Análisis Comparativo de Algoritmos de Aprendizaje Automático para la Cartografía de Uso y Cobertura del Suelo: Estudio de Caso de la Región de Berrechid-Settat, Marruecos

Los Algoritmos de Aprendizaje Automático Mejoran el Mapeo del Uso de la Tierra en Marruecos

Un estudio reciente se centró en la dinámica espaciotemporal del Uso de la Tierra y la Cobertura del Suelo (LULC) en la región de Berrechid-Settat en Marruecos, utilizando imágenes satelitales de Landsat 7 y Landsat 8. Los investigadores procesaron los datos a través de Google Earth Engine (GEE), logrando avances significativos en el análisis de LULC.

El estudio evaluó la eficacia de tres modelos de aprendizaje automático: Random Forest (RF), Árbol de Decisión (DT) y Máquina de Vectores de Soporte (SVM), para clasificar cinco categorías principales de LULC: cuerpos de agua, bosques, regiones urbanas, vegetación y tierras áridas. El modelo Random Forest se destacó como el más efectivo, logrando una Precisión General (OA) del 91.84% y un Coeficiente Kappa (KC) de 0.86 en 2023.

Comparación de Modelos de Aprendizaje Automático

El rendimiento de los modelos varió significativamente a lo largo de los diferentes años. El modelo de Árbol de Decisión registró una OA competitiva del 87.36% en 2010, pero mostró inestabilidad en años posteriores. El modelo SVM sobresalió en la clasificación de áreas urbanas con una precisión de aproximadamente 94%, mientras que tuvo dificultades con la clasificación de bosques.

Los hallazgos sugieren que la integración de algoritmos de aprendizaje automático en el análisis de imágenes satelitales puede tener un impacto significativo en la planificación regional y las políticas de gestión del suelo en Marruecos.