Clasificación de uso y cobertura del suelo basada en modelos de Aprendizaje de Máquina Supervisados

Resumen

. La obtención de información geográfica de usos y coberturas del suelo (LULC) es crucial para el monitoreo espacio-temporal de la actividad agrícola y de sus efectos sobre el ambiente. En este marco, el objetivo del trabajo fue comparar la performance de Google Earth Engine (GEE) y del complemento Semi-automatic Classification Plugin (SCP) dentro de QGis para clasificar LULC en imágenes multiespectrales Sentinel-2. Los modelos fueron aplicados a una región del centro-sur del sistema de Ventania, en el suroeste de la provincia de Buenos Aires, Argentina y validados con información medida in situ. Los resultados indican que ambos modelos son capaces de clasificar LULC con una precisión entre 77.6 % y 97.8%, habiendo obtenido mejores resultados con GEE.