USO DE MACHINE LEARNING E IMÁGENES SATELITALES PARA LA CLASIFICACIÓN DEL USO DE SUELO EN EL CANTÓN RIOBAMBA

El análisis del uso de suelo constituye un insumo fundamental para la planificación territorial y la gestión ambiental, especialmente en territorios con alta complejidad geográfica como las ciudades interandinas. En este contexto, el presente estudio tiene como objetivo aplicar técnicas de Machine Learning combinadas con imágenes satelitales Sentinel-2 para la clasificación del uso de suelo en el cantón Riobamba, Ecuador. El trabajo de investigación utiliza una metodología con un enfoque cuantitativo, de tipo aplicado, se utiliza imágenes de Sentinel-2 de reflectancia superficial correspondientes a agosto de 2025, descargadas con la plataforma de Google Earth Engine y procesadas mediante estadística multiespectral. Para la clasificación se definien siete clases de uso y cobertura del suelo: agua, suelo desnudo, bosque, vegetación baja/pasto, construcción, hielo y erosión. El proceso de clasificación se realizó mediante el algoritmo Support Vector Machines (SVM), el algoritmo fue creado en el lenguaje Python con el entorno Google Colab, incluye la optimización de parámetros mediante validación cruzada. La validación del modelo se efectuó a través de una matriz de confusión construida con 203 puntos de prueba, obteniéndose una exactitud global del 72,41 %, lo que evidencia un desempeño satisfactorio del clasificador. Los resultados muestran una predominancia de la vegetación baja y pastos, seguida por áreas de suelo desnudo, bosque y construcción, reflejando tanto las dinámicas agropecuarias como el proceso de expansión urbana del cantón. La identificación de las clases hielo y erosión permitió caracterizar zonas de alta montaña que están relacionadas al volcán Chimborazo y al nevado El Altar. En conjunto, el estudio demuestra que el uso de SVM constituye una herramienta robusta y confiable para la generación de cartografía temática de uso de suelo, aportando información clave para la planificación y gestión territorial a escala local. Abstract Land use analysis is a fundamental input for territorial planning and environmental management, especially in territories with high geographical complexity such as inter-Andean cities. In this context, the present study aims to apply machine learning techniques combined with Sentinel-2 satellite images for land use classification in the Riobamba canton, Ecuador. The research uses a quantitative, applied methodology, utilizing Sentinel-2 surface reflectance images from August 2025, downloaded using the Google Earth Engine platform and processed using multispectral statistics. Seven classes of land use and land cover are defined for classification: water, bare soil, forest, low vegetation/grass, construction, ice, and erosion. The classification process was performed using the Support Vector Machines (SVM) algorithm, which was created in Python with the Google Colab environment and includes parameter optimization through cross-validation. The model was validated using a confusion matrix constructed with 203 test points, obtaining an overall accuracy of 72.41%, which demonstrates the satisfactory performance of the classifier. The results show a predominance of low vegetation and pastures, followed by areas of bare soil, forest, and construction, reflecting both agricultural dynamics and the process of urban expansion in the canton. The identification of ice and erosion classes made it possible to characterize high mountain areas related to the Chimborazo volcano and the El Altar snow-capped mountain. Overall, the study demonstrates that the use of SVM is a robust and reliable tool for generating thematic land use mapping, providing key information for territorial planning and management at the local level.