SISTEMA PARA LA EXTRACCIÓN MASIVA DE LÍNEAS DE COSTA A PARTIR DE IMÁGENES SATÉLITE DE RESOLUCIÓN MEDIA PARA LA

MONITORIZACIÓN COSTERA: SHOREX

J. Palomar-Vázquez1, J. Almonacid-Caballer2, J.E. Pardo-Pascual3, C. Cabezas-Rabadán4, A. Fernández-Sarría5

1Grupo de Cartografía GeoAmbiental y Teledetección (CGAT), Dpto. Ingeniería Cartográfica, Geodesia y Fotogrametría, Universitat Politècnica de València, Camí de Vera s/n, 46022, València. 1jpalomav@upvnet.upv.es; 2jaime.almonacid.caballer@gmail.com; 3jepardo@cgf.upv.es; 4carlos.cabezas.rbdn@gmail.com; 5afernan@cgf.upv.es

RESUMEN

En este trabajo se presenta SHOREX, una metodología para la extracción automatizada de líneas de costa a partir de imágenes satélite, tanto Landsat-8 como Sentinel-2, con precisión sub-pixel. SHOREX ha sido diseñado como un conjunto de herramientas desarrolladas en Python con el objetivo de ser utilizado no solamente en entornos de investigación, sino también productivos. El flujo de trabajo se divide en tres fases principales: descarga, preprocesado y procesado, siendo el primero de ellos el que más tiempo consume. En el proceso de descarga, el uso de servidores como Amazon S3 ha permitido diseñar un sistema de adquisición de imágenes rápido y flexible, reduciendo el tiempo de procesado final. La segunda fase consiste en operaciones como cambios de formato, recortes, procesos de georreferenciación sub-pixel o filtrado por presencia de nubes que preparan la información para que pueda ser analizada por el último proceso, el de extracción. El resultado de este proceso consiste en una serie de ficheros de puntos con la posición de la línea de costa, donde cada punto tiene una asociada información adicional que resulta muy útil, tanto para detectar anomalías en el propio algoritmo como para analizar determinadas dinámicas costeras relacionadas con fenómenos climáticos o acciones antrópicas.

Palabras clave: monitorización de playas; gestión de costas; extracción sub-pixel de líneas de costa; Landsat, Sentinel.

ABSTRACT

A sub-pixel automated shoreline extraction workflow (SHOREX) from Landsat-8 and Sentinel-2 satellite images is presented. SHOREX was designed as a set of separated tools that have been integrated within a single Python framework to be used even in production environments. The methodology can be separated into three phases: downloading, pre-processing and processing, being the first step the most time consuming. For the downloading process, servers like Amazon S3 have allowed to design a fast and flexible downloading system, decreasing the processing time. The preprocessing phase consists of a range of tasks like conversion between image formats, clipping, cloud filtering or band sub-pixel geo-referencing, which help to prepare the images in order to be processed using the extraction algorithm of SHOREX. The result is a point shapefile layer with some statistical attribute fields. This statistical information can be useful to detect potential anomalies or analyze special dynamics on the coast related with climate phenomena or direct human action.

Keywords: Beach monitoring; coastal management, shoreline subpixel detection, Landsat images, Sentinel images;

1. INTRODUCCIÓN

Hoy día, disponer de un método eficaz para la monitorización de los procesos que ocurren en el ámbito costero es una herramienta fundamental para cualquier país. Tanto es así que la buena o mala gestión de entornos como playas o dunas pueden influir de forma directa en aspectos tan relevantes como el desarrollo del turismo, la sostenibilidad medioambiental o el

