Remote sensing for abandoned crop fields detection by using deep learning

Abstract

El trabajo desarrolla un pipeline de teledetección y aprendizaje profundo para detectar campos potencialmente abandonados en la Comunidad de Madrid utilizando imágenes satélite de Sentinel-2. La mayor dificultad en este proceso es que los campos agrícolas abandonados pueden ser parecidos a barbecho o a un campo tras una cosecha. Para resolver ese problema, este trabajo no utiliza una sola imagen de satélite, sino que analiza los patrones de cobertura terrestre durante varios años consecutivos.

El pipeline está dividido en tres fases principales. En la primera, las imágenes de Sentinel-2 son procesadas y clasificadas basándose en la cobertura terrestre utilizando un modelo de clasificación basado en Transformers. Las clasificaciones se hacen sobre las observaciones diarias y posteriormente se agregan en rásteres de clasificación anual para reducir el ruido y mejorar la estabilidad. En la segunda fase, las clasificaciones anuales se comparan entre años consecutivos utilizando modelos de detección de cambios para identificar las transiciones entre campos agrícolas y otros tipos de cobertura terrestre. El estudio compara dos modelos de detección de cambios, uno más pesado como base y otro más ligero para comprobar si es posible reducir los costes computacionales sin perder rendimiento. En la tercera fase, una regla de abandono de cinco años se aplica para identificar píxeles posiblemente abandonados. Para ello, el píxel debe empezar siendo un campo agrícola y dejar de serlo durante cinco años consecutivos. Los resultados se intersecan con los registros oficiales de parcelas SIGPAC 2025 para identificar 1.440,54 hectáreas de campos agrícolas posiblemente abandonados en la Comunidad de Madrid y 900 parcelas con una mayoría de píxeles abandonados.

Este trabajo muestra una manera en la que imágenes satélite y aprendizaje profundo pueden apoyar a la gestión de campos agrícolas y a priorizar inspecciones de los mismos.

The work develops a remote sensing and deep learning pipeline to detect potentially abandoned fields in the Comunidad de Madrid using Sentinel-2 satellite images. The greatest difficulty in this process is that abandoned agricultural fields can be similar to fallow land or to a field after a harvest. To solve this problem, this work does not use a single satellite image, but instead analyzes land-cover patterns over several consecutive years.

The pipeline is divided into three main phases. In the first, Sentinel-2 images are processed and classified based on land cover using a Transformer-based classification model. The classifications are made on the daily observations and are later aggregated into annual classification rasters to reduce noise and improve stability. In the second phase, the annual classifications are compared between consecutive years using change detection models to identify transitions between agricultural fields and other types of land cover. The study compares two change detection models, one heavier model as a baseline and another lighter one to check whether it is possible to reduce computational costs without losing performance. In the third phase, a five-year abandonment rule is applied to identify possibly abandoned pixels. For this, the pixel must start as an agricultural field and stop being one for five consecutive years. The results are intersected with the official SIGPAC 2025 parcel records to identify 1,440.54 hectares of possibly abandoned agricultural fields in the Comunidad de Madrid and 900 parcels with a majority of abandoned pixels.

This work shows a way in which satellite images and deep learning can support the management of agricultural fields and the prioritization of inspections of them.