Google Earth Engine: avaliação do alcance e limitações pararesolução de problemas agrícolas na Fazenda Santa Lucía,Barva, Heredia
DOI:
https://doi.org/10.15359/Palavras-chave:
Agricultura, Google Earth Engine, imagens de satélite, Sentinel-2, uso do soloResumo
O Google Earth Engine (GEE) é apresentado como uma ferramenta inovadora para a gestão agrícola, por meio da análise geoespacial de imagens de satélite. Neste estudo, o GEE foi utilizado para classificar solos na Fazenda Experimental Santa Lucía (FESL), utilizando imagens da coleção Sentinel-2 do programa Copernicus com resolução de 20 × 20 m ao longo de 2022. Quatro classes de treinamento (pastagem, floresta, café e in- fraestrutura) foram consideradas com o classificador Random Forest. Além disso, uma matriz de confusão pixel a pixel foi gerada para o processo de treinamento e validação do modelo. Os resultados mostram uma precisão geral de 96% no treinamento e 61% na validação, destacando a eficiência do modelo na distinção de classes, embora com potenciais áreas de melhoria na diferenciação entre café e floresta.
Referências
Alonso, J. C. y Hoyos, C. C. (2025). Una introducción a los modelos de Clasificación empleando R. Cali: Editorial Universidad Icesi. DOI:
https://doi.org/10.18046/EUI/bda.h.5.
Bontemps, S.; Arias, M.; Cara, C.; Dedieu, G.; Guzzonato, E.; Hagolle, O.; Inglada, J.; Matton, N.; Morin, D.; Popescu, R. J. R. S. (2015).
Building a data set over 12 globally distributed sites to support the development of agriculture monitoring applications with Sentinel-2.Remote Sensing, 7, 16062-16090.
Bruzzone, L.; Bovolo, F.; Paris, C.; Solano-Correa, Y.T.; Zanetti, M.; Fernández-Prieto. (2017) D. Analysis of multitemporal Sentinel-2 images in the framework of the ESA Scientific Exploitation of Operational Missions. In Proceedings of the 2017 9th International Workshop on the Analysis of Multitemporal Remote Sensing Images (MultiTemp), Brugge, Belgium, 27-29; pp. 1-4.
Chanev, M., Kamenova, I., Dimitrov, P., & Filchev, L. (2025). Evaluation of Sentinel-2 Deep Resolution 3.0 Data for Winter Crop Identification and Organic Barley Yield Prediction. Remote Sensing, 17(6),957. https://doi.org/10.3390/rs17060957.
EOS Data Analytics. (2025). Índices de vegetación en la agricultura digital. Recuperado de https://eos.com/es/blog/indices-de-vegetacion/.
FAO. (2019). The State of Food and Agriculture 2019: Moving forward on food loss and waste reduction. FAO. Recuperado de: https://www.fao.org/publications/home/fao-flagship-publications/the-state-of-food-and-agriculture/2019/en.
Godfray, H. C. J., Beddington, J., Crute, I., Haddad, L., Lawrence, D., Muir, J., Pretty, J., Robinson, S., Thomas, S., Toulmin, C. (2010).
Food security: The challenge of feeding 9 billion people. Science, 327(5967), 812-818.
Gorelick, N., Hancher, M., Dixon, M., Ilyushchenko, S., Thau, D., & Moore, R. (2017). Google Earth Engine: Planetary-scale geospatial
analysis for everyone. Remote Sensing of Environment, 202, 18-27. https://doi.org/10.1016/j.rse.2017.06.031 .
Hernández, H. J. I., Martínez, F. A., Torres, R. A. A., Orozco, S. A. P., Torres, L. R., Cienfuegos, M. F., Cerón, P. J. L. (2023). Desarrollo e implementación de clasificadores de imágenes mediante el empleo de algoritmos de aprendizaje por transferencia utilizando Labview, Python y Google Teachable Machine. Doi: 10.59920/JBSW8482.
