Clasificación de uso y cobertura del suelo a través de algoritmos de aprendizaje automático - revisión bibliográfica

Aug 4, 2026

Subir por Aurora

La clasificación de uso y cobertura del suelo (UCS) ha avanzado con la incorporación de técnicas de aprendizaje automático (ML), pero la falta de consensos metodológicos ha generado una aplicación desordenada de estos métodos. Mediante una revisión bibliográfica de artículos científicos de 2010 a 2020 se identifican patrones de implementación y posibles implicaciones para la clasificación de UCS usando KNN, Random Forest, SVM, ANN y árboles de decisión. Los resultados confirman el potencial e indican mejoras en integración de datos, parametrización y evaluación, aportando buenas prácticas para usuarios.

IdiomaSpanish

CategoríaInvestigación e Informes

FormatoPDF

Páginas19

Tiempo de lectura29 min

AccesoGratis para descargar

Tabla de contenidos

Introducción

Uso y cobertura del suelo (UCS) y relevancia

Aprendizaje automático (ML) frente a métodos tradicionales

Clasificadores considerados maduros y algoritmos revisados

Objetivo y enfoque de la revisión bibliográfica

Recibido: 23/12/2022 Aceptado: 23/05/2023 REVISTA DE TELEDETECCIÓN Asociación Española de Teledetección (2023) 62, 1-19 ISSN 1133-0953 EISSN 1988-8740 [https://doi.org/10.4995/raet.2023.19014](https://doi.org/10.4995/raet.2023.19014) Clasificación de uso y cobertura del suelo a través dealgoritmos de aprendizaje automático: revisión bibliográfica René Tobar-Díaz*1, Yan Gao1, Jean Francois Mas1, Víctor Hugo Cambrón-Sandoval2 1Centro de Investigaciones en Geografía Ambiental, Universidad Nacional Autónoma de México, Antigua Carretera a Pátzcuaro No. 8701, Col. Ex-Hacienda de San José de la Huerta. C.P. 58190, Morelia, México. 2Facultad de Ciencias Naturales, Universidad Autónoma de Querétaro. Av. de las Ciencias s/n, Nuevo Juriquilla, 76230 Juriquilla, Querétaro, México. Resumen: Los métodos para la clasificación de uso y cobertura del suelo (UCS) han mostrado avances importantes en los últimos años, como la incorporación de las técnicas de aprendizaje automático (machine learning-ML) que han ganado popularidad y aceptación por sus resultados. Sin embargo, la falta de consensos metodológicos ha provocado una aplicación desordenada de los métodos ML en la clasificación de UCS. Por lo que a través de larevisión bibliográfica practicada se identificaron puntos de la forma en que se están implementando los métodos, así como posibles implicaciones en la clasificación de UCS al darse de esta manera. Para dicha revisión se utilizaron únicamente artículos científicos publicados entre el año 2010 al 2020 y que consideraran los siguientes algoritmos para la clasificación de UCS: k vecinos más cercanos (K-nearest neighbor-KNN), bosque aleatorio (random forest-RF), máquina de soporte de vectores (support vector machine-SVM), redes neuronales artificiales (artificial neural networkANN) y árboles de decisión (decision trees-DT) . A través de los resultados obtenidos en la revisión bibliográfica, sereafirma el potencial de los algoritmos y se identifican puntos de mejora para la aplicación de ML en la clasificación de UCS, especialmente en la integración de los conjuntos de datos, la parametrización de los algoritmos y la evaluaciónde los resultados, generando a su vez una selección de buenas prácticas a partir de las recomendaciones de diversos autores las cuales consideramos serán de utilidad para usuarios interesados en estos métodos. Palabras clave: aprendizaje automático, uso del suelo, cobertura del suelo, bosque aleatorio, máquina de soportede vectores, redes neuronales artificiales, árboles de decisión. Classification of land use and land cover through machine learning algorithms: a literature review Abstract: Methodologies for land use and land cover (LULC) classification have demonstrated significant advancesin recent years, such as the incorporation of machine learning (ML) classification techniques, which have gained popularity and acceptance due to their good performance. However, the lack of methodological consensus has led toa disorderly application of ML methods in the classification of LULC. Through the literature review, we identified some points in how the methods are being implemented for the classification of LULC. For this review, only scientific articles published between 2010 and 2020 were analyzed that incorporated the following algorithms for LULC classification: K-nearest neighbor (KNN), random forest (RF), support vector machine (SVM), artificial neural network (ANN) and decision trees (DT) . Using the results of the literature review, we were able to confirm the potential of the algorithms. We also identified areas for improvement in the application of ML to the classification of LULC. These areas include the integration of data sets, parameterization of algorithms, and evaluation of results. Consequently, we generated a selection of guidelines based on the recommendations of various authors that we consider will be useful for users interested in these methods. Key words: machine learnin

Preguntas frecuentes

¿Por qué la clasificación de uso y cobertura del suelo es relevante para estudios ambientales y territoriales?

El UCS permite analizar procesos naturales y antrópicos en la superficie terrestre y los problemas ambientales asociados. Su calidad y manejo mejoran con el avance de las técnicas de análisis.

¿Qué problemas metodológicos se señalan en la aplicación de métodos de aprendizaje automático a la clasificación de UCS?

La falta de consensos metodológicos provoca una aplicación desordenada de los métodos ML en la clasificación de UCS, dificultando la coherencia entre estudios.

¿Qué algoritmos se incluyen en la revisión bibliográfica y qué mejoras se proponen a partir de los hallazgos?

La revisión incluye KNN, Random Forest, SVM, ANN y árboles de decisión. Se identifican mejoras en la integración de conjuntos de datos, la parametrización de los algoritmos y la evaluación de resultados, además de buenas prácticas recomendadas.

Aug 4, 2026

Subir por Aurora