1

estudio del cambio climático. En este sentido, uno de los elementos clave que debe ser monitorizado es la línea de costa. Diferentes estudios demuestran que el estudio de la posición de la línea de costa puede ser un buen indicador para la evaluación del impacto de los temporales (Pardo-Pascual et al., 2014) o la evolución de episodios erosivos o acumulativos (Almonacid-Caballer et al., 2016). Dicho esto, se deduce que un aspecto esencial en este tipo de estudios es la disponibilidad de líneas de costa de calidad geométrica suficiente. De esta manera, la mejor forma de adquirir estas líneas es mediante el uso de métodos de posicionamiento precisos como los receptores GPS geodésicos (Pardo-Pascual et al., 2005) o técnicas fotogramétricas (Sánchez-García et al., 2017). A pesar de que estos métodos ofrecen la ventaja de su precisión, resultan caros si se intentan aplicar sobre grandes segmentos de costa y con una alta repetitividad. Afortunadamente, el uso de imágenes satélite para la detección de la línea de costa puede ayudar a solventar estos inconvenientes, ya que, por un lado, cubren amplias áreas del territorio en una sola escena y por otro, presentan un tiempo de revisita corto. En este sentido, es especialmente remarcable el caso de las imágenes Landsat, las cuales, desde que fueron liberadas por la NASA en el año 2008 y con más de 30 millones de descargas hasta la fecha, han contribuido enormemente al desarrollo de campos científicos como la gestión forestal y de recursos naturales, evaluación de impacto ambiental, la lucha contra los efectos del cambio climático, o la gestión de costas.

De forma similar, en el año 2015, la Agencia Espacial Europea (ESA) lanzó el programa Sentinel-2 como parte del programa Copernicus, que permite obtener de manera gratuita escenas de toda la superficie terrestre a una resolución espacial de 20 metros. Esto significa que dispondríamos potencialmente de una cantidad considerable de imágenes de resolución media de cualquier lugar del planeta y con una resolución temporal combinada bastante alta (2.9 días de media global (Li y Roy, 2017)).

En cualquier flujo de análisis a partir de imágenes satélite, uno de los procesos que más tiempo consume es la descarga de información. La posibilidad de disponer de un método eficiente y rápido de descarga resulta un punto clave a la hora de abordar procesos de análisis en los que intervienen grandes cantidades de imágenes. En este sentido, si bien los organismos como la USGS o la ESA, de los que dependen la distribución de las imágenes de ambas plataformas, ofrecen herramientas de descarga, éstas no están lo suficientemente adaptadas para la descarga masiva. Afortunadamente, compañías privadas han comenzado a distribuir también imágenes permitiendo formas de acceso más flexibles. Es el caso del servicio web AWS-S3 de Amazon, el cual almacena las imágenes Landsat-8 (L8) y Sentinel-2 (S2) dentro de una estructura de directorios conocida y fija, a partir de la cual es posible realizar descargas directas y masivas utilizando cualquier lenguaje de scripting.

Tradicionalmente, en estudios de evolución costera, no han considerado el uso de imágenes de resolución media como una fuente suficientemente precisa para obtener la línea de costa debido a su resolución espacial (30 m para Landsat y 20 m para Sentinel-2). Sin embargo, teniendo en cuenta la alta disponibilidad de estas imágenes, el grupo de Cartografía GeoAmbiental y Teledetección de la Universitat Politècnica de València (CGAT) ha desarrollado un conjunto de algoritmos para obtener la posición de la línea de costa superando las limitaciones citadas anteriormente:

- Limitaciones derivadas de la resolución espacial. El CGAT ha venido desarrollando un algoritmo que permite obtener la posición de la línea de costa a nivel sub-pixel (Almonacid-Caballer, 2014; Pardo-Pascual et al., 2012; Ruiz et al., 2007).

- Descarga masiva de imágenes. El CGAT ha desarrollado una herramienta de descarga y gestión adaptado al servidor AWS-s3.

Todo este sistema de algoritmos y procedimientos ha sido denominado SHOREX (SHOReline EXtraction). No se trata simplemente de un conjunto de programas informáticos, sino más bien

2

de un sistema real de tratamiento masivo de imágenes, totalmente funcional desde el punto de vista de un flujo de producción y que abarca todas las fases, incluyendo la descarga, conversión de formatos, recorte, georreferenciación y extracción de la línea de costa.

En las siguientes secciones se irá describiendo la metodología del flujo de trabajo con SHOREX (sección 2), la descripción de la herramienta de software principal (sección 3), y los principales resultados sobre un caso de ejemplo (sección 4). Finalmente, la sección 5 analizará las principales conclusiones de este trabajo.

