Deep learning–based identification of LULUCF categories using a mixture of experts architecture and remote sensing data

• García Martín, Sergio ^[1] ; García Bruzón, Adrián ^[1] ; Arrogante Funes, Fátima ^[1] ; Martín de Diego, Isaac ^[1] ; Fernandez Isabel, Alberto ^[1] ; Álvarez Ripado, Ariadna ^[1] ; Martín González, Fidel ^[1] ; Aceña Gil, Víctor ^[1] ; Lancho Martín, María del Carmen ^[1] ; Arrogante Funes, Patricia ^[1]
  1. [1] Universidad Rey Juan Carlos

     Universidad Rey Juan Carlos

     Madrid, España

     
• Localización: Teledetección multidisciplinar: Miradas diversas, soluciones comunes. XXI Congreso de la Asociación Española de Teledetección (AET) / Elia María Quirós Rosado (ed. lit.), Laura Fragoso Campón (ed. lit.) , María Alicia Antolín Salazar (ed. lit.), 2026, ISBN 978-84-9127-367-7, págs. 909-913
• Idioma: inglés
• Títulos paralelos:
  • Identificación de categorías LULUCF basada en 'deep learning' mediante una arquitectura de mezcla de expertos y datos de teledetección
• Enlaces
  • Texto Completo Libro
• Resumen
  • español

    En el marco de las políticas climáticas, la monitorización del uso y la cobertura del suelo es fundamental para la evaluación del sector LULUCF. En este contexto, la teledetección y el uso de métodos de Deep Learning permiten avanzar hacia cartografías más precisas y detalladas. El objetivo de este trabajo es evaluar la viabilidad de una arquitectura de Deep Learning basada en mezcla de expertos para la identificación jerárquica de categorías LULUCF, con especial atención a áreas forestales. La metodología se basa en una arquitectura en cascada compuesta por tres modelos U-Net especializados en clasificación contextual, detección binaria de arbolado e identificación de especies, utilizando cartografía SIOSE-AR de alta resolución sobre una hoja MTN50 del norte de España. Los resultados preliminares muestran una correcta identificación de patrones espaciales y de las principales categorías, aunque se ve afectada por el desbalanceo entre clases. En conjunto, el enfoque presenta un alto potencial para la monitorización LULUCF basada en datos de teledetección.

  • English

    In the context of climate policies, land use and land cover monitoring is a key component for assessing the LULUCFsector. In this regard, remote sensing combined with deep learning offers new opportunities for more consistent andspatially detailed mapping. The objective of this study is to evaluate the feasibility of a deep learning architecture basedon a Mixture of Experts for the hierarchical identification of LULUCF categories, with a particular focus on forested areas.The proposed methodology relies on a cascaded architecture composed of three specialized U-Net models addressingcontextual land-use classification, binary tree detection, and tree-species identification, using high-resolution SIOSE-ARdata over an MTN50 sheet in northern Spain. Preliminary results indicate a coherent identification of spatial patterns andmajor land-use categories, although class imbalance remains a limiting factor. Overall, the approach shows strongpotential for LULUCF monitoring using remote sensing data.