The characterization of land cover in a watershed has a remarkable influence on the water balance and, is a key factor in assessing complex hydrological models at the regional scale. Here, a method is proposed to generate accurate seasonal ad hoc land cover maps from a hydrological standpoint based on the runoff generation capabilities of the land cover types using remote sensing techniques with Sentinel-1 and Sentinel-2 data and a random forest approach. A multidate study is proposed, minimizing the images as much as possible: one single date for Sentinel-2 data and two dates for Sentinel-1 data. Then, the dimensionality of the satellite data is improved with texture metrics and derived spectral indices, after which a data mining feature selection is conducted through optimization of the classification algorithm, ensuring the accuracy of the final maps. The overall accuracies are remarkably high (93.29%) for the test dataset and still outstanding (85.24%) for the validation dataset. The texture metrics are the most important classification parameters and are mainly derived from VIS (B2 and B3), NIR (B5 and B6) and SWIR (B11). The results outperformed previous works that used large temporal image series and reduced the storage capacity requirements and computational time. Consequently, the hydrological response of the watersheds in terms of NRCS-CN is characterized truthfully, allowing the analysis of the potential runoff and its variation due to seasonal phenology. Future research will be focused on the analysis of rainfall-runoff models and the variability in seasonal runoff in forested watersheds in Mediterranean environments.

流域的土地覆盖特征对水量平衡有显着影响，并且是评估区域尺度复杂水文模型的关键因素。在此，提出了一种方法，该方法使用遥感技术结合Sentinel-1和Sentinel-2数据并采用随机森林方法，从水文观点出发，基于水文类型的径流生成能力，生成准确的季节性临时土地覆盖图。提出了一项多日期研究，以最大程度地减少图像：Sentinel-2数据为一个日期，而Sentinel-1数据为两个日期。然后，通过纹理度量和导出的频谱索引来改善卫星数据的维数，然后通过优化分类算法进行数据挖掘特征选择，确保最终地图的准确性。测试数据集的总体准确性非常高（93.29％），而验证数据集的总体准确性仍然非常出色（85.24％）。纹理度量是最重要的分类参数，主要来自VIS（B2和B3），NIR（B5和B6）和SWIR（B11）。结果优于以前使用大量时间图像序列的工作，并减少了存储容量要求和计算时间。因此，如实描述了以NRCS-CN表示的流域水文响应，从而可以分析潜在径流及其因季节物候变化的变化。未来的研究将集中在降雨径流模型的分析以及地中海环境中森林流域的季节性径流变化方面。测试数据集的总体准确性非常高（93.29％），而验证数据集的总体准确性仍然非常出色（85.24％）。纹理度量是最重要的分类参数，主要来自VIS（B2和B3），NIR（B5和B6）和SWIR（B11）。结果优于以前使用大量时间图像序列的工作，并减少了存储容量要求和计算时间。因此，如实描述了以NRCS-CN表示的流域水文响应，从而可以分析潜在径流及其因季节物候变化的变化。未来的研究将集中在降雨径流模型的分析以及地中海环境中森林流域的季节性径流变化方面。测试数据集的总体准确性非常高（93.29％），而验证数据集的总体准确性仍然非常出色（85.24％）。纹理度量是最重要的分类参数，主要来自VIS（B2和B3），NIR（B5和B6）和SWIR（B11）。结果优于以前使用大量时间图像序列的工作，并减少了存储容量要求和计算时间。因此，如实描述了以NRCS-CN表示的流域水文响应，从而可以分析潜在径流及其因季节物候变化的变化。未来的研究将集中在降雨径流模型的分析以及地中海环境中森林流域的季节性径流变化方面。测试数据集占29％），而验证数据集仍未解决（85.24％）。纹理度量是最重要的分类参数，主要来自VIS（B2和B3），NIR（B5和B6）和SWIR（B11）。结果优于以前使用大量时间图像序列的工作，并减少了存储容量要求和计算时间。因此，如实描述了以NRCS-CN表示的流域水文响应，从而可以分析潜在径流及其因季节物候变化的变化。未来的研究将集中在降雨径流模型的分析以及地中海环境中森林流域的季节性径流变化方面。测试数据集占29％），而验证数据集仍未解决（85.24％）。纹理度量是最重要的分类参数，主要来自VIS（B2和B3），NIR（B5和B6）和SWIR（B11）。结果优于以前使用大量时间图像序列的工作，并减少了存储容量要求和计算时间。因此，如实描述了以NRCS-CN表示的流域水文响应，从而可以分析潜在径流及其因季节物候变化的变化。未来的研究将集中在降雨径流模型的分析以及地中海环境中森林流域的季节性径流变化方面。纹理度量是最重要的分类参数，主要来自VIS（B2和B3），NIR（B5和B6）和SWIR（B11）。结果优于以前使用大量时间图像序列的工作，并减少了存储容量要求和计算时间。因此，如实描述了以NRCS-CN表示的流域水文响应，从而可以分析潜在径流及其因季节物候变化的变化。未来的研究将集中在降雨径流模型的分析以及地中海环境中森林流域的季节性径流变化方面。纹理度量是最重要的分类参数，主要来自VIS（B2和B3），NIR（B5和B6）和SWIR（B11）。结果优于以前使用大量时间图像序列的工作，并减少了存储容量要求和计算时间。因此，如实描述了以NRCS-CN表示的流域水文响应，从而可以分析潜在径流及其因季节物候变化的变化。未来的研究将集中在降雨径流模型的分析以及地中海环境中森林流域的季节性径流变化方面。结果优于以前使用大量时间图像序列的工作，并减少了存储容量要求和计算时间。因此，如实描述了以NRCS-CN表示的流域水文响应，从而可以分析潜在径流及其因季节物候变化的变化。未来的研究将集中在降雨径流模型的分析以及地中海环境中森林流域的季节性径流变化方面。结果优于以前使用大量时间图像序列的工作，并减少了存储容量要求和计算时间。因此，如实描述了以NRCS-CN表示的流域水文响应，从而可以分析潜在径流及其因季节物候变化的变化。未来的研究将集中在降雨径流模型的分析以及地中海环境中森林流域的季节性径流变化方面。