2. METODOLOGÍA

En este trabajo se describe el sistema para la extracción automatizada de líneas de costa con precisión sub-pixel al que se ha denominado SHOREX. Este sistema ha sido concebido como un conjunto de procedimientos y herramientas informáticas programadas en lenguaje Python con el objetivo de ser empleado en entornos de producción (tratamiento masivo de datos). El algoritmo principal de SHOREX ha sido probado ya en varios estudios sobre varios tipos de costa, como en el caso de escolleras en el área de Castellón (con un error medio cuadrático de 5 m) o sobre playas micro-mareales, como es el caso de la playa del Saler (Valencia), donde las bandas SWIR1 de L8 y S2 fueron las que mejor funcionaron, estimándose un error medio cuadrático de 6,6 m (Pardo-Pascual et al., 2012, 2018), aunque tanto el tipo de bandas a procesar como las precisiones alcanzadas puede variar en función de la tipología de la playa.

Figura 1. Flujo de trabajo de SHOREX

El flujo de trabajo (figura 1) se puede dividir en varias fases: (1) descarga, (2) preprocesado y (3) procesado, siendo normalmente la primera de estas fases la que consume un mayor tiempo (figura 1). En este sentido, el disponer de servidores como AWS-S3 ha sido de gran ayuda al diseñar un sistema rápido, flexible y eficiente de descarga de imágenes, permitiéndonos descargar cualquier banda de cualquier tesela S2 o escena L8 que deseemos. En cuanto a la fase de preprocesado, ésta consiste en una serie de tareas dedicadas a preparar la información descargada antes de aplicar el algoritmo de extracción. Estas tareas consisten en operaciones de conversión entre distintos tipos de formato de imagen, recorte, conversión de niveles digitales a TOA (reflectancia a nivel de la atmósfera), filtrado de nubes y georreferenciación a nivel sub-pixel. Todas estas operaciones generan datos intermedios que son almacenados en una estructura bien organizada de directorios que ayuda a mejorar la eficiencia del flujo de trabajo. Una vez ha sido preparada toda la información necesaria, el último paso es el

3

procesado mediante el algoritmo de extracción, el cual tendrá como resultado una serie de ficheros de puntos en formato shapefile (.shp) con la posición de la línea de costa y una serie de campos con información estadística muy útil para el posterior proceso de análisis (gradientes, módulo y dirección de la pendiente, medias y desviaciones estándar de los valores de la imagen dentro de un vecindario, etc.).

2.1. Descarga

Como se ha comentado previamente, es fundamental disponer de un sistema de descarga flexible y rápido. En nuestro caso aprovechamos la estructura de almacenamiento del servidor AWS-S3 para generar una herramienta basada en lenguaje Python que nos facilita la descarga selectiva y masiva de cualquier imagen disponible. Debido a la naturaleza de ambos tipos de imágenes, el proceso varía un poco:

2.1.1. Imágenes Sentinel-2En este caso, las imágenes se almacenan siguiendo una estructura bien definida de directorios. Esta estructura está organizada en función del sistema de referencia de cuadrícula militar (MGRS) y la fecha de adquisición, por lo que cada banda de cada tesela es accesible mediante un link URL directo

2.1.1. Imágenes Landsat-8En este caso, el conjunto de imágenes Landsat se clasifica en dos subconjuntos denominados “precolección” y “colección” que, además, nombran cada una de las escenas de forma diferente, por lo que no existe a priori ninguna forma de obtener un link directo a partir de su estructura de almacenamiento. Afortunadamente, el servidor AWS-S3 dispone de dos ficheros .csv donde se almacena toda la información correspondiente a las imágenes tanto de la colección como de la precolección. Para manejar toda esta información de forma más eficiente se han convertido dichos ficheros en una base de datos donde es posible, a partir de una búsqueda por fechas, fila y columna de la escena, obtener un listado con los enlaces de descarga directos que serán utilizados como entrada para la herramienta de descarga.

