Algoritmos de aprendizaje automático para el mapeo de coberturas en un Área Natural Protegida

Read full text Summarise with VIRAT
Authors: Natalia Martínez de León, Ignacio González Gutiérrez, Xóchitl C. Ramírez Campanur, Mario Rocandio Rodríguez, Arturo Medina Puente
Cited by: 0
References: 26

Summary

No summary yet. VIRAT can read this paper and write a plain-language summary of its aim, methods, key findings and limitations.

Summarise with VIRAT Free to try with your Science Catalogs account.

Abstract

Las áreas naturales protegidas contribuyen a la conservación de la biodiversidad, la mitigación del cambio climático y brindan servicios ecosistémicos. La información precisa sobre la distribución de las coberturas y usos del suelo es fundamental para la gestión de estas zonas, y los datos de la misión Sentinel-2 son adecuados para su monitoreo. Por ello, el objetivo del estudio fue comparar el rendimiento de cuatro algoritmos de aprendizaje automático: Máquina de Vectores de Soporte (SVM), Bosques Aleatorios (RF), Árboles de Gradiente Aumentado (GBT) y Árboles de Clasificación y Regresión (CART), integrando índices espectrales y variables topográficas. Se utilizó la colección Sentinel-2 y un conjunto de muestras estratificadas para su validación (n=641). La fiabilidad temática se evaluó mediante matrices de confusión ajustadas al área. Se utilizó una prueba Z de dos proporciones para comparar los algoritmos a nivel global y una prueba chi-cuadrada de McNemar para comparar las predicciones clase por clase. Los resultados mostraron que SVM y GBT presentaron la mayor fiabilidad global de 88 % y 86 %, respectivamente. La comparación de algoritmos de la prueba Z evidenció que la mitad de los emparejamientos de algoritmos eran estadísticamente diferentes. La prueba chi-cuadrada de McNemar mostró que 46 % de las comparaciones por clase entre algoritmos pareados fueron estadísticamente significativas (p≤0.05). En conclusión, los algoritmos de aprendizaje automático permiten generar mapas precisos de cobertura y uso del suelo (CUS). Se recomienda su implementación en la toma de decisiones por su capacidad para reconocer patrones complejos.

Fields of Study & Subjects

Remote-Sensing Image Classification Remote Sensing and Land Use Remote Sensing in Agriculture

Publication details

Journal / source
Revista mexicana de ciencias forestales
Volume
17
Issue
94
Pages
28–53
Publication date
26 March 2026
Language
ES