IPCC. (2019). Special Report on Climate Change and Land. Intergovern-mental Panel on Climate Change. Recuperado de: https://www.ipcc.ch/srccl/.
Khan, M. A., Khan, S., & Khan, M. A. (2024). Comparative study of multiple algorithms classification for land use and land cover change detection in Mardan. Heliyon, 10(5), e15849. https://doi.org/10.1016/j.envc.2024.101069.
Khorram. S, van der Wiele. C, Koch. F, Nelson. S, Potts. M. (2016). Principles of Applied Remote Sensing. Springer. DOI
10.1007/978-3-319-22560-9.
Kumar, R., & Singh, A. (2023). Accurate classification of land use and land cover using a boundary-specific two-level learning approach
based on SVM and kNN. Journal of Environmental Management, 328, 116949. https://doi.org/10.1016/j.jenvman.2023.116949.
Lee, J., Kim, K., Lee, K. 2024. Multi-Sensor Image Classification Using the Random Forest Algorithm in Google Earth Engine with KOMP-SAT-3/5 and CAS500-1 Images. Remote Sens. 16, 4622. https://doi.org/10.3390/rs16244622 .
Lefulebe, L. M., & Musakwa, W. (2023). Classification of urban land use and land cover with k-nearest neighbour classifier in the city of Cape Town, South Africa Cape Flats case study. ISPRS Archives, XLVIII-1/W2-2023, 967-974. https://doi.org/10.5194/isprs-archives-XLVIII-1-W2-2023-967-2023.
Lottering, R., Peerbhay, K., & Adelabu, S. (2025). Remote Sensing Applications in Agricultural, Earth and Environmental Sciences. Applied Sciences, 15(8), 4537. https://doi.org/10.3390/app15084537.
Mahapatra, D. (2014). Analyzing Training Information From Random Forests for Improved Image Segmentation. IEEE Transactions on Image Processing, 23(4), 1504-1512. doi:10.1109/tip.2014.2305073
MINAE. (2020). Sistema Nacional de Monitoreo de Cobertura y Uso de la Tierra y Ecosistemas. Recuperado de: www.simocute.go.cr.
MINAE. (2020). Diagnóstico de mapeo sobre cobertura y uso de la tierra y ecosistemas: Sistema Nacional de Monitoreo de Cobertura y Uso de la Tierra y Ecosistemas (SIMOCUTE). Ministerio de Ambiente y Energía. Recuperado de http://www.simocute.go.cr
Mora Ramírez, S. (2018). Desempeño Sector Agro. Secretaría Ejecutiva de Planificación Sectorial Agropecuaria. http://www.sepsa.go.cr/docs/2018-007 Desempenno_SectorAgro_2017.pdf.
Mora Ramírez, S. (2020, agosto). Indicadores Macroeconómicos 2016-2020. Secretaría Ejecutiva de Planificación Sectorial Agropecuaria.http://www.sepsa.go.cr/docs/2020-012-Indicadores_Macroeconomicos_2016-2020.pdf .
Mroczek, P., & Wójcik, M. (2023). Support vector machine algorithm for mapping land cover types in Senegal. Land, 12(3), 24. https://doi.org/10.3390/earth5030024.
Olaya, V. (2020) Sistemas de Información Geográfica. ISBN:978-1-71677-766-0
Perilla, A. & Mas, F. (2020). Google Earth Engine (GEE): una poderosa herramienta que vincula el potencial de los datos masivos y la eficacia del procesamiento en la nube. Investigaciones Geográficas Instituto de Geografía.UNAM SSN: 2448-7279 DOI:dx.doi.org/10.14350/rig.59929. NOTA TÉCNICA Núm. 101 Abril 2020 E59929. www.investigacionesgeograficas.unam.mx.
