Programa del congreso

La identificación y mapeo de los viñedos en islas volcánicas presenta una elevada complejidad debido a la fuerte variabilidad topográfica, la fragmentación de las parcelas y la coexistencia de múltiples sistemas de cultivo tradicionales. En este contexto, la teledetección y las técnicas de Deep Learning constituyen herramientas prometedoras para mejorar la monitorización agrícola. El presente estudio evalúa el rendimiento del modelo U‑Net para la segmentación de viñedos utilizando datos del Plan Nacional de Ortofotografía Aérea (PNOA) de 2021, combinando información espectral (RGB y NIR) y datos derivados de LiDAR (DEM y CHM). Se entrenaron cuatro configuraciones del modelo U‑Net con distintas combinaciones de datos de entrada con el fin de analizar el impacto de cada fuente de información. Los resultados muestran que todas las configuraciones alcanzan métricas bastante robustas (F1‑Score >71%, IoU >55%). Sin embargo, la integración de datos multimodales mejora sistemáticamente la segmentación. La mejor combinación (RGB + NIR + DEM + CHM) obtuvo un F1‑Score del 75.32% y una IoU del 60.41%, evidenciando el impacto de incorporar información topográfica y de estructura de la vegetación. Este trabajo demuestra el potencial de la fusión de datos espectrales y LiDAR junto con modelos U‑Net para la detección y monitorización precisa de viñedos en entornos agrícolas heterogéneos.