{rfName}
En

Indexado en

Licencia y uso

Icono OpenAccess

Citaciones

6

Altmetrics

Impacto en los Objetivos de Desarrollo Sostenible (ODS)

Investigadores/as Institucionales

Estefania-Salazar, EnriqueAutor (correspondencia)Iglesias, EvaAutor o Coautor

Compartir

4 de agosto de 2024
Publicaciones
>
Artículo
Sí

Enhancing spatio-temporal environmental analyses: A machine learning superpixel-based approach

Publicado en: Heliyon. 10 (14): e34711- - 2024-07-30 10(14), DOI: 10.1016/j.heliyon.2024.e34711

Autores:

Estefania-Salazar, E; Iglesias, E
[+]

Afiliaciones

Univ Politecn Madrid, CEIGRAM, Madrid 28040, Spain - Autor o Coautor

Resumen

The progressive evolution of the spatial and temporal resolutions of Earth observation satellites has brought multiple benefits to scientific research. The increasing volume of data with higher frequencies and spatial resolutions offers precise and timely information, making it an invaluable tool for environmental analysis and enhanced decision-making. However, this presents a formidable challenge for large-scale environmental analyses and socioeconomic applications based on spatial time series, often compelling researchers to resort to lower-resolution imagery, which can introduce uncertainty and impact results. In response to this, our key contribution is a novel machine learning approach for dense geospatial time series rooted in superpixel segmentation, which serves as a preliminary step in mitigating the high dimensionality of data in large-scale applications. This approach, while effectively reducing dimensionality, preserves valuable information to the maximum extent, thereby substantially enhancing data accuracy and subsequent environmental analyses. This method was empirically applied within the context of a comprehensive case study encompassing the 2002-2022 period with 8-d-frequency-normalized difference vegetation index data at 250-m resolution in an area spanning 43,470 km2. The efficacy of this methodology was assessed through a comparative analysis, comparing our results with those derived from 1000-m-resolution satellite data and an existing superpixel algorithm for time series data. An evaluation of the time-series deviations revealed that using coarser-resolution pixels introduced an error that exceeded that of the proposed algorithm by 25 % and that the proposed methodology outperformed other algorithms by more than 9 %. Notably, this methodological innovation concurrently facilitates the aggregation of pixels sharing similar land-cover classifications, thus mitigating subpixel heterogeneity within the dataset. Further, the proposed methodology, which is used as a preprocessing step, improves the clustering of pixels according to their time series and can enhance large-scale environmental analyses across a wide range of applications.
[+]

Palabras clave

Big dataClimate actionDimension reductionEnvironmental analysisMachine learningSuperpixelVegetation indiceVegetation indices

Indicios de calidad

Impacto bibliométrico. Análisis de la aportación y canal de difusión

El trabajo ha sido publicado en la revista Heliyon debido a la progresión y el buen impacto que ha alcanzado en los últimos años, según la agencia WoS (JCR), se ha convertido en una referencia en su campo. En el año de publicación del trabajo, 2024 aún no existen indicios calculados, pero en 2023, se encontraba en la posición 29/136, consiguiendo con ello situarse como revista Q1 (Primer Cuartil), en la categoría Multidisciplinary Sciences.

Independientemente del impacto esperado determinado por el canal de difusión, es importante destacar el impacto real observado de la propia aportación.

Según las diferentes agencias de indexación, el número de citas acumuladas por esta publicación hasta la fecha 2026-04-25:

  • WoS: 2
  • Scopus: 3
[+]

Impacto y visibilidad social

Desde la dimensión de Influencia o adopción social, y tomando como base las métricas asociadas a las menciones e interacciones proporcionadas por agencias especializadas en el cálculo de las denominadas “Métricas Alternativas o Sociales”, podemos destacar a fecha 2026-04-25:

  • La utilización de esta aportación en marcadores, bifurcaciones de código, añadidos a listas de favoritos para una lectura recurrente, así como visualizaciones generales, indica que alguien está usando la publicación como base de su trabajo actual. Esto puede ser un indicador destacado de futuras citas más formales y académicas. Tal afirmación es avalada por el resultado del indicador “Capture” que arroja un total de: 9 (PlumX).

Es fundamental presentar evidencias que respalden la plena alineación con los principios y directrices institucionales en torno a la Ciencia Abierta y la Conservación y Difusión del Patrimonio Intelectual. Un claro ejemplo de ello es:

  • El trabajo se ha enviado a una revista cuya política editorial permite la publicación en abierto Open Access.
  • Asignación de un Handle/URN como identificador dentro del Depósito en el Repositorio Institucional: https://oa.upm.es/92051/

Como resultado de la publicación del trabajo en el repositorio institucional, se han obtenido datos estadísticos de uso que reflejan su impacto. En términos de difusión, podemos afirmar que, hasta la fecha

  • Visualizaciones: 45
  • Descargas: 29
Siguiendo con el impacto social del trabajo, es importante enfatizar el hecho de que, por su contenido, puede ser asignado a la línea de interés del ODS 13 - Climate Action, con una probabilidad del 74% según el algoritmo mBERT desarrollado por Aurora University.
[+]

Análisis de liderazgo de los autores institucionales

Existe un liderazgo significativo ya que algunos de los autores pertenecientes a la institución aparecen como primer o último firmante, se puede apreciar en el detalle: Primer Autor (ESTEFANIA SALAZAR, ENRIQUE) y Último Autor (IGLESIAS MARTINEZ, EVA).

el autor responsable de establecer las labores de correspondencia ha sido ESTEFANIA SALAZAR, ENRIQUE.

[+]

Objetivos del proyecto

Los objetivos perseguidos en esta aportación se centran en mejorar el análisis ambiental espacio-temporal mediante técnicas avanzadas. Se propone analizar la evolución de la resolución espacial y temporal en datos satelitales para identificar sus beneficios y limitaciones en estudios ambientales. Se busca desarrollar un enfoque basado en aprendizaje automático y segmentación por superpíxeles para reducir la dimensionalidad de series temporales geoespaciales densas sin perder información relevante. Se pretende evaluar empíricamente la eficacia del método aplicado a datos NDVI normalizados de alta resolución (250 m) entre 2002 y 2022 en una zona de 43,470 km². Finalmente, se aspira a comparar el rendimiento del nuevo algoritmo con datos de menor resolución y métodos existentes, y a mejorar la agregación de píxeles con clasificaciones similares para optimizar análisis ambientales a gran escala.
[+]

Resultados más relevantes

Los resultados más relevantes de este estudio presentan una novedosa metodología basada en aprendizaje automático y segmentación por superpíxeles para series temporales geoespaciales densas. En primer lugar, la aplicación empírica abarcó el periodo 2002-2022 con datos del índice de vegetación de diferencia normalizada a resolución de 250 m y frecuencia de 8 días en un área de 43,470 km². En segundo lugar, la comparación con datos satelitales de resolución 1000 m mostró que el error introducido por estos píxeles de menor resolución superó en un 25 % al del algoritmo propuesto. En tercer lugar, la metodología superó en más de un 9 % a otros algoritmos existentes para series temporales. Finalmente, la técnica mejora la agregación de píxeles con clasificaciones de cobertura terrestre similares, reduciendo la heterogeneidad subpíxel.
[+]

Reconocimientos ligados al ítem

We acknowledge the support from Programa Propio Universidad Politecnica de Madrid.
[+]