Comparación de métodos de clasificación de uso y cobertura del suelo utilizando un algoritmo de aprendizaje automático en la Comunidad Nativa Yine Ashaninka Puerto Nuevo, Madre de Dios

Abstract

Presentamos un estudio que compara la precisión de tres algoritmos de clasificacion supervisada de uso y cobertura del suelo mediante datos de imágenes Landsat Colección 2 Nivel 1 utilizando la plataforma de aprendizaje automático de Google Earth Engine en la Comunidad Nativa Yine Ashaninka Puerto Nuevo, Madre de Dios en los periodos 2000 al 2023. Aplicamos diferentes técnicas de aprendizaje automático a datos del área de estudio. Comprobamos su eficacia para la cartografía LULC y el análisis de detección de cambios utilizando el Random Forest (RF), Classification and Regression Tree (CART) y Support Vector Machine (SVM). Se obtuvieron mapas LULC para los años 2000 y 2023. Los datos de entrenamiento se recopilaron a partir de operaciones sobre el terreno y conjuntos de datos históricos, y los respectivos mapas LULC se validaron utilizando puntos de control sobre el terreno. Además, validamos la fiabilidad de los resultados mediante un analisis de incertidumbre espacial la matriz de confusión e indice de kappa. Las precisiones resultantes de los resultados de la clasificación variaron significativamente. RF obtuvo los mejores resultados con precisiones del 98,2%-0,964 y 92,7%-0,927 para 2000 y 2023, respectivamente, catalogado como "Casi perfecta". El análisis de la incertidumbre espacial también validó la eficacia de RF en comparación con CART y SVM. Los resultados confirman el potencial de las técnicas de aprendizaje automatico para la cartografia de series temporales de LULC en la plataforma GEE, al tiempo que reducen las barreras para analizar grandes cantidades de datos de satélite. Los resultados también son fundamentales para que los responsables de la toma de decisiones y las autoridades analicen los cambios en la LULC y desarrollen las políticas y la protección medioambiental de las comunidades indígenas.