Das größere Einzugsgebiet des Flusses Mariño erstreckt sich über 403 km² entlang der östlichen Hänge der südperuanischen Anden in der Region Apurimac, Peru. Das örtliche Klima variiert von trocken und heiß in den Intandean-Tälern bis kalt und feucht in den Hochlagen. Die Landschaft umfasst trockene Wälder, Gletscher, Feuchtgebiete (Bofedales) und mehr als ein Dutzend Hochgebirgsseen. Etwa 70.000 Menschen leben in diesem Einzugsgebiet, hauptsächlich in den Städten Abancay und Tamburco. Die Landwirtschaft erfolgt hauptsächlich zur Selbstversorgung in den Hoch- und Mittellagen, während sie in den tieferen Lagen sowohl auf die kommerzielle Produktion von Feldfrüchten als auch auf Viehhaltung ausgerichtet ist. Es gibt auch Tourismusaktivitäten im Ampay Forest Sanctuary, das 36 km² Land schützt und aterschutzdienstprogramme, wie Aufforstungsprojekte oder Feuchtgebietssanierungsprojekte, wurden umgesetzt oder befinden sich in Umsetzung.
Die MORINGA-Verarbeitungskette verwendet eine objektbasierte LULC-Klassifizierungsmethodik, die auf Multi-Sensor-Satellitenbildern basiert. Sie wurde in verschiedenen tropischen Agrarsystemen weltweit angewendet, einschließlich Madagaskar, Senegal und Haiti. Die Verarbeitungskette besteht aus vier Schritten: Segmentierung eines Very High Spatial Resolution (VHSR) Satellitenbildes, Extraktion von spektralen und texturalen Prädiktoren auf Objektebene, Training eines Random-Forest-Klassifikators anhand einer Felddatenbank und Anwendung des Klassifikators auf das gesamte Untersuchungsgebiet. Die Vorverarbeitung der Satellitenbilder ist ebenfalls Bestandteil der MORINGA-Verarbeitungskette.
Die MORINGA-Verarbeitungskette wird in einer Python 3.8 Umgebung zusammengestellt und verwendet hauptsächlich die GDAL/OGR-Bibliothek und die Orfeo ToolBox. Die Implementierung erfolgte im größeren Mariño-Einzugsgebiet und die verwendeten Satellitenbilder werden im Detail beschrieben. Feldarbeit wurde durchgeführt und eine Datenbank erstellt, die 1698 Polygone umfasste und insgesamt 16,75 km² abdeckte. Verschiedene Satellitenbilder wurden verwendet, darunter TanDEM-X DEM, Pléiades und Sentinel-2 Bilder, um topographische, texturale und spektrale Indizes für die LULC-Klassifizierung zu berechnen.
Die Random-Forest-Klassifizierung basiert auf einem Trainingsdatensatz aus der Felddatenbank. Der Klassifikationsalgorithmus liefert eine Klassifizierung der LULC auf der Ebene 3 der Nomenklatur. Nach der Klassifikation erfolgte ein Post-Processing, das die Konvertierung in Rasterformate, das Glätten mittels eines Mehrheitsfilters, das Überprüfen mit GIS-Daten und manuelle Korrekturen durch Fotointerpretation umfasste. Die Genauigkeit der Klassifizierung wurde durch verschiedene Validierungsschritte überprüft und die Ergebnisse mithilfe von GIS-Daten und Referenzdaten abgeglichen.
Zusammenfassend umfasst die Verarbeitungskette die Segmentierung von VHSR-Bildern, Extraktion von Prädiktoren, Training eines Random-Forest-Klassifikators, Post-Processing und Validierung der LULC-Klassifizierung im größeren Mariño-Einzugsgebiet. Die Resultate zeigen die Bedeutung von topographischen, texturalen und spektralen Indizes für die Klassifikation in Bergregionen wie den peruanischen Anden.