Clasificación del bosque esclerófilo mediterráneo de Chile Central por medio de modelos de aprendizaje de máquina
Loading...
Date
2022
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Los bosques cumplen un rol importante en los ecosistemas de la tierra. La adquisición de información sobre el estado de los bosques es fundamental para elaborar estrategias de manejo y conservación sostenible de éstos. Diversas técnicas convencionales se han aplicado para la clasificación de bosques y otras coberturas de suelo a través de la teledetección. Recientemente, han adquirido mayor importancia métodos no paramétricos de Machine Learning, como Random Forest (RF), Support Vector Machines (SVM) y Artificial Neural Network (ANN). La hipótesis del presente estudio es que la selección de uno u otro algoritmo de clasificación no tiene gran efecto en la precisión de clasificación de los diferentes tipos de bosque, pero sí los tipos de datos seleccionados en la construcción de los modelos. Así, el objetivo general es, seleccionar un modelo de clasificación que incluya un algoritmo de Machine Learning para la clasificación de distintos tipos de bosque esclerófilo utilizando como base distintos tipos de datos geoespaciales provenientes del ámbito de los recursos naturales. Se utilizan como variables predictoras las bandas de Landsat-8, y índices de productividad y textura, y datos bioclimáticos, estructurales y topográficos, para clasificar el bosque esclerófilo de la zona central de Chile según su cobertura y posición topográfica, por medio de algoritmos RF, ANN y SVM. Los tres modelos de clasificación tuvieron precisiones parecidas y coinciden en que las variables más importantes están relacionadas con la productividad y el contenido de agua en la vegetación. Por lo tanto, las variables utilizadas resultaron ser cruciales para las clasificaciones, más que el algoritmo utilizado. Sin embargo, la señal de la densidad de bosque es débil, dado principalmente a la calidad de los datos de referencia.
Description
Tesis (Magíster en Recursos Naturales)--Pontificia Universidad Católica de Chile, 2022
Keywords
Remote sensing, Classification algorithm, Geospatial variables, Random forest, Support vector machine, Artificial neural network