Especializaciones de la Facultad de Ingeniería · 2024
Evaluación de algoritmos de aprendizaje automático en la clasificación supervisada de imágenes satelitales multitemporales para el análisis de coberturas de suelo en Rionegro, Colombia
RESUMEN : El análisis de coberturas de suelo mediante algoritmos de aprendizaje automático es fundamental para la gestión sostenible del territorio, especialmente en contextos de alta complejidad como Rionegro, Antioquia, Colombia. Este estudio implementa una metodología robusta para evaluar el desempeño de cinco algoritmos de clasificación supervisada (Random Forest, K-Nearest Neighbors, Naive Bayes, Gradient Boosting y CART) utilizando imágenes Sentinel-2 multiespectrales procesadas en Google Earth Engine (GEE). La investigación integra preprocesamiento avanzado, enmascaramiento de nubes, cálculo de índices espectrales (NDVI, NDBI, NDWI) y balanceo de clases mediante SMOTE para abordar problemas de desbalance en los datos. Los resultados muestran que Random Forest se destaca con una precisión global promedio del 83%, un índice Kappa de 0.81 y valores de área bajo la curva (AUC) superiores a 0.9 en las principales clases de cobertura. El algoritmo KNN, aunque menos robusto, logró desempeños aceptables en clases con características espectrales bien diferenciadas. Por el contrario, Naive Bayes y CART demostraron limitaciones importantes, reflejadas en precisiones globales inferiores al 30% y un índice Kappa cercano a cero, atribuibles a la alta fragmentación del paisaje y el solapamiento espectral. El análisis de curvas ROC y matrices de confusión resalta que las clases relacionadas con áreas urbanas y cuerpos de agua presentan la mejor discriminación, mientras que las clases agrícolas y de vegetación mixta son más propensas a errores.
Texto completo 65 páginas con texto de 66
Leer la tesis completa Ficha en el repositorio
Contenido
- Resumenp. 8
- Abstractp. 9
- Introducciónp. 10
- 1 Planteamiento del problemap. 12
- 2 Justificaciónp. 13
- 3 Objetivosp. 14
- 3.1 Objetivo generalp. 14
- 3.2 Objetivos específicosp. 14
- 4 Marco teóricop. 15
- 4.1 Algoritmos de Clasificación Supervisada en Google Earth Enginep. 16
- 4.2 Métodos de validaciónp. 17
- 4.2.1 Matriz de Confusiónp. 17
- 4.2.2 Curva ROC y AUCp. 18
- 4.2.3 Índice de Kappap. 18
- 4.3 Casos de éxito en la clasificación supervisadap. 19
- 5 Metodologíap. 20
- 5.1 Área de estudiop. 22
- 5.2 Fuentes de datos satelitalesp. 23
- 5.3 Conexión a la API de GEEp. 24
- 5.4 Selección de puntos de entrenamientop. 24
- 5.5 Procesamiento de imágenes satelitalesp. 29
- 5.6 Calculo de métodos de clasificación por GEEp. 32
- 5.6.1 Método de clasificación CARTp. 34
- 5.6.2 Método de clasificación Random Forestp. 34
- 5.6.3 Metodo de clasificación KNNp. 35
- 5.6.4 Método de clasificación Naive Bayesp. 36
- 5.6.5 Método de clasificación Gradient Tree Boostp. 36
- 5.7 Métodos de validaciónp. 17
- 6 Resultadosp. 39
- 6.1 Resultados Provenientes Del Dataset De Corine Land Cover Para Nivel 3p. 39
- 6.1.1 Método de CARTp. 39
- 6.1.2 Método de Naive Bayesp. 42
- 6.1.3 Método de KNNp. 45
- 6.1.4 Método de Random Forestp. 49
- 6.1.5 Comparativa de métodos y consolidadop. 51
- 6.2 Resultados Provenientes Del Dataset De Corine Land Cover Para Nivel 2p. 53
- 6.3 Resultados Provenientes Del Dataset De Corine Land Cover Para Nivel 1p. 56
- 7 Conclusionesp. 60
- 8 Recomendacionesp. 62
- Referenciasp. 64
- Tabla 1. Consolidado de resultados por método de clasificaciónp. 33
- Tabla 1. Consolidado de resultados por método de clasificaciónp. 33
- Tabla 2. Comparativa Métodos de Clasificación CLC - N3p. 53
- Tabla 3. Consolidado de resultados por método de clasificaciónp. 54
- Tabla 4. Comparativa Métodos de Clasificación CLC – N2p. 55
- Tabla 5. Consolidado de resultados por método de clasificaciónp. 56
- Tabla 6. Comparativa Métodos de Clasificación CLC – N1p. 58
- Figura 1.Diagrama conceptual de la metodologíap. 21
- Figura 2.Mapa de la zona de estudiop. 22
- Figura 3.Dataset de Sentinel 2 obtenidop. 24
- Figura 4.Flujograma de gestión y selección de puntos de entrenamientop. 26
- Figura 5. Proceso de clasificación de puntos de entrenamientop. 29
- Figura 6. Resultado clasificación método CARTp. 40
- Figura 7. Matriz de Confusión Método CARTp. 41
- Figura 8. Curvas ROC para la clasificación con CARTp. 42
- Figura 9. Resultado clasificación método Naive Bayesp. 43
- Figura 10. Matriz de Confusión Método Naive Bayesp. 44
- Figura 11. Curvas AUC para la clasificación con Naive Bayesp. 45
- Figura 12. Resultado clasificación método KNNp. 46
- Figura 13. Matriz de Confusión Método KNNp. 47
- Figura 14. Curvas AUC para la clasificación con KNNp. 48
- Figura 15. Resultado clasificación método random Forestp. 49
- Figura 16. Matriz De Confusion, Random Forestp. 50
- Figura 17. Curvas AUC para la clasificación con Random Forestp. 51