2.2. Preprocesado

El proceso de descarga no se limita solamente a descargar del servidor cada una de las bandas que necesitamos, sino también a almacenarlas en una estructura consistente de directorios que nos permitirán un desarrollo más eficiente del flujo de trabajo. Tras finalizar la descarga de imágenes, comienza la fase de preprocesado, la cual realiza una serie de operaciones para transformar y adaptar cada una de las bandas en cada subproceso antes de llegar a la fase de extracción. Independientemente del tipo de imagen (L8 o S2), estos subprocesos consisten básicamente en aplicar transformaciones y cambios de formato, recorte de la zona de análisis, filtrado por presencia de nubes y georreferenciación a nivel sub-pixel.

2.2.1. Transformaciones y conversión de formatosLas imágenes S2 son descargadas en formato JPEG2000 (.jp2) y ya vienen transformadas a TOA, mientras que las L8 están en formato TIFF (.tif) pero sus valores están representados en niveles digitales (ND). Para homogeneizar los resultados, hemos de convertir las bandas S2 a formato TIFF y convertir las bandas L8 de ND a TOA.

4

2.2.2. RecorteCon el objeto primero de mejorar la organización y la gestión de las imágenes y en segundo lugar para solventar posibles limitaciones de falta de memoria en el tratamiento informático de las mismas, se ha propuesto una división espacial que divide cada S2 y L8 en áreas homogéneas. Así, para España, se ha optado por tomar la cuadrícula PNOA (Plan Nacional de Ortofotografía Aérea) como unidad de análisis. En este sentido, SHOREX permite la visualización y gestión de todos los procesos desde un archivo en ArcMap, desde el cual se tiene acceso a las distintas cuadrículas (PNOA, L8 y S2) y ortoimágenes que ayudan a decidir qué información es necesaria para abordar cada proyecto específico.

2.2.3. Filtro por presencia de nubesAunque a priori podamos saber el porcentaje de nubes de una escena, no tenemos información de su distribución, por lo que, aunque dos imágenes presentaran un porcentaje de cobertura bajo y en principio ambas pudieran ser admisibles, si una de ellas tuviese nubes cubriendo parte del área costera, podría ser rechazada. Por tanto, como dinámica general se descargarán todas las imágenes y posteriormente se utilizará una herramienta de revisión visual diseñada para descartar o aceptar cada una de las imágenes antes de pasar al proceso siguiente.

2.2.4. GeorreferenciaciónAntes de aplicar el algoritmo de extracción es necesario corregir las imágenes de posibles imprecisiones en su georreferenciación (Iron et al., 2012; Cleerc, 2017). A pesar de que ambos tipos de imágenes alcanzan una precisión conocida en su proceso de registro (0.4 píxeles para L8 y 1.2 píxeles para S2), este nivel de precisión puede variar entre sensores y escenas, lo que hace necesario asegurar que todas las líneas obtenidas de dichas imágenes estén perfectamente georreferenciadas para poder ser comparables. Almonacid et al. (2017), demostraron que aplicando métodos de correlación de fase a nivel sub-pixel se conseguía reducir la desviación estándar en el resultado del registro hasta la décima parte de un píxel (3 y 2 metros respectivamente para Landsat y Sentinel), mejorando así la posición de las líneas de costa obtenidas. SHOREX utiliza este método de correlación para mejorar la precisión en la posición de las líneas obtenidas. Así, para llevar a cabo este proceso, se parte de las bandas RGB de una ortofoto del PNOA (0.25 m), las cuales se remuestrean a la resolución espacial de la escena satélite a analizar (20 ó 30 m) para comparar dichas bandas RGB con cada una de las bandas RGB de la escena, calculando el desplazamiento medio (dx, dy) aplicable a todas las bandas de dicha escena (figura 2).

5

Figura 2. Proceso de georreferenciación. O: ortofoto. L: Landsat. R, G y B: canales rojo, verde y azul.