Phiri. D, Simwanda. M, Salekin. S, Nyirenda. V, Muruyama. Y, Ranagalage. M. (2020). Sentinel-2 Data for Land Cover/Use Mapping:
A Review. Remote Sensing. 12(14), 2291. https://doi.org/10.3390/rs12142291 .
Rynkiewicz, A., Hościło, A., Aune-Lundberg, L., Nilsen, A. B., & Lewandowska, A. (2025). Detection and Quantification of Vegetation Los-
ses with Sentinel-2 Images Using Bi-Temporal Analysis of Spectral Indices and Transferable Random Forest Model. Remote Sensing,
17(6), 979. https://doi.org/10.3390/rs17060979 .
Segarra, J., Buchaillot, M. L., Araus, J. L., & Kefauver, S. C. (2020). Remote Sensing for Precision Agriculture: Sentinel-2 Improved Featu-
res and Applications.Agronomy, 10(5), 641. https://doi.org/10.3390/agronomy10050641
Shelestov, A., Lavreniuk, M., Kussul, N., & Skakun, S. (2017). Exploring Google Earth Engine platform for Big Data processing: classification of multi-temporal satellite imagery for crop mapping. Frontiers in Earth Science, 5, 17.
Solórzano, J. V., & Perilla, G. A. (2022). Cómo usar Google Earth Engine y no fallar en el intento. Universidad Nacional Autónoma de México, Centro de Investigaciones en Geografía Ambiental. https://doi.org/10.22201/ciga.9786073066969e.2022
Tan, Y.-C., Duarte, L., & Teodoro, A. C. (2024). Comparative study of random forest and support vector machine for land cover classification and post-wildfire change detection. Land, 13(11), 1878. https://doi.org/10.3390/land13111878.
Wang, Q., Blackburn, G. A., Onojeghuo, A. O., Dash, J., Zhou, L., Zhang, Y., & Atkinson, P. M. (2017). Fusion of Landsat 8 OLI and Sentinel-2 MSI data. IEEE Transactions on Geoscience and Remote Sensing. https://doi.org/10.1109/TGRS.2017.2683444
Xi, E. 2022 Image Classification and Recognition Based on Deep Learning and Random Forest Algorithm, Wireless Communications and Mobile Computing. 2013181, 9 pages, 2022. https://doi.org/10.1155/2022/2013181.
Yang, Y., Wang, Y., & Li, X. (2024). Generating high-precision farmland irrigation pattern maps using Google Earth Engine. Agricultural Water Management, 287, 109302. https://doi.org/10.1016/j.agwat.2025.109302.
Downloads
Arquivos adicionais
Publicado
Edição
Seção
Licença
Copyright (c) 2025 Sara Bastos Gutiérrez, Diana Paniagua Jiménez, Alejandro Vargas Martínez
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Política proposta para revistas que oferecem Acesso Aberto
Os autores que publicam nesta revista concordam com os seguintes termos:
a. Os autores mantêm os direitos autorais e garantem à revista o direito de ser a primeira publicação do trabalho, sob a Licença Creative Commons https://creativecommons.org/licenses/by-nc-sa/4.0/deed.es, que permite que outros compartilhar com reconhecimento da autoria do trabalho e da publicação inicial nesta revista.
b. Os autores podem estabelecer separadamente acordos adicionais para a distribuição não exclusiva da versão do trabalho publicado na revista (por exemplo, colocá-la em repositório institucional ou publicá-la em livro), com reconhecimento de sua publicação inicial nesta revista. Esses acordos adicionais devem respeitar os termos da licença: ou seja: não envolver lucro e compartilhar com a mesma licença.
c. Os autores são incentivados a arquivar a versão/PDF pós-impressão ou do editor em repositórios de acesso aberto.
REVGEO está licenciado sob https://creativecommons.org/licenses/by-nc-sa/4.0/deed.es
.svg_4.png){kind=logo}
_(1).png){kind=logo}
_(1)_(1)_(1)_1.png){kind=logo}
(2)(1)(1)(1).png){kind=logo}
