Evaluation of Optical and Synthetic Aperture Radar Image Fusion Methods: A Case Study Applied to Sentinel Imagery
| dc.creator | Monsalve-Téllez, José Manuel | |
| dc.creator | Garcés-Gómez, Yeison Alberto | |
| dc.creator | Torres León, Jorge Luis | |
| dc.date | 2026-05-26 | |
| dc.date.accessioned | 2026-06-05T16:59:58Z | |
| dc.description | Process-based crop models, such as PALMSIM, are valuable tools for estimating potential yields in oil palm, but their direct application across regions yields significant discrepancies. In Colombia, a calibration of multiple PALMSIM components was conducted for nine genetic crosses with diverse genetic backgrounds. Using data from the commercial cultivar observatory established at the Palmar de La Vizcaína Experimental Field (Barrancabermeja, Colombia), which provided long-term observations under optimal management conditions, four physiological mechanisms of the model were calibrated: photosynthetic response, potential bunch weight, leaf emission rate, and potential number of bunches. The calibration of the photosynthetic response revealed fundamental differences between Colombian and Southeast Asian palms. In particular, the Colombian palms exhibited a maximum photosynthetic rate 16% lower than that of the Southeast Asian palms (410 vs. 490 μg CH2O m-² s-¹) and required almost twice the radiation to reach saturation. The cross-specific calibration of potential bunch weight functions yielded maximum asymptotic values of 20,7-38,5 kg, substantially lower than the original model’s predictions. Leaf emission rates varied between 21,8 and 24,8 leaves palm−1 year−1, while potential number of bunches parameters showed distinctive reproductive patterns among crosses. The fully calibrated model reduced prediction errors by approximately 60% compared to the original version. | en-US |
| dc.description | Este artículo evalúa diferentes métodos de fusión de imágenes ópticas y de radar de apertura sintética (SAR, siglas de Synthetic Aperture Radar) aplicados a imágenes Sentinel de acceso abierto con cobertura global. El objetivo de esta investigación fue analizar el potencial de los métodos de fusión de imágenes para obtener una mayor diferenciación visual de las coberturas del suelo, especialmente en cultivos de palma de aceite con áreas de bosque natural que resultan difíciles de distinguir mediante interpretación visual convencional. Se evaluó la aplicación de los métodos de fusión de imágenes Brovey (BR), modulación de alta frecuencia (HFM), Gram-Schmidt (GS) y componentes principales (PC) en imágenes ópticas Sentinel-2 y SAR Sentinel-1, para lo cual se utilizó un entorno de computación en la nube. Los resultados muestran que la aplicación de los métodos de fusión de imágenes ópticas/ SAR implementados permite crear una imagen sintética que integra las características de ambas fuentes de datos. La información multiespectral proporcionada por la imagen óptica y la información asociada a la geometría y la textura/rugosidad de las coberturas terrestres proporcionada por la imagen SAR, posibilita una mayor diferenciación en la visualización de las diversas coberturas, lo que conduce a una mejor comprensión del área de estudio. Los métodos de fusión que presentaron visualmente mayores características asociadas a la imagen SAR fueron los BR y GS. El método HFM, por su parte, alcanzó los mejores indicadores estadísticos; sin embargo, este método no presentó cambios visuales significativos en la contribución SAR. | es-ES |
| dc.format | application/pdf | |
| dc.identifier | 10.56866/01212923.14520 | |
| dc.identifier.uri | https://repositorio.fedepalma.org/handle/123456789/158335 | |
| dc.identifier.url | https://publicaciones.fedepalma.org/index.php/palmas/article/view/14520 | |
| dc.language | spa | |
| dc.publisher | Cenipalma | es-ES |
| dc.relation | https://publicaciones.fedepalma.org/index.php/palmas/article/view/14520/14454 | |
