot is 15 t of C per hectare. If leaves and wood are counted, the energy density in citrus plots can be estimated at 900 MJ/tree. However, if only wood is included in the calculation, the accumulated energy per tree is 750.3 MJ/tree, which represents 5.6 × 10⁵ MJ/ha.

La actualización periódica de las bases de datos de usos del suelo es esencial para la gestión de ayudas, la planificación territorial y el seguimiento de la producción agraria. Sin embargo, la obtención de muestras de entrenamiento para la clasificación supervisada constituye una de las fases más costosas y dependientes de la intervención humana. En este trabajo se propone una metodología para actualizar automáticamente una base de datos de usos del suelo mediante clasificación orientada a objetos de ortoimágenes de alta resolución y migración de muestras de entrenamiento. La migración de muestras consiste en reutilizar las parcelas empleadas como muestras de entrenamiento en un año de referencia, siempre que se verifique que su uso del suelo no ha cambiado en la fecha objetivo. Para identificar estas parcelas estables se comparan numéricamente sus representaciones en las ortoimágenes de ambos años mediante cinco medidas de similitud: correlación de Pearson, diferencia de la banda roja, distancia euclídea, Spectral Angle Mapper (SAM) y Spectral Similarity Value (SSV). Las parcelas identificadas como invariables se utilizan como nuevas muestras de entrenamiento para clasificar la imagen del año objetivo mediante el algoritmo Random Forest, evitando así un nuevo proceso de fotointerpretación o trabajo de campo. La metodología se evaluó sobre 48.923 parcelas agrícolas de la provincia de Valencia (España). Los resultados muestran que la correlación de Pearson fue la medida más eficaz para seleccionar las muestras migradas, obteniendo la mayor exactitud global (86,15 %) con un umbral de r > 0,6153. La metodología propuesta reduce significativamente el esfuerzo de obtención de muestras y permite actualizar bases de datos agrícolas de forma más rápida, automatizada y fiable.