2.3. Procesado

Todas las operaciones llevadas a cabo en el preproceso están orientadas a preparar cada banda para ser analizada por el algoritmo de extracción de líneas de costa. El primer paso de este análisis consiste en proporcionar al algoritmo una línea aproximada inicial donde cada píxel sea considerado como candidato a línea de costa. En el caso de no disponer de una línea aproximada inicial, SHOREX permite obtener una a partir de una herramienta semiautomática que utiliza técnicas de segmentación y morfología matemática para obtener dos máscaras, una primera con la línea de costa aproximada y otra con las áreas tierra-agua (figura 3). Por el contrario, si disponemos de una línea inicial, estas máscaras se obtienen de forma automática, lo que ahorra tiempo de proceso. En el caso de trabajar en las costas españolas, utilizamos las ortofotos del PNOA para obtener una línea inicial de costa mediante digitalización. Una vez obtenidas dichas máscaras, éstas serán utilizadas como entradas del algoritmo de extracción para varias tareas: analizar píxeles potenciales de línea de costa, obtener valores estadísticos úteselas en el vecindario de dichos píxeles y ayudar a filtrar puntos anómalos obtenidos en el resultado final.

Figura 3. Máscaras de línea aproximada y tierra-agua

La base del algoritmo de extracción de SHOREX se centra en determinar un vecindario alrededor del píxel candidato para intentar determinar la posición más probable de la línea de costa dentro de dicho vecindario a nivel sub-pixel. El algoritmo consta de cinco pasos (figura 4): extracción de los valores de la banda original dentro del vecindario establecido, remuestreo de estos valores para conseguir una muestra más densa, cálculo de una función polinomial que se ajuste a la superficie de la muestra, obtención de la función laplaciano de dicho polinomio y, finalmente, la obtención de las curvas de contorno donde se cumpla la condición de igualar el laplaciano a cero. Esta última condición determinará los puntos de inflexión de la superficie polinomial ajustada y, por tanto, la posición potencial de la línea de costa a nivel sub-pixel. Como para cada pixel inicial se extrae un conjunto de puntos de línea de costa potenciales, el resultado final se obtiene promediando dichos puntos.

El algoritmo finaliza con el cálculo de una serie de parámetros estadísticos que enriquecen la base de datos asociada a cada punto obtenido y que pueden servir para ayudar a interpretar el resultado final. En este sentido, valores como la media y desviación estándar de los píxeles de tierra-agua dentro del vecindario, gradientes direccionales o el módulo y dirección de la

6

pendiente, pueden utilizarse para detectar analizar características peculiares de las áreas costeras o incluso para detectar problemas en el propio algoritmo.

Figura 4. Detección de las líneas de máxima inflexión y de los puntos promedio

3. FUNCIONAMIENTO DEL SOFTWARE

En esta sección se describe brevemente el funcionamiento de la herramienta de extracción automática de la posición de la línea de costa. Suponiendo que disponemos de un conjunto de bandas ya preparadas y de las máscaras de línea aproximada y de tierra-agua, el programa permite la introducción de ciertos parámetros que controlan el resultado final.

En cuanto a la información de entrada el software necesita los siguientes archivos: máscara tierra-agua y de línea aproximada en formato TIFF, ruta del directorio que contiene todas las bandas a procesar y un archivo en formato shapefile que delimita el área de interés dentro de la banda (este archivo es opcional y si no se usa, se analizaría toda la línea de costa incluida en la banda).

En cuanto a los parámetros, deberemos introducir las fechas y bandas a ser procesadas, el tipo de imagen (Landsat o Sentinel) y, finalmente, un conjunto de parámetros que determinarán el comportamiento del algoritmo de extracción: tamaño de vecindario (dependiente de la naturaleza de la costa), número de puntos por píxel (afecta a la densidad final de la línea), grado de ajuste utilizado en la función polinomial (permite adaptarse a diferentes tipos de transiciones entre vegetación, playa y agua), distancia de grupo y número de puntos mínimo de grupo. Estos dos últimos parámetros sirven para controlar el proceso de obtención de las posiciones promedio finales.