| dc.relation | /*ref*/N. Joshi et al., «A Review of the Application of Optical and Radar Remote Sensing Data Fusion to Land Use Mapping and Monitoring», Remote Sensing, vol. 8, n.º 1, enero de 2016, doi: 10.3390/rs8010070. | |
| dc.relation | /*ref*/M. Schmitt, F. Tupin y X. X. Zhu, «Fusion of SAR and optical remote sensing data — Challenges and recent trends», en 2017, IEEE International Geoscience and Remote Sensing Symposium (IGARSS), julio de 2017, pp. 5458-5461, doi: 10.1109/IGARSS.2017.8128239. | |
| dc.relation | /*ref*/S. Dhingra y D. Kumar, «A review of remotely sensed satellite image classification», International Journal of Electrical and Computer Engineering (IJECE), vol. 9, n.º 3, pp. 1720-1731, junio de 2019, doi: 10.11591/ijece.v9i3.pp1720-1731 | |
| dc.relation | /*ref*/A. Mercier et al., «Evaluation of Sentinel-1 and 2 Time Series for Land Cover Classification of Forest–Agriculture Mosaics in Temperate and Tropical Landscapes», Remote Sensing, vol. 11, n.º 8, abril de 2019, doi: 10.3390/rs11080979 | |
| dc.relation | /*ref*/D. K. Seo, Y. H. Kim, Y. D. Eo, M. H. Lee y W. Y. Park, «Fusion of SAR and Multispectral Images Using Random Forest Regression for Change Detection», ISPRS International Journal of Geo-Information, vol. 7, n.º 10, octubre de 2018, doi: 10.3390/ijgi7100401. | |
| dc.relation | /*ref*/A. Poortinga et al., «Mapping Plantations in Myanmar by Fusing Landsat-8, Sentinel-2 and Sentinel-1 Data along with Systematic Error Quantification», Remote Sensing, vol. 11, n.º 7, abril de 2019, doi: 10.3390/rs11070831. | |
| dc.relation | /*ref*/L. Li, J. Dong, S. Njeudeng Tenku y X. Xiao, «Mapping Oil Palm Plantations in Cameroon Using PALSAR 50-m Orthorectified Mosaic Images», Remote Sensing, vol. 7, n.º 2, pp. 1206-1224, enero de 2015, doi: 10.3390/rs70201206. | |
| dc.relation | /*ref*/J. De Alban, G. Connette, P. Oswald y E. Webb, «Combined Landsat and L-Band SAR Data Improves Land Cover Classification and Change Detection in Dynamic Tropical Landscapes», Remote Sensing, vol. 10, n.º 2, febrero de 2018, doi: 10.3390/rs10020306. | |
| dc.relation | /*ref*/J. Mesa Dishington, «Innovación y sostenibilidad en la agroindustria de la palma de aceite en Colombia», Revista Palmas, vol. 40, pp. 9-18, 2019. | |
| dc.relation | /*ref*/A. M. Galvez Valencia, Y. A. Garces-Gomez, E. L. Lemus Rodriguez y M. A. Arango Argoti, «Predictive model of water stress in tenera oil palm by means of spectral signature methods», International Journal of Electrical and Computer Engineering (IJECE), vol. 11, n.º 3, pp. 2680-2687, junio de 2021, doi: 10.11591/ijece.v11i3.pp2680-2687. | |
| dc.relation | /*ref*/L. E. P. Vargas, W. F. Laurance, G. R. Clements y W. Edwards, «The Impacts of Oil Palm Agriculture on Colombia’s Biodiversity: What We Know and Still Need to Know», Tropical Conservation Science, vol. 8, n.º 3, pp. 828-845, septiembre de 2015, doi: 10.1177/194008291500800317. | |
| dc.relation | /*ref*/N. Torbick, L. Ledoux, W. Salas y M. Zhao, «Regional Mapping of Plantation Extent Using Multisensor Imagery», Remote Sensing, vol. 8, n.º 3, marzo de 2016, doi: 10.3390/rs8030236. | |
| dc.relation | /*ref*/ESA, Sentinel-2 user handbook. ESA Standard Document, 2015. | |
| dc.relation | /*ref*/ESA, Sentinel-1 user handbook. ESA User Guide, 2013. | |
| dc.relation | /*ref*/L. D. Robertson et al., «C-band synthetic aperture radar (SAR) imagery for the classification of diverse cropping systems», International Journal of Remote Sensing, vol. 41, n.º 24, pp. 96289649, diciembre de 2020, doi: 10.1080/01431161.2020.1805136. | |
| dc.relation | /*ref*/R. Sonobe, Y. Yamaya, H. Tani, X. Wang, N. Kobayashi y K. Mochizuki, «Assessing the suitability of data from Sentinel-1A and 2A for crop classification», GIScience and Remote Sensing, vol. 54, n.º 6, pp. 918-938, noviembre de 2017, doi: 10.1080/15481603.2017.1351149. | |
