ISBN
979-13-87631-27-7
Fecha de publicación
27-12-2024
Licencia
D. R. © copyright 2024. Alan David Ramírez Noriega, Ivan Noel Alvarez Sánchez y Herman Geovany Ayala Zúñiga
Jesús Bojórquez Delgado
Instituto Tecnológico Superior de Guasave
0009-0004-0648-9094
Gilberto Bojórquez Delgado
Instituto Tecnológico Superior de Guasave
0009-0000-7829-6540
Manuel Alfredo Flores Rosales
Instituto Tecnológico Superior de Guasave
0009-0002-8383-3501
Acerca de
La clasificación precisa de superficies terrestres y acuáticas es fundamental para la gestión de recursos naturales, con aplicaciones en la agricultura de precisión y la gestión del agua. Este estudio desarrolló e implementó un clasificador espectral utilizando datos de Sentinel-2 y técnicas avanzadas de aprendizaje automático, evaluando algoritmos como CNN 1D, MLP, LSTM, GBM y Random Forest. Los resultados mostraron que el modelo CNN 1D alcanzó una precisión, recall y F1-score del 100 %, superando otros métodos tradicionales. La capacidad del modelo para capturar características espaciales complejas de los datos espectrales fue clave para su rendimiento.
La matriz de confusión confirmó la efectividad del modelo sin errores de clasificación en el conjunto de prueba. Las implicaciones prácticas son significativas, permitiendo una clasificación confiable que mejora la gestión de recursos hídricos y terrestres. Sin embargo, se reconoce la necesidad de más recursos computacionales y una evaluación en conjuntos de datos más amplios y diversos. Futuras investigaciones deberían expandir el conjunto de datos y explorar la integración de otras técnicas para mejorar la robustez del modelo. Este estudio aporta al conocimiento académico y ofrece herramientas prácticas para la gestión y conservación de recursos naturales, proponiendo direcciones prometedoras para futuras investigaciones.
Referencias
Caballero Chávez, C., & Duarte, V. (2023). Análisis de la variación de la Temperatura de la Superficie Terrestre (TST) y del Índice Diferencial de Vegetación Normalizado (IVN) en el área metropolitana de Asunción. Revista de la Sociedad Científica del Paraguay, 28(2), 352-369. https://doi.org/10.32480/rscp.2023.28.2.352
Danuri, D., & Mohd Pozi, M. (2024). Machine Learning Approaches for Fish Pond Water Quality Classification: Random Forest, Gaussian Naive Bayes, and Decision Tree Comparison. Proceedings of the 11th International Applied Business and Engineering Conference, ABEC 2023, September 21st, 2023, Bengkalis, Riau, Indonesia. Proceedings of the 11th International Applied Business and Engineering Conference, ABEC 2023, September 21st, 2023, Bengkalis, Riau, Indonesia, Bengkalis, Indonesia. https://doi.org/10.4108/eai.21-9-2023.2342964
Duan, J., Wang, H., Wang, C., Nie, S., Yang, X., & Xi, X. (2023). Denoising and classification of urban ICESat-2 photon data fused with Sentinel-2 spectral images. International Journal of Digital Earth, 16(2), 4346-4367. https://doi.org/10.1080/17538947.2023.2270513
Eisfelder, C., Boemke, B., Gessner, U., Sogno, P., Alemu, G., Hailu, R., Mesmer, C., & Huth, J. (2024). Cropland and Crop Type Classification with Sentinel-1 and Sentinel-2 Time Series Using Google Earth Engine for Agricultural Monitoring in Ethiopia. Remote Sensing, 16(5), 866. https://doi.org/10.3390/rs16050866
Gomez, C., Dharumarajan, S., Féret, J.-B., Lagacherie, P., Ruiz, L., & Sekhar, M. (2019). Use of Sentinel-2 Time-Series Images for Classification and Uncertainty Analysis of Inherent Biophysical Property: Case of Soil Texture Mapping. Remote Sensing, 11(5), 565. https://doi.org/10.3390/rs11050565
Hao, M., Dong, X., Jiang, D., Yu, X., Ding, F., & Zhuo, J. (2024). Land-use classification based on high-resolution remote sensing imagery and deep learning models. PLOS ONE, 19(4), e0300473. https://doi.org/10.1371/journal.pone.0300473
Huang, C., Zhang, C., He, Y., Liu, Q., Li, H., Su, F., Liu, G., & Bridhikitti, A. (2020). Land Cover Mapping in Cloud-Prone Tropical Areas Using Sentinel-2 Data: Integrating Spectral Features with Ndvi Temporal Dynamics. Remote Sensing, 12(7), 1163. https://doi.org/10.3390/rs12071163
López-Calderón, M. J., Estrada-Ávalos, J., Martínez-Sifuentes, A. R., Trucíos-Caciano, R., & Miguel-Valle, E. (2023). Nitrógeno total en maíz forrajero (Zea mays L.) estimado mediante índices espectrales con el satélite Sentinel-2. REVISTA TERRA LATINOAMERICANA, 41. https://doi.org/10.28940/terra.v41i0.1628
Orynbaikyzy, A., Gessner, U., Mack, B., & Conrad, C. (2020). Crop Type Classification Using Fusion of Sentinel-1 and Sentinel-2 Data: Assessing the Impact of Feature Selection, Optical Data Availability, and Parcel Sizes on the Accuracies. Remote Sensing, 12(17), 2779. https://doi.org/10.3390/rs12172779
Phiri, D., Simwanda, M., Salekin, S., Nyirenda, V., Murayama, Y., & Ranagalage, M. (2020). Sentinel-2 Data for Land Cover/Use Mapping: A Review. Remote Sensing, 12(14), 2291. https://doi.org/10.3390/rs12142291
Riego y Drenaje, Facultad de Agronomía de Buenos Aires, Buenos Aires, Argentina, Salgado, H., Zabala, S. M., Romay, C., Bernier, M., Jacome, A., Chokmani, K., Meteorología, Servicio de Hidrografía Naval, Ministerio de Defensa, Argentina, & Institut National de la Recherche Scientifique, Université du Québec, Québec, Canada. (2021). ESTIMACIÓN DE LA HUMEDAD SUPERFICIAL DEL SUELO MEDIANTE DATOS SAR EN BANDA X. Meteorologica, 46(1), e001-e001. https://doi.org/10.24215/1850468Xe001
Syrris, V., Hasenohr, P., Delipetrev, B., Kotsev, A., Kempeneers, P., & Soille, P. (2019). Evaluation of the Potential of Convolutional Neural Networks and Random Forests for Multi-Class Segmentation of Sentinel-2 Imagery. Remote Sensing, 11(8), 907. https://doi.org/10.3390/rs11080907
Yousefi, S., Mirzaee, S., Almohamad, H., Al Dughairi, A. A., Gomez, C., Siamian, N., Alrasheedi, M., & Abdo, H. G. (2022). Image Classification and Land Cover Mapping Using Sentinel-2 Imagery: Optimization of SVM Parameters. Land, 11(7), 993. https://doi.org/10.3390/land11070993
Zhang, W., Tang, P., & Zhao, L. (2019). Remote Sensing Image Scene Classification Using CNN-CapsNet. Remote Sensing, 11(5), 494. https://doi.org/10.3390/rs11050494