Clasificación de uso y cobertura del suelo a través de algoritmos de aprendizaje automático: revisión bibliográfica

Abstract

Los métodos para la clasificación de uso y cobertura del suelo (UCS) han mostrado avances importantes en los últimos años, como la incorporación de las técnicas de aprendizaje automático (machine learning-ML) que han ganado popularidad y aceptación por sus resultados. Sin embargo, la falta de consensos metodológicos ha provocado una aplicación desordenada de los métodos ML en la clasificación de UCS. Por lo que a través de la revisión bibliográfica practicada se identificaron puntos de la forma en que se están implementando los métodos, así como posibles implicaciones en la clasificación de UCS al darse de esta manera. Para dicha revisión se utilizaron únicamente artículos científicos publicados entre el año 2000 al 2020 y que consideraran alguno de los siguientes algoritmos para la clasificación de UCS: k vecinos más cercanos (K-nearest neighbor-KNN), bosque aleatorio (random forest-RF), máquina de soporte de vectores (support vector machine-SVM), redes neuronales artificiales (artificial neural network-ANN) y árboles de decisión (decision trees-DT). A través de los resultados obtenidos en la revisión bibliográfica, se reafirma el potencial de los algoritmos y se identifican puntos de mejora para la aplicación de ML en la clasificación de UCS, especialmente en la integración de los conjuntos de datos, la parametrización de los algoritmos y la evaluación de los resultados, generando a su vez una selección de buenas prácticas a partir de las recomendaciones de diversos autores las cuales consideramos serán de utilidad para usuarios interesados en estos métodos.

Keywords

• aprendizaje automático
• uso del suelo
• cobertura del suelo
• bosque aleatorio
• máquina de soporte de vectores
• redes neuronales artificiales
• árboles de decisión