| dc.relation | /*ref*/R. Fieuzal, C. Marais Sicre y F. Baup, «Estimation of corn yield using multi-temporal optical and radar satellite data and artificial neural networks», International Journal of Applied Earth Observation and Geoinformation, vol. 57, pp. 14-23, mayo de 2017, doi: 10.1016/j.jag.2016.12.011. | |
| dc.relation | /*ref*/N. Verde et al., «National Scale Land Cover Classification for Ecosystem Services Mapping and Assessment, Using Multitemporal Copernicus EO Data and Google Earth Engine», Remote Sensing, vol. 12, n.º 20, octubre de 2020, doi: 10.3390/rs12203303. | |
| dc.relation | /*ref*/J. R. Mancera Florez, «Evaluación de imágenes de radar Sentinel-1A e imágenes multiespectrales Sentinel-2A en la clasificación de cobertura del suelo en diferentes niveles de detalle», Universidad Nacional de Colombia-Sede Bogotá, 2019. | |
| dc.relation | /*ref*/T. Sarzynski, X. Giam, L. Carrasco y J. S. H. Lee, «Combining Radar and Optical Imagery to Map Oil Palm Plantations in Sumatra, Indonesia, Using the Google Earth Engine», Remote Sensing, vol. 12, n.º 7, abril de 2020, doi: 10.3390/rs12071220. | |
| dc.relation | /*ref*/M. Zhang et al., «Automatic High-Resolution Land Cover Production in Madagascar Using Sentinel-2 Time Series, Tile-Based Image Classification and Google Earth Engine», Remote Sensing, vol. 12, n.º 21, noviembre de 2020, doi: 10.3390/rs12213663. | |
| dc.relation | /*ref*/Z. Shao, W. Wu y S. Guo, «IHS-GTF: A Fusion Method for Optical and Synthetic Aperture Radar Data», Remote Sensing, vol. 12, n.º 17, agosto de 2020, doi: 10.3390/rs12172796. | |
| dc.relation | /*ref*/C. Pohl, K. L. Chong y J. van Genderen, «Multisensor approach to oil palm plantation monitoring using data fusion and GIS», Monitoring oil palm plantations for sustainability, 2015. | |
| dc.relation | /*ref*/S. Darmawan et al., «The Potential Scattering Model for Oil Palm Phenology Based on Spaceborne X-, C-, and L-Band Polarimetric SAR Imaging», Journal of Sensors, pp. 1-14, marzo de 2021, doi: 10.1155/2021/6625774. | |
| dc.relation | /*ref*/Y. W. Kee, A. R. M. Shariff, A. M. Sood y L. Nordin, «Application of SAR data for oil palm tree discrimination», IOP Conference Series: Earth and Environmental Science, vol. 169, julio de 2018, doi: 10.1088/1755-1315/169/1/012065. | |
| dc.relation | /*ref*/C. Pohl, «Mapping palm oil expansion using SAR to study the impact on the CO2 cycle», IOP | |
| dc.relation | /*ref*/Conference Series: Earth and Environmental Science, vol. 20, junio de 2014, doi: 10.1088/17551315/20/1/012012. | |
| dc.relation | /*ref*/Cenipalma, «Portal GeoPalma. Tablero Catastro: Geoservicio Catastro Físico», Centro de Investigación en Palma de aceite. Bogotá, D.C., Colombia, 2021, consultado el 9 de enero de 2022. [En línea]. Disponible en: https://geopalma.cenipalma.org | |
| dc.relation | /*ref*/Y. Byun, J. Choi y Y. Han, «An area-based image fusion scheme for the integration of SAR and optical satellite imagery», IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, vol. 6, n.º 5, pp. 2212-2220, octubre de 2013, doi: 10.1109/JSTARS.2013.2272773. | |
| dc.relation | /*ref*/T. Chu, Y. Tan, Q. Liu y B. Bai, «Novel fusion method for SAR and optical images based on non-subsampled shearlet transform», International Journal of Remote Sensing, vol. 41, n.º 12, pp. 4590-4604, junio de 2020, doi: 10.1080/01431161.2020.1723175. | |
| dc.relation | /*ref*/S. Quegan y J. J. Yu, «Filtering of multichannel SAR images», IEEE Transactions on Geoscience and Remote Sensing, vol. 39, n.º 11, pp. 2373-2379, 2001, doi: 10.1109/36.964973. | |
| dc.relation | /*ref*/A. Mullissa et al., «Sentinel-1 SAR Backscatter Analysis Ready Data Preparation in Google Earth Engine», Remote Sensing, vol. 13, n.º 10, mayo de 2021, doi: 10.3390/rs13101954. | |
| dc.relation | /*ref*/H. Zhang, H. Lin y Y. Li, «Impacts of Feature Normalization on Optical and SAR Data Fusion for Land Use/Land Cover Classification», IEEE Geoscience and Remote Sensing Letters, vol. 12, n.º 5, pp. 1061-1065, mayo de 2015, doi: 10.1109/LGRS.2014.2377722. | |