4. EJEMPLO DE APLICACIÓN

Para medir la productividad de SHOREX, se ha aplicado el flujo de trabajo sobre la hoja 0700 del PNOA (18x28 kilómetros), situado al Este de la isla de Mallorca, donde se ha extraído la línea costa de un sector de 34 kilómetros (figura 5). Los datos de entrada han sido todas las imágenes disponibles (tanto L8 como S2) para el año 2016. El total de fechas descargadas

7

fueron 34 del tesela 31SED para S2 y 22 de la escena 196033 de L8. En cuanto a las bandas, para cada una de las fechas se descargaron las bandas RGB y las bandas SWIR1 (B11 para S2 y B6 para L8). Todas las bandas fueron preprocesadas y filtradas por cobertura de nubes, quedando finalmente un número total de 31 imágenes (18 para S2 y 13 para L8) para ser procesadas por el algoritmo de extracción. El tiempo total de la aplicación del flujo de trabajo fue de 1h 42m, siendo del proceso de descarga el más costoso (67%). La tabla 1 se muestra un resumen de todo el proceso.

Figura 5. Área de análisis.

Tabla 1. Resumen del proceso

Longitud de costa 34.5 km

Fechas procesadas 31 (1/1 - 31/12 de 2016)

Tiempos

Descarga (fase1) 1h 7’ 46‘’ (67.1%)

Preprocesado (fase 2) 8’ 36’’ (8.5%)

Procesado (fase 3) 24’ 39’’ (24.4%)

Con respecto al análisis de los resultados, la primera aplicación de los mismos sería obviamente el estudio de la evolución de las diferentes líneas de costa obtenidas para cada fecha (figura 6a). En este sentido, la comparación directa de distintas fechas puede ayudar a detectar tanto los efectos a corto plazo, como sería los causados por un temporal, como efectos a medio o largo plazo, como serían los causados por procesos erosivos o de acumulación causados por la propia dinámica de la playa o bien por causas antrópicas. Por otro lado, además de la posición de la línea de costa, cada punto detectado tiene asociado un conjunto de parámetros estadísticos que pueden proporcionar información adicional que ayude a la interpretación de los resultados. Un ejemplo de este tipo de parámetros es la dirección de la pendiente de los valores de la imagen dentro de un vecindario alrededor de cada punto de línea, valor del que se puede inferir la orientación de cada tramo de playa (figura 6b), y relacionarlo con fenómenos que se están desarrollando en esa área concreta (transporte sedimentario, corrientes longitudinales, etc.).

8

Figura 6. Líneas extraídas (8a) y orientaciones principales de las playas (8b).

5. CONCLUSIONES

En este trabajo se ha presentado una metodología completa para la extracción masiva de líneas de costa a partir de imágenes satélite. Para ello ha sido necesario desarrollar un importante conjunto de herramientas informáticas que lleven a cabo los diferentes procesos. De entre estas herramientas, se ha realizado una descripción detallada del interfaz gráfico del programa de extracción y del algoritmo que subyace en este proceso.

La metodología utiliza una serie de estrategias para intentar reducir el tiempo total de procesado. De entre esas estrategias destacan: (i) partir de una línea de costa aproximada para analizar directamente los píxeles que potencialmente pueden ser costa, (ii) utilizar la máscara de tierra-agua para obtener diversos parámetros estadísticos que ayuden a detectar errores y analizar los resultados, y (iii) diseñar un sistema flexible y rápido de descarga de imágenes. En este último sentido, servidores como AWS-S3 han sido de gran utilidad, permitiendo la descarga masiva de imágenes L8 y S2 utilizando Python como lenguaje de scripting. A pesar de ello, el proceso de descarga sigue siendo el que más tiempo consume, con un 67% para el caso de aplicación.

La salida de datos consiste en una serie de ficheros de puntos en formato shp que pueden ser comparados entre sí para abordar distintos tipos de estudios, tanto a largo plazo (estudios evolutivos), como a corto plazo (impacto de temporales). Además, la información estadística asociada a cada punto de las líneas extraídas es útil para ayudar a la interpretación de los resultados o a detectar errores en el proceso mismo de extracción.

