Ensemble Deep Learning for the Classification of Strategic Crops Using Sentinel-2 Time Series

Aprendizaje profundo en conjunto para la clasificación de cultivos estratégicos utilizando series temporales de Sentinel-2

Reliable and up-to-date information on crop distribution is essential for ensuring food security in the face of rapid population growth and climate change, and with recent advancements in remote sensing and artificial intelligence, large-scale analyses of agricultural landscapes can now be performed more quickly and accurately. The main objective of this study is to improve the classification of strategic crops (wheat, barley, and corn) through an ensemble learning approach that integrates three complementary neural network architectures—TempCNN, BiLSTM, and Transformer-Encoder—using Sentinel-2 time series data. To achieve this objective, several vegetation indices were first computed from the spectral bands of Sentinel-2 time series data. A Random Forest (RF) model was then employed to identify and select the most relevant features. Finally, these features were used to train the individual models, and their prediction probabilities were combined using soft voting to produce the final ensemble predictions. Model performance was evaluated across four spatial cross-validation configurations, in which the data from each of the four departments of Brittany was held out in turn as an independent test region, ensuring a rigorous assessment of the model’s spatial generalization capability. The ensemble model achieves a mean Overall Accuracy (OA) of 98.14% across all configurations, with per-class F1-scores exceeding 0.93 for barley, 0.97 for wheat, and 0.99 for corn. Compared to TempCNN and LSTM baseline models, as well as Recurrent Convolutional Neural Network (R-CNN), RF, and Support Vector Machine (SVM), the proposed ensemble model consistently achieves higher OA and per-class metrics. It also outperforms the same ensemble trained without vegetation indices. These findings highlight the effectiveness of combining complementary deep learning architectures and demonstrate the added value of vegetation indices for crop type classification using satellite time series.

La información fiable y actualizada sobre la distribución de los cultivos es esencial para garantizar la seguridad alimentaria ante el rápido crecimiento demográfico y el cambio climático. Gracias a los recientes avances en teledetección e inteligencia artificial, los análisis a gran escala de los paisajes agrícolas pueden realizarse ahora con mayor rapidez y precisión. El objetivo principal de este estudio es mejorar la clasificación de cultivos estratégicos (trigo, cebada y maíz) mediante un enfoque de aprendizaje por conjuntos (ensemble learning) que integra tres arquitecturas de redes neuronales complementarias: TempCNN, BiLSTM y Transformer-Encoder, utilizando series temporales de datos de Sentinel-2. Para alcanzar este objetivo, primero se calcularon varios índices de vegetación a partir de las bandas espectrales de las series temporales. Posteriormente, se empleo un modelo de Random Forest (RF) para identificar y seleccionar las características mas relevantes. Finalmente, estas características se utilizaron para entrenar los modelos individuales, y sus probabilidades de predicción se combinaron mediante votación blanda (soft voting) para generar las predicciones finales del conjunto. El rendimiento del modelo se evalúo mediante cuatro configuraciones de validación cruzada espacial, en las que los datos de cada uno de los cuatro departamentos de Bretaña se mantuvieron sucesivamente como región de prueba independiente, garantizando una evaluación rigurosa de la capacidad de generalización espacial del modelo. El modelo conjunto alcanza una Precisión Global (OA) media del 98.14 % en todas las configuraciones, con puntuaciones F1 por clase que superan el 0.93 para la cebada, el 0.97 para el trigo y el 0.99 para el maíz. En comparación con los modelos base TempCNN y LSTM, así como con redes neuronales convolucionales recurrentes (R-CNN), RF y maquinas de vectores de soporte (SVM), el modelo propuesto logra consistentemente métricas de OA y por clase superiores. Asimismo, supera al mismo conjunto entrenado sin índices de vegetación. Estos hallazgos resaltan la eficacia de combinar arquitecturas de aprendizaje profundo complementarias y demuestran el valor añadido de los índices de vegetación para la clasificación de tipos de cultivos a partir de series temporales satelitales.