| dc.relation | /*ref*/M. Lazecky, S. Lhota, T. Penaz y D. Klushina, «Application of Sentinel-1 satellite to identify oil palm plantations in Balikpapan Bay», IOP Conference Series: Earth and Environmental Science, vol. 169, julio de 2018, doi: 10.1088/1755- 1315/169/1/012064. | |
| dc.relation | /*ref*/D. Yıldırım y O. Güngör, «A novel image fusion method using IKONOS satellite images», Journal of Geodesy and Geoinformation, vol. 1, n.º 1, pp. 27-34, 2012, doi: 10.9733/jgg.170512.1. | |
| dc.relation | /*ref*/Y. Jia, M. Wu y X. Zhang, «An improved high frequency modulating fusion method based on modulation transfer function filters», ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, vol. I-7, pp. 285-290, julio de 2012, doi: 10.5194/isprsannals-I-7-285-2012. | |
| dc.relation | /*ref*/C. A. Laben y B. V Brower, «Process for enhancing the spatial resolution of multispectral imagery using pan-sharpening». Patentes de Google, 2000. | |
| dc.relation | /*ref*/M. Gonzalez-Audicana, J. L. Saleta, R. G. Catalan y R. Garcia, «Fusion of multispectral and panchromatic images using improved IHS and PCA mergers based on wavelet decomposition», IEEE Transactions on Geoscience and Remote Sensing, vol. 42, n.º 6, pp. 1291-1299, junio 2004, doi: 10.1109/TGRS.2004.825593. | |
| dc.relation | /*ref*/S. C. Kulkarni y P. P. Rege, «Pixel level fusion techniques for SAR and optical images: A review», Information Fusion, vol. 59, pp. 13-29, julio de 2020, doi: 10.1016/j.inffus.2020.01.003. | |
| dc.relation | /*ref*/Y. Quan, Y. Tong, W. Feng, G. Dauphin, W. Huang y M. Xing, «A Novel Image Fusion Method of Multi-Spectral and SAR Images for Land Cover Classification», Remote Sensing, vol. 12, n.º 22, noviembre de 2020, doi: 10.3390/rs12223801. | |
| dc.relation | /*ref*/Q. Du, N. H. Younan, R. King y V. P. Shah, «On the Performance Evaluation of Pan-Sharpening Techniques», IEEE Geoscience and Remote Sensing Letters, vol. 4, n.º 4, pp. 518-522, octubre de 2007, doi: 10.1109/LGRS.2007.896328. | |
| dc.relation | /*ref*/A. Sharma y T. Gulati, «Change Detection from Remotely Sensed Images Based on Stationary Wavelet Transform», International Journal of Electrical and Computer Engineering (IJECE), vol. 7, n.º 6, pp. 3395-3401, diciembre de 2017, doi: 10.11591/ijece.v7i6.pp3395-3401. | |
| dc.relation | /*ref*/Q. Li, X. Yang, W. Wu, K. Liu y G. Jeon, «Multi-Focus Image Fusion Method for Vision Sensor Systems via Dictionary Learning with Guided Filter», Sensors, vol. 18, n.º 7, p. 2143, julio de 2018, doi: 10.3390/s18072143. | |
| dc.relation | /*ref*/D. Li, Y. Zhang, X. Dong, X. Shi y W. Zhai, «A HSV-Based Fusion of InIRA SAR and GoogleEarth Optical Images», en Asia-Pacific Microwave Conference (APMC) 2018 (APMC) de 2018, noviembre de 2018, pp. 848-850, doi: https://doi.org/10.23919/APMC.2018.8617352 | |
| dc.rights | Derechos de autor 2026 Palmas | es-ES |
| dc.rights | https://creativecommons.org/licenses/by-nc-nd/4.0 | es-ES |
| dc.source | Palmas; Vol. 47 Núm. 1 (2026): Palmas; 51-65 | es-ES |
| dc.source | 2744-8266 | |
| dc.subject | cobertura del suelo | es-ES |
| dc.subject | computación en la nube | es-ES |
| dc.subject | métodos de fusión de imágenes | es-ES |
| dc.subject | óptico | es-ES |
| dc.subject | radar de apertura sintética | es-ES |
| dc.subject | Sentinel | es-ES |
| dc.subject | cloud computing | en-US |
| dc.subject | image fusion methods | en-US |
| dc.subject | land cover | en-US |
| dc.subject | optical | en-US |
| dc.subject | Sentinel | en-US |
| dc.subject | synthetic aperture radar | en-US |
| dc.title | Evaluation of Optical and Synthetic Aperture Radar Image Fusion Methods: A Case Study Applied to Sentinel Imagery | en-US |
| dc.title | Evaluación de métodos de fusión de imágenes ópticas y de radar de apertura sintética: un estudio de caso aplicado a imágenes Sentinel | es-ES |
| dc.type | info:eu-repo/semantics/article | |
| dc.type | info:eu-repo/semantics/publishedVersion |