Clasificación de uso y cobertura del suelo basada en modelos de Aprendizaje de Máquina Supervisados
Palabras clave:
LULC, Modelos de Aprendizaje de Máquina Supervisados, áreas agrícolasResumen
La obtención de información geográfica de usos y coberturas del suelo (LULC) es crucial para el monitoreo espacio-temporal de la actividad agrícola y de sus efectos sobre el ambiente. En este marco, el objetivo del trabajo fue comparar la performance de Google Earth Engine (GEE) y del complemento Semi-automatic Classification Plugin (SCP) dentro de QGis para clasificar LULC en imágenes multiespectrales Sentinel-2. Los modelos fueron aplicados a una región del centro-sur del sistema de Ventania, en el suroeste de la provincia de Buenos Aires, Argentina y validados con información medida in situ. Los resultados indican que ambos modelos son capaces de clasificar LULC con una precisión entre 77.6 % y 97.8%, habiendo obtenido mejores resultados con GEE.
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2024 Federico Javier Beron de la Puente, Anabella Montico, Natalia V. Revollo, Verónica Gil, Paula A. Zapperi
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Acorde a estos términos, el material se puede compartir (copiar y redistribuir en cualquier medio o formato) y adaptar (remezclar, transformar y crear a partir del material otra obra), siempre que a) se cite la autoría y la fuente original de su publicación (revista y URL de la obra), b) no se use para fines comerciales y c) se mantengan los mismos términos de la licencia.