SHOREX puede ser considerado como un sistema diseñado para gestionar y procesar grandes cantidades de información procedentes de imágenes satélite con el objetivo de obtener líneas de costa con precisión sub-pixel en playas micromareales obtenieéndose buenos resultados con las bandas del infrarrojo medio (SWIR 1) de imágenes L8 y S2 (RMSE de 6,6 m). En todo este flujo de trabajo, el mayor tiempo es consumido en la fase de descarga y preparación de las imágenes (preprocesado), donde operaciones como el cambio de formato, el recorte, el filtrado por nubes, la georreferenciación o la generación de máscaras de línea y tierra-agua son esenciales antes de abordar el proceso final de extracción.

9

5. AGRADECIMIENTOS

Los autores agradecen el soporte económico proporcionado para este trabajo por el Ministerio de Economía y Competitividad dentro del marco del proyecto CGL2015-69906-R, así como el apoyo recibido por el contrato de investigación FPU15/04501 otorgado a Carlos Cabezas-Rabadán por el Ministerio de Educación y Ciencia.

6. REFERENCIAS

Almonacid-Caballer, J. (2014). Extraction of shorelines with sub-pixel precision from Landsat images (TM, ETM+, OLI). Universitat Politècnica de València. doi:10.4995/Thesis/10251/48462.

Almonacid-Caballer, J., Sánchez-García, E., Pardo-Pascual, J.E., Balaguer-Beser, A. y Palomar-Vázquez, J. (2016). Evaluation of annual mean shoreline position deduced from Landsat imagery as a mid-term coastal evolution indicator. Marine Geology, 372, 79-88.

Almonacid-Caballer, J., Pardo-Pascual, J.E. y Ruiz, L.A. (2017). Evaluating Fourier Cross-Correlation Sub-Pixel Registration in Landsat Images. Remote Sensing, 9, 1051.

Clerc, S. (2017). Data quality report, reference S2-PDGS-MPC-DQR, issue 20. Available in https://sentinels.copernicus.eu/documents/247904/685211/Sentinel-2-702 Data-Quality-Report

Iron, J.R., Dwyer, J.L., y Barsi, J.A. (2012). The next Landsat satellite: The Landsat Data Continuity Mission. Remote Sensing of Environment, 122, 11-21

Li, J. y Roy D.P. (2017). A global analisys of Sentinel-2ª, Sentinel-2B and Landsat-8 data revisit intervals and implications for terrestrial monitoring. Remote Sensing, 9(9), 902

Pardo-Pascual, J.E., García-Asenjo, L., Palomar-Vázquez, J. y Garrigues-Talens, P. (2005). New methods and tools to analyze beach-dune system evolution using a Real-Time Kinematic Global Positioning System and Geographic Information Systems. Journal of Coastal Research, 49, 34-39.

Pardo-Pascual, J.E., Almonacid-Caballer, J., Ruiz, L.A. y Palomar-Vázquez, J. (2012). Automatic extraction of shorelines from Landsat TM and ETM+ multi-temporal images with subpixel precisión. Remote Sensing of Environment, 123, 1-11.

Pardo-Pascual, J.E., Almonacid-Caballer, J., Ruiz, L.A., Palomar-Vázquez, J. y Rodrigo-Alemany, R. (2014). Evaluation of storm impact on sandy beaches of the Gulf of Valencia using Landsat imagery series. Geomorphology, 214, 388-401.

Pardo-Pascual, J.E., Sánchez-García, E., Almonacid-Caballer, J., Palomar-Vázquez, J.M., Priego de los Santos, E., Fernández-Sarría, A., Balaguer-Beser, Á., (2018): Assessing the accuracy of automatically extracted shorelines on microtidal beaches from Landsat 7, Landsat 8 and Sentinel-2 imagery. Remote Sensing, 10(2), 326.

Ruiz, L.A., Pardo-Pascual, J.E., Almonacid-Caballer, J. y Rodríquez, B. (2007). Coastline automated detection and multi-resolution evaluation using satellite images. Proceedings of Coastal Zone, 22 – 26 July, Portland, Oregon.

Sánchez-García, E., Balaguer-Beser, A., y Pardo-Pascual, J.E. (2017). C-Pro: A coastal projector monitoring system using terrestrial photogrammetry with a geometric horizon constraint. ISPRS Journal of Photogrammetry and Remote Sensing, 128, 255-273.

10