Clasificación de LULC empleando técnicas de agregación de características extraídas de múltiples sensores remotos

Abstract

El agotamiento de los recursos naturales en busca de satisfacer las necesidades básicas de la población ha tenido un impacto devastador en el uso del suelo y la cobertura terrestre. Estudios sobre esto han generado extensas bases de datos que desempeñan un papel fundamental en los modelos ecológicos y socioeconómicos a nivel global. Los datos procedentes de plataformas espaciales, principalmente de tecnologías ópticas, pueden verse afectados por las condiciones atmosféricas, especialmente en áreas con una alta incidencia de nubes. Ante este problema, surge la pregunta: ¿Cómo integrar datos capturados desde sensores ópticos y de radar para mejorar la estimación de LULC? Para abordar este desafío, en esta investigación se compararon dos enfoques de aprendizaje automático supervisado, Random Forest y XGBoost. Ambos modelos se aplicaron para clasificar el uso del suelo y la cobertura terrestre a partir de imágenes ópticas y de radar, probando diferentes escenarios de fusión de datos y niveles de nubosidad. Las pruebas se realizaron en un área de estudio específica en Colombia, un país que presenta altos niveles de nubosidad debido a su ubicación geográfica. Los resultados mostraron que el modelo Random Forest, al combinar datos ópticos, radar e índices espectrales, alcanzó una mayor precisión en la clasificación de LULC. El mejor desempeño se obtuvo en el escenario con un 0-30\% de nubosidad, logrando una precisión del 81.92\%, un F1-Score de 80.57\% y un coeficiente Kappa de 0.687. Estos hallazgos refuerzan la relevancia de integrar datos multisensoriales para mejorar la clasificación en condiciones atmosféricas adversas