Desarrollo de una metodología para la clasificación de las distintas coberturas de suelo, mediante fotointerpretación y el uso de Machine Learning

Abstract

El presente informe resume el trabajo realizado para la empresa de monitoreo y conservación de ecosistemas LEMU Spa. La cual al igual que muchas otras empresas y proyectos de conservación se enfrentan a la problemática de poder monitorear de manera constante y eficiente las coberturas de suelo para sus áreas de interés. En base a esto, se propuso una metodología que cumple con esta función y queda a disposición de la empresa, de modo que la pueda adaptar a sus necesidades. La metodología que utilizó en este trabajo, se apoya en el uso de técnicas de teledetección para la clasificación de imágenes satelitales, las cuales se basan en el cálculo de una serie de variables predictivas, tales como variables fenológicas, de máximos valores estacionales, texturales, topográficas, de índices espectrales y de los valores de las bandas originales; que en conjunto con datos obtenidos por fotointerpretación para la clasificación, ingresan en los modelos de clasificación supervisada, en particular usando el algoritmo Random Forest. Con respecto a los resultados que se obtuvieron, se buscaba evaluar la precisión que se lograría con la metodología propuesta mediante el cálculo de matrices de confusión y métricas de precisión derivadas de estas matrices. Se obtuvo precisiones sobre el 80% para las distintas zonas consideradas. Además, se evaluó la importancia que tuvo cada variable para el proceso de clasificación, como así también la separabilidad que existía entre estas. El resultado indica que las variables más importantes corresponden a las variables fenológicas y de máximos valores estacionales. Estas se encuentran muy ligadas a todo lo que vendría siendo la clasificación de superficies vegetales.

This report aims to address the work conducted for LEMU Spa, a company specializing in monitoring and conserving ecosystems. Like many other conservation companies and projects, LEMU faced the challenge of continuously monitoring soil cover for their areas of interest. Based on this, a methodology is proposed to fulfill this function and be made available to the company, so that it can adapt it to its needs. The methodology used in this work relies on remote sensing techniques for the classification of satellite images. This approach involves calculating a series of predictive variables such as phenological variables, maximum seasonal values, texture, topography, spectral indices, and the values of the original bands. These, along with data obtained through photo interpretation for the classification of these images, are fed into classification models, such as the Random Forest algorithm. Regarding the results obtained, the goal was to evaluate the accuracy achieved with the proposed methodology through the calculation of confusion matrices and precision metrics derived from these matrices. These results showed accuracies over 80% for the various zones considered. In addition, the study sought to assess the importance of each variable in the classification process and the separability between them. It was found that the most important variables correspond to phenological variables and maximum seasonal values, which are closely linked to the classification of vegetative surfaces.